| 程式人 | 林信良 | 程式學習 | Java | Java 17 LTS

從Java 11到Java 17

新版Java問世,當中調整了LTS版本釋出週期、免費授權,以及對設計有重大影響的新語法特性

2021-10-28

| 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