Sass 除了能讓我們寫巢狀結構外，還能夠定義變數，非常簡單，以下範例大家應該可以很快能理解 Sass 變數的用法！
// 不使用變數
.header a {
color: blue;
}
.menu a {
color: #666;
}
.nav a {
color: blue;
}
.footer a{
color: #666;
}
分類: Uncategorized
Clustering and Segmentation 分群和分割
今天學習的主題跟機器學習有關，以下是簡單的筆記，初次理解可能有誤或過於粗淺，歡迎提出有問題的地方。
機器學習有兩種方法：
- supervised learning：監督式學習
- unsupervised learning：非監督式學習
首先是監督式學習：
假設我們給電腦一百張人臉照，同時也給它照片上的人臉是誰，而當我們在Test的時候，給電腦一張圖片，電腦能夠分辨出是否是人臉照以及這張人臉照是誰。
對比非監督式學習：
我們一樣給電腦一百張人臉，但是不給電腦任何標籤，由電腦自動去分群，並希望我們Test的時候也會得到跟上述一樣的結果。
Dimensionality Reduction降維
一張30*30px的圖，該維度就是900維，我們使用演算法（例如：PCA）來降維，將較多的變數縮減成較少的變數，但也能保留原data大部分資訊，降維後的資料，我們就可以將其表現在二維圖表上，進行後續的分析、分群等等，但有個缺點：只能分析原本的data，如果我們丟新data進去，電腦只會告訴我們大概會在這個圖表的哪個位置。
Generative Models 生成模型
我們給電腦一堆臥室的圖片，並且給電腦一組亂數，電腦就會依據我們給的亂數去排列我們給我臥室圖，而這個臥室的圖片每一張只改變一組亂數，所以會呈現出連續性。
[Radford, Metz and Chintala, 2016]
Segmentation 分割
一樣以圖形辨識舉例，我們有一張圖片，電腦有多種分割開圖片成元件的方法，可能是用人、樹、路分割開來，或者是人身、人頭、人腳等等，至於是否符合我們需要，則端看情境，而且電腦在元件的label上有時候會跟現實認知不同，例如人被label成車子之類的。