GloVe 詞嵌入模型
- By
Wayne
GloVe 是一種詞嵌入（word embedding）模型，透過 global co-occurence 統計來構建詞向量。與依賴 local context windows 的 Word2Vec 不同，GloVe 通過矩陣分解（matrix factorization）來捕捉詞語之間的整體統計關係。這種方法使 GloVe 能夠生成高質量的詞向量，有效地編碼語義和語法關係。本文將介紹 GloVe 的原理與訓練方法。
Browsing Tag
Python
45 posts
Word2Vec 詞嵌入模型
- By
Word2Vec 是一種用於學習詞向量（word embeddings）的模型，透過神經網路將詞彙與其語義轉換為向量。Word2Vec 提供 CBOW 與 Skip-gram 兩種訓練方法，並透過 Negative Sampling 和 Subsampling 技術提升效率。本文章將介紹 Word2Vec 的基本原理與訓練方法。
門控循環單元（Gated Recurrent Unit, GRU）
- By
門控循環單元（Gate recurrent unit, GRU）是一種 RNN，專門用來處理序列資料（sequential data）。與長短期記憶網路（long short-term memory）相似，它的設計目的是解決標準 RNN 長期依賴（long-term dependency）問題。
長短期記憶（Long Short-Term Memory, LSTM）
- By
長短期記憶（Long short-term memory, LSTM）是一種 RNN，專門用來處理序列資料（sequential data）。相較於標準的 RNN，LSTM 網路能夠維持有用的長期依賴（long-term dependencies）關係，以便在當前和未來的時間步驟中做出預測。
循環神經網路（Recurrent Neural Networks, RNN）
- By
循環神經網路（Recurrent Neural Networks, RNN）是一個專門處理序列資料（sequential data）的神經網路架構。RNN 利用循環連結（recurrent connections）來保留先前的輸出資訊，使網路在處理當前步驟時，能同時考慮過去的狀態。本文章將介紹 RNN 的基本原理。
卷積神經網路（Convolutional Neural Networks, CNN）
- By
卷積神經網路（convolutional neural networks, CNN）是一個基於神經網路（neural networks）的電腦視覺和影像處理方法。在本文章中，我們將介紹 CNN 裡各種層（layers）的原理。
多元分類神經網路（Multiple Classification Neural Network）
- By
多元分類神經網路（multiple classification neural network）可以分類多於一種類別。相較於二元分類（binary classification），在實務上是比較常被使用的。本文章將詳細介紹 multiple classification neural network 的理論。
神經網路（Neural Networks）與二元分類（Binary Classification）
- By
由於深度學習（deep learning）在近年來蓬勃發展，使得神經網路（Neural Network）熱門起來。它已經被用於解決各式各樣的問題。本文章將以二元分類神經網路（binary classification neural network）來詳細介紹 neural network。
邏輯斯回歸（Logistic Regression）
- By
Logistic regression 是一個資料分析技術，被用來做分類（classification）。它大概是分類演算法中最簡單的模型。因此，很適合當初學者的第一個分類演算法。
線性回歸（Linear Regression）
- By
Linear regression 是一個資料分析技術，且使用線性函數來預測未知的資料。雖然 linear regression 模型相對簡單，但它是一個成熟的統計技術。
