| 程式人 | 林信良 | 程式學習 | 柏拉圖多面體 | 測地線多面體
圓與球中的數學
在電腦繪圖中，圓與球的繪製看似簡單，然而，進一步所延伸出來的需求，並非依賴直覺就能解決，事實上，正確地認識圓與球中的數學，才是正確的解決方式
2021-10-14
| 程式人 | 林信良 | 程式學習 | 卷積 | 深度學習
從卷積到卷積神經網路
若對於卷積神經網路中卷積、填補、池化等觀念感到難以理解，我們可以試著從圖像處理的卷積運算這類可解釋模型當中來理解，從而認識到卷積神經網路，其實就是從資料生成濾鏡的事實
2021-10-07
| 程式人 | 林信良 | 程式學習 | 機器學習 | 深度學習 | 模型 | AI
思考模型的可解釋性
在深度學習的領域，放棄了解釋最終模型的可能性，來換取解決複雜任務的可能性；然而，這可不是暴力法，無論模型可解釋或難以解釋，該做的事情其實都相同！
2021-09-30
| 程式人 | 林信良 | 程式學習 | Numpy | PyTorch | 深度學習
從NumPy到PyTorch
PyTorch是支援深度學習的框架，為了不迷失在API之中，可藉由NumPy實現簡單的學習模型，逐步轉換至PyTorch，認識相關元件的方便，瞭解支援的流程典範
2021-09-23
| 程式人 | 林信良 | 程式學習 | Code+CAD | OpenSCAD | Computer-Aided Design
Code+CAD的選擇
目前如果要使用程式碼進行CAD的設計，能選擇的方式很多，而且應用上日漸成熟
2021-09-16
| 程式人 | 林信良 | 程式學習 | 感知器 | 神經網路 | 核方法 | Kernel method
從感知器到神經網路
神經網路是一堆感知器的組合，由一堆單純運算來達成複雜的任務，多從運算組合的本質來思考神經網路，可避免迷失於繁雜的公式推導
2021-09-09
| K-means | 分群 | Clustering | 資料分析 | 程式人 | 林信良 | 程式學習 | 機器學習 | ML | 非監督式學習
畫分勢力範圍的K-means
在非監督式的K-means分群方式下，無論是勢力範圍、群數的衡量等，都是以距離作為依據，同一勢力範圍內的資料，必要時，也可以使用群心來加以代表
2021-09-02
| 核方法 | Kernel method | 核函數 | 資料維度 | 程式人 | 林信良
在高維中尋找線性
對於高維度的資料，我們除了能運用主成分分析來降低資料的維度，但仍存在對既有資料提升維度的需求，可用提高維度後的資料來進行線性分類
2021-08-19
| 程式人 | 林信良 | 程式學習 | 貝氏分類 | 機器學習
從疾病檢驗到單純貝氏分類
在各種分類方法當中，面對基於貝氏定理的單純貝氏分類，我們可以從生活實例理解，像是疾病檢驗、垃圾郵件、氣象，進一步地抽取現象的特徵作為計算
2021-08-12
| 程式人 | 林信良 | 程式學習 | 影子遊戲 | 主成分分析
從影子遊戲到主成分分析
關於資料的處理，可能會透過降低維度的方式來進行，但重點或許在於理解資料在不同維度的樣貌
2021-07-29
| 程式人 | 林信良 | 程式學習 | 機器學習
漫談機器學習入門
身為想了解機器學習的開發者，若要瞭解原始碼實現方式，背後數學原理，該如何進入這個領域？我們能以向量運算、矩陣運算、微積分等來思考，將數學與程式的心智模型結合
2021-07-22
| 程式人 | 林信良 | 程式學習 | 迴歸 | 感知器
淺談迴歸與感知器
透過迴歸（Regression），我們可以進行預估，而所謂的感知器（Perceptron），則與分類有關，我們可基於人類大量觀察的要點來建立
2021-07-16
