練習

本頁面列出機器學習密集課程的練習內容。

大多數程式設計程式都會使用加州的住宅資料集

全部

2020 年 3 月,本課程開始使用使用 tf.keras 編寫的程式設計練習。如果您偏好使用舊版 Estimator 程式設計工作,請前往 GitHub

視框

進入機器學習領域

減少損失

使用 TensorFlow 的第一步

訓練集和測試集

驗證

功能十字

簡明易懂

分類

稀疏度正規化

類神經網路簡介

訓練類神經網路

多類別類神經網路

秉持公正

靜態訓練與動態訓練

靜態推論與動態推論

資料依附元件

程式設計

2020 年 3 月,本課程開始使用使用 tf.keras 編寫的程式設計練習。如果您偏好使用舊版 Estimator 程式設計工作,請前往 GitHub

視框

進入機器學習領域

減少損失

使用 TensorFlow 的第一步

訓練集和測試集

驗證

功能十字

簡明易懂

分類

稀疏度正規化

類神經網路簡介

訓練類神經網路

多類別類神經網路

秉持公正

靜態訓練與動態訓練

靜態推論與動態推論

資料依附元件

測驗您的理解程度

2020 年 3 月,本課程開始使用使用 tf.keras 編寫的程式設計練習。如果您偏好使用舊版 Estimator 程式設計工作,請前往 GitHub

視框

進入機器學習領域

減少損失

使用 TensorFlow 的第一步

訓練集和測試集

驗證

功能十字

簡明易懂

分類

稀疏度正規化

類神經網路簡介

訓練類神經網路

多類別類神經網路

秉持公正

靜態訓練與動態訓練

靜態推論與動態推論

資料依附元件

遊樂場

2020 年 3 月,本課程開始使用使用 tf.keras 編寫的程式設計練習。如果您偏好使用舊版 Estimator 程式設計工作,請前往 GitHub

視框

進入機器學習領域

減少損失

使用 TensorFlow 的第一步

訓練集和測試集

驗證

功能十字

簡明易懂

分類

稀疏度正規化

類神經網路簡介

訓練類神經網路

多類別類神經網路

秉持公正

靜態訓練與動態訓練

靜態推論與動態推論

資料依附元件