風彼德萊恩之‪家‬ 李彼德, 蔡萊恩

從上述例子可以了解到針對很多語言上的應用，其實是需要網路有記憶功能，才有機會可以從前後字詞關係，去理解整個句子的意思，也就是語意理解的功能。因此，遞迴類神經網路(RNN)就是要去解決這樣的痛點而誕生的方法。
本篇文章為https://peterlihouse.com/%e9%a6%96%e9%a0%81/%e7%9f%a5%e8%ad%98%e5%88%86%e4%ba%ab/%e4%ba%ba%e5%b7%a5%e6%99%ba%e6%85%a7/%e9%81%9e%e8%bf%b4%e9%a1%9e%e7%a5%9e%e7%b6%93%e7%b6%b2%e8%b7%afrecurrent-neural-networkrnn%e4%bb%8b%e7%b4%b9/

為何要使用自編碼器?
自編碼器是一種自監督式學習(self-supervised learning)的方法，不需要像監督式學習(supervised learning)定義每筆資料的標籤(label)，因此，在訓練上是相對方便的一個技術。而待自編碼器訓練完成後，可學習資料的潛在表示法(latent representation)，可應用在異常檢測(anomaly detection)，圖像生成(image generation)等等領域。
本篇文章連結
個人部落格：
李彼德之家
粉絲專頁：
李彼德之家

那我們該如何尋找網路的權重呢?其實存在很多種方法，以最簡單而言，可以隨機給定一組權重，來看看結果好不好?如果不好，就一直反覆隨機嘗試不同權重。而這樣的方法，如果是非常非常簡單的模型，權重在非常少的數目下，確實有可能可以找到不錯的權重。可是如果網路越來越複雜，所需要決定的權重很多，我們就很難透過這種方法去尋找，因為最後就會發現排列組合太多了，根本難以找到最佳的權重。而反向傳播法正是為了要解決這樣的問題，透過從理論建立一套系統化的方法，讓我們可以很方便快速地尋找到最佳權重。
 本篇文章連結

本集節目聽完李弘毅老師的講解之後有感而發，再透過自己的想法整理出來，此篇內容也同時放在部落格上https://peterlihouse.com/%e9%a6%96%e9%a0%81/%e7%9f%a5%e8%ad%98%e5%88%86%e4%ba%ab/%e6%b7%ba%e8%ab%87%e6%9c%80%e8%bf%91%e9%9d%9e%e5%b8%b8%e7%81%ab%e7%b4%85%e7%9a%84chatgpt%e8%83%8c%e5%be%8c%e5%8f%af%e8%83%bd%e5%8e%9f%e7%90%86%e6%a9%9f%e5%88%b6%e7%82%ba%e4%bd%95/
歡迎有興趣的朋友們參考看看。

在做結構設計時必須要先了解所使用材料之力學性質，而這時候就需要透過判讀實驗所獲得之應力應變圖，來了解材料性質，以下就透過幾個常見的應力應變圖問題，來了解應力應變圖。
本集節目內容為部落格之文章，
其連結為https://fryanblog.com/%e6%b7%ba%e8%ab%87%e7%a7%91%e5%ad%b8/%e7%94%a88%e5%80%8b%e5%95%8f%e9%a1%8c%e5%b8%b6%e4%bd%a0%e4%ba%86%e8%a7%a3%e6%87%89%e5%8a%9b%e6%87%89%e8%ae%8a%e5%9c%96/
歡迎大家有興趣進一步了解，來部落格觀看文章。

梯度基本上是用在多變數函數上的一個數學方法，對於多變數函數而言，每多一個變數就會多一個變數的斜率，梯度等於是描述在多變數函數在每個變數上斜率，因為每個變數代表不同方向，所以梯度具有方向性才能完整描述多變數函數在各個斜率上的變化。
本集節目內容為部落格之文章，
其連結為
https://peterlihouse.com/%e9%a6%96%e9%a0%81/%e7%9f%a5%e8%ad%98%e5%88%86%e4%ba%ab/%e9%a1%9e%e7%a5%9e%e7%b6%93%e7%b6%b2%e8%b7%af-%e5%8f%8d%e5%90%91%e5%82%b3%e6%92%ad%e6%b3%95%e4%ba%8c-%e6%b7%ba%e8%ab%87%e6%a2%af%e5%ba%a6/
歡迎大家有興趣進一步了解，來部落格觀看文章。