Embedded Files
機器學習（machine learning）
機器學習（machine learning）
監督式學習（supervised learning）[1]
非監督式學習（unsupervised learning）
半監督式學習（semi-supervised learning）
增強式學習（reinforcement learning）
人工智慧（artificial intelligence）
機器學習（machine learning）
表徵學習（representation learning）
深度學習（deep learning）
案例
Adversarial attacks on AI (2019)
What does a network layer hear? (2020) [2]
研究方法導論回顧
定性（質化）（qualitative）：what, who, which, where, whether, why, how?
定量（量化）（quantitative）：how much, how many, how frequently?
混合（mixed）
語言（詞彙）
程度差異➨類別差異（2017）：顏色
「炸」的閩南語有十個說法 （2019）
芬蘭語的雪到冰有分40種等級 （2022）
A. Ng and K. Soo, Numsense! Data Science for the Layman: No Math Added. 2017. p. 6.
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA: MIT Press, 2016. p. 9.
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA: MIT Press, 2016. p. 10.
迴歸（regression）
迴歸（regression）
C. O’Neil and R. Schutt, Doing Data Science: Straight Talk from the Frontline. Sebastopol, CA: O’Reilly Media, 2013. p. 60.
分類（classification）
分類（classification）
C. O’Neil and R. Schutt, Doing Data Science: Straight Talk from the Frontline. Sebastopol, CA: O’Reilly Media, 2013. p. 73.
統計學習演算法（statistical learning algorithms）
統計學習演算法（statistical learning algorithms）
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York: Springer, 2001. p. 13.
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York: Springer, 2001. p. 15.
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York: Springer, 2001. p. 16.
主成分分析（principal component analysis (PCA)）
主成分分析（principal component analysis (PCA)）
C. Weiß, M. Mauch, and S. Dixon, “Timbre-invariant Audio Features for Style Analysis of Classical Music,” in Proceedings of the 40th International Computer Music Conference, Athens, 2014, pp. 1461–1468.
我鼓勵你認真思考如何將 PCA 應用到自己感興趣或是熟悉的數據之上，並嘗試利用自己的世界觀以及領域知識，解讀 PCA 帶給你的分析結果。相信我，只要結合領域知識以及數據分析能力，你將獲得專屬於自己的全新洞見。
世上最生動的 PCA：直觀理解並應用主成分分析（2020）
F. Provost and T. Fawcett, Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. Sebastopol, CA: O’Reilly Media, 2013. p. 304.
Page updated
Report abuse