MaDi's Blog

最近在研究如何測試程式碼，以python的unittest模組為例，紀錄一下學習的心得。

非同步適合用於io密集型的任務，舉凡是網路端的操作、爬蟲…等等。非同步指的是平行處理，無須一一等待每個任務完成才能依序進行。

去年參加一堂D3.js的課程，在初步學完網頁前後端之後，發現在一堆資料中如何視覺化是一大學問，所以就開始D3.js的學習路程，簡單的紀錄一下筆記，給自己未來專案開發上的參考。

AI主要分為機器學習(Machine Learning)與深度學習(Deep Learning)，機器學習的數學整理於前一篇，而深度學習的基本數學整理於此篇，取自於台大大神李弘毅之線上課程，並記錄一些筆記提供給未來的自己做參考。

實務上常常會遇到overfitting的問題，所謂overfitting的意思是指在訓練過程中表現很好，但是在測試的結果卻表現很差。

也就是說模型訓練的太過複雜，把簡單的問題想得太複雜，導致產生一堆參數。
於是，就有人提出一個疑問，能不能夠讓複雜的模型倒退回簡單的模型呢?

而這就是 正規化(Regularization) 在做的事情。

談到AI，不外乎是機器學習(Machine Learning)和深度學習(Deep Learning)，機器學習主要是以演算法來達到人工智慧的目的，過程牽涉到許多數學，為了讓自己不要只是會呼叫套件，還得懂一點背後的數學，特別紀錄這篇網路上的教學，提供給未來的自己參考。

前陣子處理一個報名網站的專案，是利用剛學完的Node.js來做後端處理，資料庫採用Firebase，為了怕自己太常寫python而生疏Node.js，因此記錄了這篇表單傳送資料的心得以供未來的自己參考。

前陣子有參加一堂教Node.js+Firebase全端的課程，為了怕學完之後全部忘光，特別紀錄了一下自己學習的心得，以利未來需要用Node.js來開發的自己參考參考。

本文利用之前專案寫好的PTT爬蟲程式來抓取板上的資料，並將資料存進SQLite資料庫，再從中撈取資料作為分析，主要目的是想用機器學習的演算法來透過文章標題來預測這篇文章是出自於哪一板。

電影推薦系統實作

資料採用公開資料集 MovieLens 做為數據，這裡只用ratings.csv和movies.csv，並參考網路上的資源實作內容過濾與協同過濾的程式。