我們前面探討了不同的資料型態可以對應不同的迴歸模型。

不覺得每個迴歸模型都有那麼點相似的地方嗎？

繼續閱讀

上次我們講完了線性迴歸跟羅吉斯迴歸的差異。

可是並不是每一種資料都是連續型的或是類別型的。

這次要來介紹 Poisson 迴歸，當你要預測的是計數型資料（count data）就可以用他。

繼續閱讀

我們從前面的模型演化可以了解一個機器學習模型可以怎麼樣衍生出其他的變體來解決問題。

現在我們要切換到另外一條跑道上，我們一樣是從線性迴歸模型出發，我們或許可以換成其他的不同的分佈。

繼續閱讀

我們來回顧一下 SVM 模型。

繼續閱讀

雖然標題是說"標準" SVM，不過模型這種東西從來就沒有什麼標準，有的不過是變體。

所以這篇是要跟大家總結一下我們一般在用的 SVM 模型的預設值是長什麼樣子。

繼續閱讀

從前面的 kernel SVM 當中我們已經獲得了很強大的模型，可是他還是會有不足之處，像是當資料有雜訊的時候就容易將每個資料點都個別分開。

有時候我們反而希望模型在面對雜訊上不要那麼敏感，或是不要把每個資料點都分對，這時候怎麼辦呢？

繼續閱讀

注意：整篇文章極度數學高能！！

沒有把前一篇文章看完的朋友別擔心，我們會在開頭先回顧一下。在一番數學技巧的替換過後，我們的 maximum-margin classifier 會被化成一個最佳化問題。這個最佳化問題可以用二次規劃（quadratic programming, QP）來解。

繼續閱讀

上次我們完成了感知器的介紹，感知器也有他相對應的學習演算法：perceptron learning algorithm (PLA)。

不過我們今天沒有要講 PLA，我們來講講感知器的缺點。

感知器這個模型有很多的缺點，但是因為他是最簡單的模型，我們就放他一馬（？）。

繼續閱讀

感知器（perceptron）是在 1957 年就被發明出來的的模型，對電腦的發展或是人工智慧來說都是非常早期的。

感知器模型他是一個二元分類的分類器，他解的是分類問題。相對我們前面的線性迴歸解的是迴歸問題，兩者在問題的定義上有根本性的不一樣，那他們兩個有什麼關聯性呢？

繼續閱讀

這個模型大概已經被人講過很多次，講到都快要爛掉了XD

其實我自己在兩年前的鐵人賽中也有講過同一個模型，所以我就不用講太多基礎的部份：

繼續閱讀