[Python] Google Deep Learning TensorFlow課程(二) -- 作業一 (下)

延續之前的作業，繼續往下寫XD~

[Python] Google Deep Learning TensorFlow 課程(二) -- 作業一 (上)

Google 大神開的課程還有放 sample code 和作業在Github上，邊念就邊把作業心得放來這邊衝文章數．

[Python] Google Deep Learning TensorFlow課程(一)

Deep Lerning在現在硬體計算能力增長的現在又開始火紅了起來．比起一般的Machine Learngin，Deep Learning在圖形，聲音，影片的辨識上又更強大．Google大神也將Deep Learning的套件開源出來叫做TensorFlow．TensorFlow是一個Deep Learning套件，希望能讓Deep Learning的使用更方便，更有彈性，而且能輕易套在產品上面．

[Spark] Spark TW 2015年最後一場活動

2015年的最後一場，也是SparkTW成立一週年，特別有意義的場子．不用特別報名，但是晚來就只能坐地板了！

2015年底最強壓軸檔 -- 時間：12/16號（三）晚上 7:30 -- 地點：大安站燦坤旁資策會九樓

非常有榮幸邀請到在Kaggle以及業界都相當有經驗的Mark Peng大大來跟我們分享他在參與比賽時的寶貴經驗．

[閒聊] 資料科學家的日常（外傳）

前幾個禮拜過去同事想了解傳說中的資料科學家到底平常在做什麼事情．報章媒體總是喧嘩的好像有資料科學家就能把大便變成黃金，但是身材其中就覺得根本不是這麼回事，就跟一般工作一樣有一堆鳥事要處理，所有神奇的東西都是血汗換來的．

直接放上投影片內容：

Data Scientist's Daily Life from Li-Wei Yang

相關閱讀：
[Python] 資料科學家的日常(一) Read Data
[Python] 資料科學家的日常(二) Clean Data-清理HTML標籤 l.html

[R] Gradient Descent(SGD) 演算法實作

圖片來源：http://en.wikipedia.org/wiki/Gradient_descent

先前的[Algorithm] Stochastic gradient descent（梯度下降法）作為Online Learning Model（即時訓練模型）(一)提到使用SGD的方式來跑linear regression。本文嘗試使用R來實作這段過程(但是範例是batch作業，非即時)：

[R] 各種相似性(Similarity) 演算法實作

圖片來源：http://blog.comsysto.com/2013/04/03/background-of-collaborative-filtering-with-mahout/

在推薦系統或是文字探勘中，常常會需要比較兩個人或兩篇文章的相似性，相似性有許多種測量的方式，每種測量方式都有它的特性和適用的地方，本篇文章用R來實作並簡單比較幾種常用到的相似性．

[R] 類神經網絡（neural network）套件實作

        最近很認真的Ｋ了Coursera上的machine learning課程，才稍微了解類神經網路（neural network）的運作原理（但是要自己implement演算法什麼的還是離我太遙遠）．不過我的精神就是，雖然沒吃過豬肉，好歹也要去看看豬走路吧．而且類神經網路是近年很流行的deep learning的基礎，瞭解一下不吃虧的．

[Algorithm] Stochastic gradient descent（梯度下降法）作為Online Learning Model（即時訓練模型）(二)

圖片來源：http://www.yaldex.com/game-development/1592730043_ch18lev1sec4.html

        昨天最後我們停在Cost Function，再複習一下他的樣子：

θ為迴歸係數，要求得θ的最小值，也就是求上述Cost Function的最小值，統計上的做法就是直接將上述式子對每個係數做偏微分=0就可以計算出θ．這個方法完全沒錯，但是今天我要介紹的SGD是另外一種概念．

[Algorithm] Stochastic gradient descent（梯度下降法）作為Online Learning Model（即時訓練模型）(一)

圖片來源：http://www.yaldex.com/game-development/1592730043_ch18lev1sec4.html

        因為數學不好，所以網誌成立以來一直沒有碰觸演算法相關的議題，但是隨著要分析的對象越來越複雜，可用變項指數成長，建模的時間也呈倍數縮短的情況下，還是要回到分析的根本--也就是數學模型來尋找突破的方法，所以開始認真的研讀演算法，這也是給予自己未來的目標，希望更深入的去了解常用的演算法．

[Python] K-means 分組 Script

圖片來源：http://www.mathworks.com/matlabcentral/fileexchange/24616-kmeans-clustering

        K-means是一種非監督式學習的分類方式，原理將向量空間中的點分成k群後，計算每個點到群組中心的距離，目的在於使點到群心的距離成為最小（參考資料：http://en.wikipedia.org/wiki/K-means_clustering，https://www.youtube.com/watch?v=aiJ8II94qck）．K-means因為容易理解，所以業界中也很常使用，本篇主要不是講解演算法，而是利用python中的sikit-learn套件製作一個小程式，讓使用者可以輕鬆的使用k-means演算法．

資料科學家線上自修課程-最近更新日期:2017-02-20

        現在線上免費的學習資源越來越多了!用本篇文章來整理有在使用的資源，有任何補充或推薦的網站也歡迎隨時留言，謝謝!

自修課程推薦-Coursera-機器學習基石 (Machine Learning Foundations)

         開始工作後，對於各種技術和實務上的知識需求都快速成長，為了讓自己能跟得上技術和知識的發展，在職進修是不可缺少的一環。但是攤開職訓局或市面上的培訓課程，多是各種熱門課程，例如語言、投資、理財、行銷企劃等，像資料分析這種國外玩到爛但是台灣還尚未成氣候的學科，市面上的資源可以說是少之又少。幸好今天我們可以透過網路來獲取全世界的教育資源。

        今天要推薦的就是目前相當火紅的線上學習網站-Coursera-其中的課程

機器學習基石 (Machine Learning Foundations)

(https://www.coursera.org/course/ntumlone)

課程由台大資訊工程學系林軒田副教授開設，特別介紹這門課的原因在於這除了是第一個由台灣教授開設的線上課程外，同時也是難得的中文課程，可以讓大家不用擔心語言差異來學習有關機器學習的課程。

         機器學習也是資料分析的一環，以消費者分類為例，有別於傳統人工的分類法，機器學習讓我們可以利用一些Cluster分類法將消費者分類並取得規則後，讓機器自動幫我們為其他的使用者來做分類，這稱為機器學習。優點是在面對"大量"並且"即時"的資料時，能夠由機器自動幫我們處理分類程序。

        這堂課林老師從理論出法，佐以各種例題給同學即時練習，無論是初學者或是完全沒碰過機器學習的人都能夠從這堂課中理解機器學習。

        同場加映另外一個有關機器學習的線上課程網站：http://work.caltech.edu/telecourse.html  這是機器學習大師Yaser S. Abu-Mostafa自己開設的線上學習課程，內容當然就是以機器學習大作"Learning From Data"為主。感謝網路的發明讓我們有機會直接上到大師的課程。