使用Tensorflow Playground來學習神經網路
===

###### tags: `研討會`

:::info
- **Tensorflow Playground介紹:** 一個圖形化用於教學目的的簡單神經網絡在線演示、實驗的平台，非常強大地可視化了神經網絡的訓練過程
- **網址:** http://playground.tensorflow.org/
:::

:closed_book:Google的官方指南

- https://developers.google.com/machine-learning/crash-course/introduction-to-neural-networks/video-lecture

:dart: 學習目標
---
- 神經網路的目標就是通過訓練，知道藍色的點與橘色的點分別分布在那些位置
- 每組數據都是不同型態分布的一群點，數據中的點有2個類別:橘色與藍色

:books: 資料特徵(FEATURES)
---
- 每個點都與生俱來了2個特徵X1(橫座標)和X2(縱座標)，表示點的位置
- 七種可選擇特徵

:mag: 資料的分布
---
### 問題種類:分類(Classification)
#### 同心圓分布(Circle)

#### 交錯分布(Xor)

#### 兩群分布(Gaussian)

#### 螺旋分布(Spiral)
### 問題種類:迴歸(Regression)
#### 對角線
#### 交錯六群
---
## :bar_chart:可調整的條件:
- [x] ==1== 干擾的大小
- [x] ==2== 訓練數據與測試數據的比例
---
## :memo: 動手來做吧!
* **規則式的方法**(實驗傳統開發的方式):
將所有能夠想到的7個特征都輸入系統，並選擇只有1層的神經網絡

* **機器學習的方法**
只輸入最基本的特徵X1,X2，並選擇6層，每層有8個神經元的神經網路

---
## :computer: 偉大的神經網路

* 在處理分類顏色這樣的簡單問題時，使用規則式的方法來找出規則(特徵)餵給系統並不困難，而神經網路的偉大之處在於當處理困難問題時，想破腦袋也想不出有用的規則(特徵)，而神經網路自己能夠學習到那些規則(特徵)是有效的，哪些是無效的。
* 還不太懂，但有一天我懂得時候再來寫結論好了XD