《🚀 數據領航員札記》

<領航員：韓昨非、陳永珅、吳啓榮>

<時間：2022/7/25>

<航行目標：MLP/ CNN / VGG/ RestNet>

一.<MLP>
平時我們在認知一件事情的背後其實是透過一連串簡單的if- else 邏輯判斷來分辨，但當資料龐大到一定程度時，if – else 的判斷就會變得非常複雜到無法透過一串邏輯來處理，這時候就必須透過MLP來讓判斷過程更加有條理，讓機器可以自行透過一些特徵來辨識事務。
MLP（多層感知機）也可以叫人工神經網路（ANN)，它是最基本的神經網路。在MLP還沒出現的時候，感知機無法將線性資料拆分」是一項非常大的缺點，但在有了MLP之後，過去的缺點都已消失不見❗️
雖然MLP看起來就像迷宮一樣讓人頭昏眼花，但了解其中的一些核心理論之後，MLP其實也不像大家想的那麼複雜難懂。接下來我們將詳細介紹MLP的基本觀念，讓大家可以更了解機器學習的核心概念，不再迷航在廣大的資料宇宙當中❗️

👉https://lihi1.cc/N1xsX/official👈

二.<CNN>
我們常常聽到卷積神經網路(Convolutional Neural Network, CNN) ，所謂「卷積」是什麼❓ 他是深度學習中一條非常重要的分支 ，並且能避免MLP攤平影像時導致局部資料遺失的問題， CNN 中 Receptive Field 的概念就是一次只看一小區塊，透過橫移、下移的方式來看完整張圖片，這樣一來就能夠保留空間結構，並從結構中萃取出特徵。
電腦視覺領域，便是因為它的關係在近幾年有了許多重大的進展，從過去手動標示特徵到現在CNN的出現，讓電腦視覺領域有了更自動化的結果！以上就是 CNN 的簡介，有興趣的話就跟著我們一起出航探險吧 ! 🚩

👉https://lihi1.cc/DxDVk/official👈

三.<VGG>
影像辨識，在現今的社會中，不斷地被使用。這項技術的成熟，提高了多方面的效率，不論是取代停車場代幣繳費的「車牌辨識」🚗，解決了原先代幣容易遺失的窘境，又或者是利用「人臉辨識」追蹤嫌疑犯，解決需要靠人力一一排查的繁瑣過程，諸多領域皆能透過影像辨識的使用達到大幅度的優化。
今天航行的目標—VGG影像分類便是在2014年於ILSVRC競賽中取得影像分類亞軍與影像定位冠軍的模型，該網路在ILSVRC嶄露頭角後，於2015的ICLR上正式提出，主要用更深更多層的網路架構，搭配小的卷積核以達到更出色的表現❗️以上就是 VGG 的簡介，跟著我們一起出航更深入了解VGG吧❗️

👉 https://lihi1.cc/ZD2M6/official👈

四.<ResNet>
ResNet-34 是以 VGG-19 做為基礎去修改而成，而他們都算是一種深度學習的網路模型，透過更小的卷積核，我們可以架構出更深的深度網路模型。但在不變更其他參數的情況下，不斷加深的過程中，會發現越深的模型會出現「退化」（defredation）的現象，所以此時就需要殘差學習的幫忙，讓輸出結果可以不要偏差太多。想要知道深度學習網路模型的所有秘密嗎？趕快點擊下方文章來了解更多吧！

👉https://lihi1.cc/suSwg/official👈

我們之後還會發更多有關資料科學的文章，大家記得追蹤數據領航員🚀喔！
👉https://medium.com/data-science-navigator👈

#數據領航員
#MLP
#CNN
#VGG
#RestNet
#韓昨非
#陳永珅