| 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
| 圖片雜訊 | OpenCV | 雜訊 | 圖片處理 | 程式人 | 林信良
淺談圖片雜訊處理
在圖片內容的處理上，如果我們想有效去除雜訊，必須先認識雜訊的生成方式，相對地，若出現雜訊，也意味著圖片失真，此時，我們可以利用像素的局部資訊，來達到去除雜訊之目的
2021-06-11
