Apr 13

[Note] Git Tutorial for Beginners

源自於此篇文章，翻譯並截取其重點: Git Tutorial for Beginners (linuxhint.com) Git 是眾多版本控制工具之一，為了幫助工程師在合作開發上有既定的流程維護專案，版本控制軟體是必須要求的技能。而 Git 緣起於 Linus Torvalds (Linux creator)，因為既有工具 BitKeeper 免費版本消失，他的團隊製作 Git，一個開源且擁有分散式系統架構的版本控制工具。與先前集中式系統的版本控制不同，Git 是透過 peer-to-peer 方式去追蹤當地端版本程式碼轉換，而先前集中式則需要中央伺服器集體控管。以下是在 Linux based 下安裝 Git 的步驟:

1 min read

Apr 1

CMU CS:APP Group Learning

Course info.: 15–213/14–513/15–513: Introduction to Computer Systems / Schedule Fall 2021 (cmu.edu) Guideline: 第 1 章重點提示 — HackMD What is Docker ? 什麼是 Docker？| AWS (amazon.com) What is WSL ? 適用於 Linux 的 Windows 子系統文件 | Microsoft Docs

Computer Science

1 min read

CMU CS:APP Group Learning

Course info.:
15–213/14–513/15–513: Introduction to Computer Systems / Schedule Fall 2021 (cmu.edu)

Guideline:
第 1 章重點提示 — HackMD

What is Docker ?

什麼是 Docker？| AWS (amazon.com)

What is WSL ?

適用於 Linux 的 Windows 子系統文件 | Microsoft Docs

Apr 1

[Updating] NTUT Machince Learning Course

以下以 Hackmd 來記錄每堂課程的投影片整理: 第一堂課主要介紹古典 AI 和近代 AI 的類型 Course 1 — HackMD 第二堂課簡介 Machine Learning，並將其分類成 5 種: Course 2 — Introduction to Machine Learning — HackMD 第三堂課主軸在敘說 Supervised Learning: Course 3 — Supervised Learning — HackMD 第四堂課粗略介紹機器學習工具 Scikit Learn: Course 4 — Scikit-learn — HackMD 第五堂課 VC Dimension (ML function 的複雜度): Course 5 — VC Dimension — HackMD 第六堂課為 Naive Bayes Classifier 鋪成介紹貝式定理以及相關決策: Course 6 — Bayesian Decision Theory — HackMD

Machine Learning

2 min read

[Updating] NTUT Machince Learning Course

以下以 Hackmd 來記錄每堂課程的投影片整理:

第一堂課主要介紹古典 AI 和近代 AI 的類型
Course 1 — HackMD

第二堂課簡介 Machine Learning，並將其分類成 5 種:
Course 2 — Introduction to Machine Learning — HackMD

第三堂課主軸在敘說 Supervised Learning:
Course 3 — Supervised Learning — HackMD

第四堂課粗略介紹機器學習工具 Scikit Learn:
Course 4 — Scikit-learn — HackMD

第五堂課 VC Dimension (ML function 的複雜度):
Course 5 — VC Dimension — HackMD

第六堂課為 Naive Bayes Classifier 鋪成介紹貝式定理以及相關決策:
Course 6 — Bayesian Decision Theory — HackMD

第七堂課 Naïve Bayes classifier:
Course 7 — Application of Bayes Theorem — HackMD

第八堂課 Parametric estimation (MLE, MAP, Bayes):
Course 8 — Parametric Estimation — HackMD

第九堂課講解多變量分析，一個實驗中有多個測量結果時，
探討資料彼此之間的關聯性或是釐清資料的結構:
Course 9 — Multivariable methods — HackMD

第十堂課 Density estimation 機率分布的重要性
Course 10 — Density estimation — HackMD

中間之後補齊

第十五講 Clustering algorithm
Course 15 — Clustering Algorithm — HackMD

Mar 13

[Note] Machine Learning (Lecture 6)

Deep Learning I believe you have seen lots of exciting results before. ex : Android, Apps, drug discovery, Gmail, Image understanding… Neural Network: 有 Input Layer, 多個 Hidden Layer, Output Layer。

Machine Learning

2 min read

Aug 21, 2021

[Paper] Failures in the Field : Symptoms, Causes, and Prediction Models

[StatQuest] Prediction Model — 剛好在看 ML 的 prediction model 所以就整理一篇 1) Logistic Regression 首先必須先談到 Linear Regression 透過給定值 (ex : weight) 去判斷對應值 (ex : size) 可能為何並透過計算 R² (代表 Data 是否符合有多少 percentage 符合並能剛好呈現在Line 上) p-value (判斷統計資料圖 …

Machine Learning

10 min read

[Paper] Failures in the Field : Symptoms, Causes, and Prediction Models

Aug 21, 2021

[Note] Linear Regression

目的是要由一給定值去得到預估對應值，若要求得此 function 必須經由下列3 項步驟 : 1. 使用最小平方差去找到一條線可以剛好對應這些 Data 2. 計算 R² (目的是去了解上步驟的猜測有多精準) 3. 計算 R² 的 p-value (判斷給定 Data 是否具有統計顯著性) 如何找那條線 ? 首先將 Data 布於 x-y graph 上劃一條線計算每點 Data 至那條線之平均最短距離平方差旋轉那條線，並繼續計算平均最短距離平方差轉360度後，選擇那最小差異值，便求得 Fit line 求得R² ? 每筆資料針對那條線求出 Var(fit) 之後再依照當前有的Data對應項求出其 Var(mean) 最後如下圖例所示 R² = [Var(mean)-Var(fit)] / Var(fit) R² 大小介於 0%~100% (越接近 100% 代表其 line 所預估的對應值越符合) R² 也代表有多少 percentage 的 Data 可以用這預估出來

Machine Learning

2 min read

[Note] Linear Regression

目的是要由一給定值去得到預估對應值，若要求得此 function 必須經由下列3 項步驟 :
1. 使用最小平方差去找到一條線可以剛好對應這些 Data
2. 計算 R² (目的是去了解上步驟的猜測有多精準)
3. 計算 R² 的 p-value (判斷給定 Data 是否具有統計顯著性)

如何找那條線 ?

首先將 Data 布於 x-y graph 上
劃一條線
計算每點 Data 至那條線之平均最短距離平方差
旋轉那條線，並繼續計算平均最短距離平方差
轉360度後，選擇那最小差異值，便求得 Fit line

求得R² ?

每筆資料針對那條線求出 Var(fit)
之後再依照當前有的Data對應項求出其 Var(mean)

計算變異數的方法

最後如下圖例所示 R² = [Var(mean)-Var(fit)] / Var(fit)

R² 大小介於 0%~100% (越接近 100% 代表其 line 所預估的對應值越符合)
R² 也代表有多少 percentage 的 Data 可以用這預估出來

Jun 28, 2021

[Note] Machine Learning (Lecture 3)

Review Gradient Descent We have to solve the following optimization problem Θ* = arg min L(Θ) L : loss function Θ : parameters 找 loss function 使得 Θ* 值越小越好 → 使用 Gradient Descent 上標 0 代表初始的那一組參數 0，下標 …

Computer Science

6 min read

Jun 13, 2021

[Note] Machine Learning (Lecture 2)

Where does the error come from? Error due to “bias” (位置差距) Error due to “variance” (變異數) 這也是導致估計值與實際值誤差的原因找到 sample data 的期望值，除以次數 N 可以得到 mean 而當 sample data 越多，Data 越集中於 mean

Machine Learning

4 min read

Jun 12, 2021

[Note] Machine Learning (Lecture 1)

本次課堂提到之問題為預測寶可夢 CP 值 Scenario : 根據已有Data 來確定 Scenario → Supervised Learning Task : 所預期得到輸出結果為 scalar，所以使用的 task 是 Regression Model : 可以用 Linear Model、Non-linear Model Regression ex : Stock …

Computer Science

6 min read

Jun 11, 2021

[Note] Machine Learning (Lecture 0)

What is Machine Learning ? Answer : Looking for a function from data 圖片文章來源 : The Difference Between AI, Machine Learning, and Deep Learning? | NVIDIA Blog AI, machine learning, and deep learning are terms that are often used interchangeably. But they are ...reurl.cc 人工智慧(目標) → 機器學習(達成目標的手段) → 深度學習 (ML方法之一)

Machine Learning

2 min read