Ai相關

為什麼 MLP 認不出圖片裡的貓？今天我們將拆解 CNN (卷積神經網路) 的核心機制：卷積、池化與參數共享，並透過 CIFAR-10 貓狗分類實戰，建立你的第一個影像辨識模型。

MNIST 是深度學習界的 Hello World。今天我們將深入拆解神經網路如何透過訓練循環學習，並利用 PyTorch 實現手寫數字辨識。

踏入深度學習的第一步：探索神經網路如何模仿人類大腦，透過權重、激活函數與反向傳播，實現從數據中自動學習特徵的覺醒過程。

結構化數據的最強戰力對比：一篇文章看懂 GBDT 三巨頭的優劣差異、適用場景與實測性能。

為什麼 Netflix 比你還了解你的電影品味？本篇揭開推薦系統神祕的面紗，學習如何利用 SVD (奇異值分解) 將巨大的評分矩陣進行分解，從而挖掘出隱藏的「電影基因」，實現精準的個人化推薦。

面對 30 個維度的數據，人類的視覺已經失靈。本篇透過乳腺癌資料集，展示如何利用 PCA (主成分分析) 進行數據瘦身，將高維度的訊息「壓縮」成 2 維的可視化地圖，並學會讀懂這張地圖背後的變異真相。

為什麼尿布和啤酒會被擺在一起？這不是巧合，而是數據的旨意。本篇深入解析關聯規則的三大支柱：支持度、置信度與提升度，帶你從購籃數據中挖掘出反直覺的商業金礦。

沒有標籤的數據，就像是一堆沒有目錄的圖書。本篇透過商場客戶資料集，帶你掌握分群指標的兩大核心：肘部法與輪廓分析，學習如何科學地從混沌中找出最具商業價值的客戶分群。

為什麼模型在訓練時表現完美，上線後卻一塌糊塗？本篇透過經典的「正則波」實驗，帶你直觀理解偏差 (Bias) 與方差 (Variance) 的博弈，學會如何抓出「只會死背」的過擬合模型。