| 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

| 傅立葉轉換 | 影像處理 | 程式人 | 林信良

傅立葉轉換與影像處理(下)

影像是二維的,我們處理當中的訊號時,可用二維的傅立葉轉換,是一種空間域與頻域之間的轉換。我們能透過這種作法,對圖像實現高通濾波、低通濾波等操作

2021-07-09

| 傅立葉轉換 | 影像處理 | 程式人 | 林信良 | 程式學習

傅立葉轉換與影像處理(中)

對圖像雜訊而言,有高頻與低頻之別,就灰階圖像而言,灰階值就像訊號的振幅值,像素的間距,就好比時間的間距。若想更清楚認識圖像頻率的意義,我們可透過傅立葉轉換的實作來進行

2021-07-02

| 傅立葉轉換 | 影像處理 | 程式人 | 林信良 | 弦波

傅立葉轉換與影像處理(上)

如果想要執行尋找圖像邊緣這類進階處理,我們必須了解傅立葉轉換,以便認識圖像頻率的意義,然而,複雜的數學公式令人難以理解,何妨從程式實作開始著手

2021-06-18