登入首頁
收藏 0
返回課程
20231225A
  • 電子商務資安教育研究
  • 20240922
  • 20240922A
  • CH0 電子商務
  • 20231113A
  • 20231113B
  • 20231113C
  • 20231113D
  • 20231113E
  • CH1 GOOGLE COLAB1
  • 20230911A
  • 20230911B
  • 20230911C
  • 20230911D
  • CH2 GOOGLE COLAB2
  • 20230918A
  • 20230918B
  • 20230918C
  • 20230918D
  • CH2 GOOGLE COLAB3習題
  • 20230923A
  • 20230923B
  • 20230923C
  • CH3 網路爬蟲取得資料1
  • 20230925A
  • 20230925B
  • 20230925C
  • 20230925D
  • CH3 網路爬蟲取得資料2習題
  • 20231002A
  • 20231002B
  • 20231002C
  • CH4 用PANDAS做資料前處理1
  • 20231016A
  • 20231016B
  • 20231016C
  • 20231016D
  • CH4 用PANDAS作資料前處理2
  • 20231023A
  • 20231023B
  • 20231023C
  • 20231023D
  • CH4 用PANDAS作資料前整理3與習題
  • 20231030A
  • 20231030B
  • 20231030C
  • CH5 常見的資料視覺化圖表1
  • 20231120A
  • 20231120B
  • 20231120C
  • 20231120D
  • 20231120E
  • CH5 常見的視覺畫圖表2與習題
  • 20231127A
  • 20231127B
  • 20231127C
  • 20231127D
  • CH6 探索性資料分析
  • 20231204A
  • 20231204B
  • CH07機器學習CH08線性回歸
  • 20231218A
  • 20231218B
  • 20231218C
  • 20231218D
  • CH09 機器學習KNN法
  • 20231225A
  • 20231225B
  • CH10 機器學習 K-Means
  • 20240108A
  • 20240108B
  • 20240108C
  • 台鐵40大站
  • 20240326A
  • 20240326B
  • 20240326C
  • 20240326D
  • 20240326E
  • 索引
  • 重點
  • 討論
  • 筆記
長度: 17:36, 發表時間 : 2023-12-25 18:12
觀看次數 : 260
  • 00:06
    1. index 1
  • 00:05
    2. Slide 1
  • 00:02
    3. 機器學習前準備— 以 Iris 為例
  • 00:00
    4. Slide 3
  • 00:00
    5. 先瞭解各行的標題與資料型別 → 檢查無缺失值的問題 → 刪除重複值 ( 共3 筆) 後重新編號列索引 → 將Species ( 類別) 欄位中的文字轉換成數值
  • 00:01
    6. Slide 5
  • 00:00
    7. 探索性資料分析得知,花萼及花瓣的長度與寬度等4 個特徵與類別具有重要的關聯性採用這4 個行資料做為機器學習的特徵值 (Feature)類別 (Species)作為標籤 (Label)。
  • 00:00
    8. Slide 7
  • 00:00
    9. 機器學習前實作— 以 Iris 為例
  • 00:00
    10. 9-2-1 提出具體的假設
  • 00:00
    11. 9-2-2 找出機器學習模型
  • 00:01
    12. Slide 11
  • 00:00
    13. 分割資料集機器學習用的資料集通常會分為兩堆一堆稱為「訓練用資料(Training Data)」,另一堆稱為「測試用資料 (Test Data)」。通常前者資料量會佔 80%,而後者則佔 20%。
  • 03:06
    14. ** after CH09-機器學習實戰 (二):用 K最近鄰法做分類.pptx
  • 00:02
    15. Slide 1
  • 00:04
    16. 機器學習前準備— 以 Iris 為例
  • 00:06
    17. Slide 3
  • 00:12
    18. 先瞭解各行的標題與資料型別 → 檢查無缺失值的問題 → 刪除重複值 ( 共3 筆) 後重新編號列索引 → 將Species ( 類別) 欄位中的文字轉換成數值
  • 00:03
    19. Slide 5
  • 00:13
    20. 探索性資料分析得知,花萼及花瓣的長度與寬度等4 個特徵與類別具有重要的關聯性採用這4 個行資料做為機器學習的特徵值 (Feature)類別 (Species)作為標籤 (Label)。
  • 00:01
    21. Slide 7
  • 00:01
    22. 機器學習前實作— 以 Iris 為例
  • 00:01
    23. 9-2-1 提出具體的假設
  • 00:02
    24. 9-2-2 找出機器學習模型
  • 13:17
    25. ** after CH09-機器學習實戰 (二):用 K最近鄰法做分類.pptx
附件
長度: 17:36, 發表時間 : 2023-12-25 18:12
觀看次數 : 260
附件
此教材已將討論功能關閉
筆記功能僅開放給課程成員,請先加入課程
Prev
CH09 機器學習KNN法
Next
20231225B