史戴拉寫扣

無論是哪種類型的數據(如數值、文字、圖像、音頻)，在進入機器學習模型之前，這些數據都會經過適當的預處理轉換成數值形式，然後進一步轉換成張量(Tensor)供模型使用。

若在部署 Hexo 時，出現無法打開「fsevents.node」的錯誤，可以試著用以下方式解決。

本系列是這本書「AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型」的學習筆記，並融入了我所補充整理的額外資料。

想了解 AutoML 的主要概念，請看 【AutoML】自動化機器學習 - AutoML入門。而本篇會介紹如何安裝 AutoKeras，並且怎麼用 AutoKeras 來訓練 MNIST 的圖像分類器和迴歸器。

本文詳細介紹了在 Windows 11 上啟用 NVIDIA MX450 GPU 的步驟，包括確認基本軟硬體、安裝 CUDA 和 cuDNN、驗證 TensorFlow 和 PyTorch 是否可使用 GPU。

本系列是這本書「AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型」的學習筆記，並融入了我所補充整理的額外資料。

這篇文章介紹了深度學習(Deep Learning, DL)的基本概念，及神經網路的結構和工作方式。以辨識手寫數字的神經網路為例，說明神經網路如何在不同層生成各種特徵，並最終結合這些特徵來進行預測。

Matplotlib 是一個強大的數據可視化工具，不僅可以用來繪製各種圖表，還能用來繪製複雜的結構圖，如神經網路圖。在這篇文章中，我們將展示如何用 Matplotlib 畫出一個簡單的雙層神經網路。

在 這篇 文章中有提到模型評估時，機器學習中迴歸模型的效能衡量指標是以模型預測結果與實際結果之間的差異來作為評估。常見的迴歸模型效能衡量指標包括均方誤差(MSE)、均方根誤差(RMSE)、平均絕對誤差(MAE)和決定係數($ R^2 $)。

本文介紹機器學習分類模型中的效能衡量指標，重點講解了混淆矩陣(Confusion Matrix)，及其相關的各種效能衡量指標，在 這篇 文章中提到模型評估時，機器學習中分類模型的效能衡量指標是以預測值和實際值的正確程度來作為評估。常見的分類模型效能衡量指標包括預測準確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1 Score 或 AUC。

本系列是這本書「AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型」的學習筆記，並融入了我所補充整理的額外資料。

本篇主要是介紹機器學習的工作流程，包含資料擷取、資料預處理、 模型選擇、模型訓練、模型評估及調整、模型部署及模型監控，並介紹 AutoML 基本概念。

要使用部分進階語法，需要先將 Hexo 的 Markdown 渲染器從 marked 更換為 markdown-it。若尚未完成此步驟，請看 Markdown 渲染器從 marked 換成 markdown-it 這篇文章。

本文在成功更換渲染器後，將詳細介紹更多 Hexo 撰寫文章的進階語法。這些語法包含了 Markdown 和 Hexo 的應用，如插入 emoji、代辦事項、數學公式、螢光筆效果、自定義提示區塊、Mermaid 圖表視覺化，以及 NexT 預設提示區塊。