GCP vs AWS vs Azure：Machine Learning 介紹 (一) 對於大多數企業來說，機器學習看似與火箭科學一樣需要大量資金和人才，而事實上也的確如此。「一切皆服務」的趨勢正逐步影響這個複雜的領域，你可以在沒有太多投資的情況下快速啟動機器學習計劃。如果你是數據科學的新手，想先做初步的嘗試，這的確是正確的做法。 其中一個令人印象深刻的機器學習應用，是關於一個日本農民利用機器學習自動分類黃瓜，協助父母經營農園的故事。這不同於其他大型的企業，這個人既沒有機器學習的專業知識和預算，...

讓人工智慧變更好，加入 Google Crowdsource 貢獻你的智慧！ 自從去年 Google 將經營方針調整為 AI First 之後，不斷的推出了很多基於人工智慧、機器學習的應用服務，像是最近釋出的 Cloud AutoML 就是一個震撼彈，它將大幅降低人們進入深度學習的門檻。透過簡單的圖形化界面，非理工背景的使用者也可以輕易地將自己的訓練圖片上傳至雲端，透過 Google 強大的運算能力建立模型。 儘管目前可以依賴少量數據就建立出模型，不過對於資料研究的角度來說，能獲取大量數據是好事...

GCP vs AWS vs Azure：Machine Learning 介紹 (二) 既上一篇介紹完機器學習即服務和 AWS 預測分析，現在我們將延續介紹 Google Prediction API, Google Machine Learning Engine, Azure Machine Learning Studio。 Google Prediction API Google 在兩個部份提供 AI 服務：給資料科學家使用的機器學習引擎、高度自動化的 Google預測 API。但 Goog...

機器學習系統是如何被訓練的？(三) 在了解 AI、Machine Learning、深度學習的差異以及如何選擇正確且合適的資料後，我們來看看機器學習系統是如何被訓練的吧！ 監督式學習 Machine learning program 提供了帶有標籤的訓練數據，它可以告訴系統如何對示例數據進行分類，舉例來說: 顏色 重量 標籤 紅色 200g 蘋果 橘色 300g 橘子 綠色 150g 蘋果 這裡的每一列數據，都是由我們告訴系統：在給定兩個輸入(顏色和重量)的條件下，預期的輸出標籤應該是什麼(是蘋...

Google, Microsoft 和 Amazon 機器學習圖片/影片辨識 API 的比較 (四) 在上一篇帶您了解 Google, Amazon, Microsoft 在文字分析和翻譯 API 上的差異後，這一篇將帶您了解在圖片和影片辨識的領域中，這三間大廠 API 的特性與優劣。 圖像與影像處理 APIs: Amazon Rekognition Rekognition API 用於圖像以及最近的影像識別任務。 這其中包括了： •  物件偵測和分類（查找和偵測圖像中的不同物件並定義它們是什麼...

IBM 及其他 AI 服務 - Google, Microsoft 和 Amazon 機器學習比較系列 (五) 在前幾篇文章，我們為 Google, Amazon, Microsoft 的機器學習服務都提供了相當詳細的說明，來啟動機器學習實作，並在公司基礎架構中部署經過訓練的模型。還有一些其他來自新創公司的 ML-as-a-service 解決方案，並受到 PredicSis 和 BigML 等數據科學家的認可。那知名的 IBM Watson Analytics 呢？ 對於商業預測，IBM Wa...

在本教程中，您將探索一個結構化數據集，然後為機器學習 (ML) 模型創建訓練和評估數據集。 這是一系列教程中的第一部分; 您可以繼續第二部分：訓練模型和第三部分：部署 Web 應用程序。 您可以使用 Google Cloud Platform (GCP) 的 Cloud Datalab 進行數據探索，並使用 Cloud Dataflow 來創建您的數據集。作為資料來源的數據集儲存在 BigQuery 中。 以下是教程的架構： 目標 使用 Cloud Datalab 探索公開數據集。 執行查詢以從...

這篇文章中，您將使用 TensorFlow 的 high-level Estimator API 創建一個寬且深的機器學習預測模型。您可以透過上一篇文章：數據分析和準備中所創建的 CSV 文件在 Cloud ML Engine 上訓練模型。 架構 這篇文章將使用下圖中虛線內的元件： 成本 這篇文章將會使用到以下需付費的元件，包含： Compute Engine Persistent Disk Cloud Storage Cloud ML Engine 根據這個定價計算器，假設您花一天使用這些元件...

繼機器學習與結構化數據系列第一篇介紹了如何準備數據及分析之後，此篇文章將接續上一篇，介紹如何訓練模型。 定義輸入列 您必須為 Estimator API 定義 serving_input_fn 函數。此方法定義列以用作預測服務的 API 請求的輸入。輸入列通常與 CSV 文件中的輸入列相同，但在某些情況下，您希望接受與您在模型訓練過程中使用的格式不同的輸入數據。 通過使用此方法，您可以將輸入數據轉換為與訓練期間使用的表單相同的表單。預測的預處理步驟必須與您在訓練中使用的預處理步驟相同，否則您的模...

透過這篇文章，您可以透過運行在  App Engine 上的 Web 應用程式來使用 Prediction API，以進行線上預測。這將是機器學習與結構化數據系列文章的最後一篇，將接續系列二的訓練模型。 架構 這篇文章將用到下圖中虛線內的元件： 部署在 App Engine 上的 Web 應用程式來提供線上預測，並根據母親的相關背景資料，來提供預測嬰兒的體重基本數據。而這篇 Web 應用程式將使用部署在第二篇系列文的 Prediction API 作為其後端基礎。Managed ML Servi...

本文的內容是由數個教程所組成的概述，此系列教程將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlow 和 Cloud ML Engine 實作推薦系統 (recommendation system)。 本文內容將涵蓋： 概述以矩陣分解為基礎的推薦系統理論。 描述如何使用加權交替最小平方法 (weighted alternating least squares - WALS) 來進行矩陣分解。 提供系列教程概述，並提供在 GCP 上實作推薦系統的逐步...

本文是系列教程中的第一部分，將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlow 和 Cloud ML Engine 來實踐機器學習 (ML) 的推薦系統。而這個部分會介紹如何在開發系統上安裝 TensorFlow 模型程式碼並在 MovieLens 的資料集上執行模型。 本教程的推薦系統使用加權交替最小平方 (WALS) 演算法，而 WALS 包含於 TensorFlow 程式庫中的 contrib.factorization package，...

本文是多教程系列的第二部分，將展示如何透過 TensorFlow 和 Cloud ML Engine 部署機器學習 (ML) 推薦系統。在這個單元中，您將學習到：如何使用 GCP 中的 Cloud ML Engine 來訓練推薦系統，並調整其中的超參數。 這系列包括以下部分： 總覽 建立模型 (一) 如何在 TensorFlow 部署推薦系統：訓練和調校 Cloud ML Engine (二) (本教程) 運用 Google Analytics 數據 (三) 部署推薦系統 (四) 請先您閱讀系列...

本文是一系列教學的第三部分，向您展示如何利用 Google Cloud Platform(GCP) 中的 TensorFlow 和 Cloud Machine Learning Engine 實作機器學習 (ML) 推薦系統。本文將會介紹如何利用 Google Analytics 360 收集的數據，透過 TensorFlow 建模做到網站的內容推薦。 這一系列教學包含以下內容： 總覽 建立系統 (一) 訓練和調校機器學習引擎 (二) 運用 Google Analytics 數據 (三) (本教...

本文是教學系列的第四部分，教您如何在 TensorFlow 和 Cloud ML Engine 實行 machine learning (ML) 推薦系統。這個部分教導您如何在 GCP 上部署生產系統，並針對產品提供建議和定期更新推薦模型。 這個教學系列包括以下部分： 概要 創建模型 (第一部分) 訓練和調整 Cloud ML Engine (第二部分) 使用 Google Analytics 的數據來分析 (第三部分) 部署推薦系統 (第四部分) (本教程) 本教程中的推薦系統使用 WALS ...

隨著企業每年蒐集和分析的資料越來越多，傳統的基礎設施面臨挑戰，不僅是因為資料量變大，資料的來源也越來越多元，資料的內容和用途也和以往企業熟悉的不同。此外，內外部客戶期待能更快獲得成果，這也挑戰了傳統基礎設施的工具和實踐。 鑽研技術就是為了提供好的解決方案：將制式作業自動化讓您可以做更多更有價值的工作。雖然有許多方式可以做到這點，但人工智慧會是相對有價值的方法，尤其是機器學習，無論是公開使用或是依賴 ML 的省力工具或服務。 Urs Hӧlzle 是 Google 早期傑出的一位工程師，他現在負責...

之前的文章簡介了 AI、機器學習與深度學習。接下來我們會以生活化的情境說明傳統機器學習的方法。本篇首先介紹傳統機器學習中的「監督式學習」。 回顧之前文章提到的監督式與非監督式學習，兩者最大的差異在於資料是否預先被標註；如果有，則可說這個題目屬於監督式學習。演算法會由標註好的訓練資料學習並建構模型，以確定該給測試資料哪種標記。如 GCP 專門家開發的柴犬秋田辨識器，就是藉由已標記的資料去訓練模型。 監督式學習：迴歸 vs 分類 監督式學習最常處理的兩個問題：迴歸、分類。當你預測的目標為連續的數值，...

如前篇文章所述，監督式學習的演算法就是要學習得出一個方程式 y = f(x) 以表達資料集的分布狀況，讓我們之後匯入新的資料 (x) 就能做出相應的預測 (y)。這種方法通常也被稱作「預測模型」或「預測性分析」，而預測模型或預測分析的目標，就是盡可能地提高預測與實際結果的精準度（關於精準度的判斷，我們會在下期說明）。 本文針對機器學習新手簡述資料科學家經常使用的幾個演算法的基本概念，並比較其中幾項差異與優缺點。 迴歸的演算法 線性迴歸 Linear Regression、多項式迴歸 Polyno...

隨著客戶期待在線上和實體商店之間可以擁有無縫的購物體驗，零售電商業者正面臨轉型，客戶不僅希望更客製化，同時也期待能有推薦工具幫助他們更快找到所需內容，因此許多零售商正轉向雲端，透過新型技術來滿足市場需求。   Google Cloud 已經與全球零售商合作有效應對這些挑戰，包含 Carrefour、IKEA、Kohl's、Shopify、Target、Home Depot、Ulta、Bed Bath and Beyond、Designer Brands、Loblaw、METRO、Ocado 等品...

Google Cloud Next‘19 UK 剛於年底落幕，本篇文章將讓您快速瀏覽 Google Cloud 近期推出的重大功能及亮點。 搬遷、管理、現代化基礎架構 基礎架構是您的 IT 環境以及 Google Cloud 的基礎。先前 Google 推出了最新的通用型和負載優化型虛擬機系列，這意味著您可以搬遷和執行更多的應用程式，包括 3A 級遊戲、HPC 甚至是 SAP HANA。最近 Google 發布了許多功能能夠幫助您更快、更高效地使用它強固的網路基礎架構。 透過新推出的網路功能，透...

預測性維護 (Predictive maintenance) 有助於企業延長設備年限能否延長，藉由讓生產系統更加可靠，來減少設備的停機時間。在本系列文的前 2 篇文章中（第一部分和第二部分在此，歡迎讀者閱讀），我們確定了企業可能會想部署預測系統的原因，並說明了一般匯入預測系統的感應器和資料類型。在本系列文的第三篇也是最後一篇的文章中，我們將會解釋我們如何從 Google Cloud Platform (GCP) 各項產品中，建立一個完整的預測性維護參考解決方案，包括Cloud IoT Core、...

道瓊不僅是 Google Cloud 技術合作夥伴，亦提供全球眾多消費者和企業優質的新聞內容和商業資訊，它的出版物和產品包括「Factiva」、「Barron's」、「MarketWatch」還有美國最大的付費發行報紙「華爾街日報」。目前道瓊擁有逾 13 億則新聞，屬全球最大規模，由於它們希望能協助企業客戶數位化轉型，因此打造了 道瓊 DNA 平台，透過其強大穩定的 API 整合技術，提供靈活的優質新聞數據存取服務，為企業所需的進階分析和工作流程提供更強大的支援。 近期，道瓊與「Quantiph...

位居零售技術創新最前線的全通路零售商 Kohl's 不僅專注於提高流量、運營效率、提供無縫的全通路客戶體驗，更聚焦數位、行動裝置、超過 1,150 家實體商店的購物體驗。Kohl's 透過 GCP 的數據分析和機器學習工具，持續推動數據中心基礎設施，管理非常大規模的數據，並為客戶提供客製化體驗。 Kohl's 資深執行副總裁暨首席技術官 Ratnakar Lavu 表示：「Google 不僅擁有出色的技術人才，同時在自家廣告和搜尋引擎中有解決穩定性和規模化的經驗。Kohl's 在現今零售環境中不...

互聯裝置、擴增實境及機器學習等技術日益普及，改變了我們的購物模式，而零售商正不斷地發展業務來滿足客戶的需求。 越來越多零售商表示：消費者的期望持續成長，零售商越來越難達到消費者的需求 － 因此零售商必須改變，才能盡可能超出消費者的期待。這也是為什麼越來越多的零售商改採用雲端，透過雲端消除數據孤島並加以分析、利用機器學習全方面改善價值鏈，並利用可靠及安全的雲端基礎架構來擴展他們的業務。 雖然每個零售客戶都不盡相同，但許多客戶都有相似的目標。以下是零售商利用雲端的三大方法： 在雲端儲存及分析數據 數...

對新聞出版商而言，讓讀者能夠在數位內容上快速且精準取得感興趣的文章和廣告非常重要。以全球最大的大眾媒体出版商之一 ── Hearst 媒體集團旗下的新聞部門 Hearst Newspapers 來說，要將內容妥善分類，曾是非常艱鉅的過程。他們平均每天要分類 3,000 篇新文章，標記和分類都非常耗時，而且編輯團隊為了趕上進度，常常不得不將某些內容優先排序處理，而某些文章不予分類。 Hearst Newspapers 並未聘用更多的人力，而是透過 Google Cloud AI 有效解決了這個問題...

1999 年成立於東京的 DeNA 株式會社是日本最大的網路公司之一。在 DeNA 推出的即時對戰的卡牌遊戲《逆轉奧賽羅尼亞》裡，玩家需要策略性地構築牌組，在超過 3,000 個角色、多種技能中選出 16 個角色。可以想見這款遊戲對新手玩家的門檻之高；新手沒有太多機會練等，該遊戲的複雜度也導致流失率上升。而根據業者評估，流失率與收益多寡有直接相關：降低 30 天流失率能提升 10% 收益。因此，DeNA 使用 AI 為初學者創建了一個牌組推薦系統，並建立一個具有各種原型和實力的智能 AI 玩家來...

[實測] Google AutoAds結合Machine Learning讓掛廣告變得超簡單 前陣子 Google 宣布要來打擊討人厭的侵入式廣告，還給讀者一個乾淨空間，順便宣揚更友善的自家廣告。 這種做法顯然是建立在 Google 本身是搜尋引擎龍頭的地位，聽到這消息非常振奮人心啊，因為網站上的廣告氾濫終於要接受制裁了，每次等廣告載入都要等很久，有時候點叉叉還會不小心錯按，廣告這件事我可以接受，但是嚴重影響我看文章就不行啊！沒想到才沒幾天的時間，Google 接著在自家平台 Google Ad...

知名跨國消費品公司聯合利華 Unilever 擁有包括多芬 Dove、立頓 Lipton 和 Ben＆Jerry 在內的 400 多個品牌，是全球最大的消費品公司之一，業務遍及全球 190 多個市場。公司的核心目標是在環境和社會兩方面建立一個永續經營的業務，透過對話與消費者建立「一對一消費者關係」，這項價值 10 億美金的投資旨在建立專屬聯合利華的數據，而不再透過時程相對較久的廣告代理公司來取得資料，Google Cloud 在其中扮演至關重要技術支援的角色。

瞄準年輕族群商機，銀行業者今年紛紛打起消金補貼戰；除了有感的現金回饋以外，銀行也推出數位帳戶連結、網購外送優惠等方案搶食年輕小資族這塊大餅。消金一直都是金控的主戰場，今年起不僅數位銀行、純網銀加入競爭，連過去以企金為主的公股銀行也加入戰局搶發卡。 消金補貼戰，銀行搶獲客 補貼戰背後，如何「獲客」仍是消金業者最大的難處。這是一個供需問題；銀行不斷搶進之下，銀行的獲客成本自然持續上升，因此如何有效維持成本、提升營利空間變得非常重要。網路資訊和社群媒體興起成為影響決策的關鍵點；年輕人在辦卡前總是會上各...

聽過《劍靈：革命》、《天堂2：革命》和《BTS World》？這些知名的 MMORPG 都是世界最大手遊開發公司之一──網石 (Netmarble Corporation) 旗下的作品。Google Cloud 與網石的合作始於 2017 年，起初協助網石搬遷上 GCP，如今網石則借助雲端上眾多的工具和服務，解決更多遊戲業面臨的商業挑戰。 最近，Google Cloud 與網石的 AI 中心合作，該團隊負責公司所有 AI 相關導入。網石將 AI 導入基礎設施和營運後發現有各種好處；從團隊協作加速...