PlaidML

前陣子 Apple 發表了新筆電,卻僅止搭配 AMD GPU, 讓我滿心期待可以使用 NVIDIA 訓練 Tensorflow 模型的期望落空。(森氣😤)

在閱讀了這篇文章後,下載了 PlaidML 來試用,它有試驗級功能:支援 Mac + OpenCL GPU(Intel/AMD) 或是原生的 Metal API, 來訓練神經網路,好開心啊!

PlaidML 是一套開源機器學習加速庫,希望讓使用者透過 Keras APIs 直接使用(任何一家的)GPU 來運算,也就是支援 Intel/NVIDIA/AMD/Apple Metal. 看到這裡,不禁讓我有些心動,於是下載來試用。
http://vertex.ai/blog/announcing-plaidml

Continue reading

機器學習 – 馬力歐/MarI/O

https://www.youtube.com/watch?v=qv6UVOQ0F44
MarI/O - Machine Learning for Video Games

這部影片解釋了我們利用神經網路來玩馬力歐遊戲:

• 綠色線:表示連結為正值,遇到黑/白方格,繼續輸出同一顏色。
• 紅色線:表示連結為負值,遇到黑/白方格,輸出反相/改變動作。
• A/B/X/Y...Left/Right 對應搖桿上的按鈕,也表示賦予馬力歐的「動作」。
• 輸入為瑪莉歐的位置。
•中間連結單一結點神經元。
  1. 起始神經網路,隨機挑選一動作+線條: 白方格+綠線+Right
  2. 這表示一直讓馬力歐向右前進,直到其中一條神經網路的紅線+動作(譬如:A鍵)遇到方格,改變成為馬力歐的下一個動作(A鍵)。
  3. 反覆 1, 2 步驟,目標是極大化分數。

詳細步驟請參看影片說明。

• 啟發本文源自:https://www.analyticsvidhya.com/learning-path-learn-machine-learning/

讀後摘要 DpLRN with TF 2/E – part 1

Supervised LRN

  • 使用 labeled/pre-defined training data
  • 缺點:problem of generalization
  • 典型 workflow:
    1. 切分資料為:training, development/validation, test sets
    2. 使用 training set 訓練模型
    3. 訓練時,使用 validation set 驗證 training set, 減輕 overfitting. 以及 regularization 模型
    4. 使用(模型未曾見過的) test set 評估模型效能
    5. Tuning model based on hyper-parameter optimization
    6. Deploy best model into a production-ready environment
  • 有「分類」以及「迴歸」兩種:依照輸出是否為連續值來判斷。
  • 分類問題中,要注意「Unbalanced (input) data」:
    * Little unbalanced: 60% for one class, 40% for the other class
    >> 此時需要將 data 隨機分為三份:50% training, 20% validation, 30% testing

    Pasted Graphic 2

Continue reading

Kaggle 初體驗

近日開始練習 Kaggle 上的一些題目,意外發現官方的初學者教學,意外寫得好!(大開心😀)
教學主要分成 Machine Learning, R 語言, Data Visualization, Deep Learning 四個部分。

不推薦的話,良心會不安~ XD

kaggleBannder
注:本圖擷取自 www.kaggle.com/learn 網站

Data Science in Go

這篇就用來記錄在 Data Science 領域使用 Go 語言開發、應用的資訊。

Latest News

作者 議題
Running a Keras / TensorFlow Model in Golang
Putting Eyes on the IoT: Advanced Computer Vision Using Golang – 軟體工程師 Ron Evans 示範使用 GoCV – Golang OpenCV 3 library.
教學文 Linear Regression With Go

Learning Resources

Pic Description
Machine Learning with Go — 2017/10 月 Packt 出版,是第一本探討 Go 實作機器學習的書/教學影片。
Go Machine Learning Projects By Xyanyi Chew, December 2018 — Exciting breakthrough projects to explore capabilities of GO and Machine Learning.

Continue reading

Deep Learning Resources

機器學習 –
人工智慧(Artificial Intelligence)分支,透過演算法以及大量資料訓練出神經網路模型,並利用此模型進行預測。常見機器學習有三大類:

* 監督式學習/Supervised Learning
* 非監督式學習/Unsupervised Learning
* 增強式學習/Reinforcing Learning

應用範圍相當廣泛,諸如:
推薦引擎、定向廣告、需求預測、垃圾郵件過濾、醫學診斷、自然語音處理、搜尋引擎、詐騙偵測、證券分析、視覺辨識、語音識別、手寫辨識等。

深度學習 –
是機器學習的分支,目前成長最快的領域,常見架構有:
多層感知器(Multilayer Perceptron)、深度神經網路(Deep Neural Network)、卷積神經網路(Convolutional Neural Network, CNN)、遞迴神經網路(Recurrent Neural Network, RNN)等。

應用於:視覺辨識、語音識別、自然語言處理、生物醫學等領域。

Learning resources:

Continue reading