前叉軟硬判斷的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

AI時代，設計力的剩餘價值：對象×流程×應用×能力塑造，人工智慧浪潮下的設計師生存攻略

為了解決前叉軟硬判斷的問題，作者薛志榮 這樣論述：

AI歷史×深度學習×互動設計×技術運用×未來發展 人總有疲累、犯錯的時候，但是AI永遠乖巧聽話； 你說AI不懂創意，只能做死板的工作？ 隨著科技發展，AI人性化程度也愈來愈高， 再不懂得提升自己，最後只能被人工智慧所淘汰！ 跨界設計師甘苦談，讓前輩把經驗向你娓娓道來！ 　　【人工智慧在紅什麼？】 　　．AI的誕生 　　1956年8月，在達特茅斯學院舉行的一次會議上，來自不同領域（數學、心理學、工程學、經濟學和政治學）的科學家一起討論如何利用機器來模仿人類學習以及其他方面的智慧，「人工智慧」正式被確立為研究學科。 　　．人機互動的發展歷程 　　60年前，人工智慧和人機互動就像藍綠一樣是

勢如水火的兩大陣營？ 　　明斯基：「我們要讓機器變得智慧，我們要讓它們擁有意識。」 　　恩格爾巴特：「你要為機器做這些事？那你又打算為人類做些什麼呢？」 　　．機器學習和深度學習 　　機器學習是一門涉及統計學、神經網路、優化理論、電腦科學、腦科學等多個領域的交叉學科，它主要研究電腦如何模擬或者實現人類的學習行為，以便獲取新的知識或技能，細分為：監督學習、非監督學習、半監督學習、強化學習。深度學習是機器學習下面的一條分支， AlphaGo正是採用了深度學習算法擊敗了人類世界冠軍，並促進了AI其他領域（如自然語言和機器視覺）的發展。   　　【人工智慧如何影響設計？】 　　．從圖片到影像，Ado

be Sensei平臺幫助設計師解決在媒體素材創意過程中面臨的一系列問題，並將重複工作變得自動化。 　　．看動畫總覺得某些場景崩壞？自動描線的技術能夠自動辨識圖像，並確定圖像的具體輪廓，進而完成描線的工作，大大減輕畫師的負擔。 　　．圖文內容的排版涉及大量的專業知識，包括視覺傳達、色彩與美學、幾何構圖等， Duplo透過模組化和網格系統快速把內容放入尺寸各異的幾千種頁面中，解決不同螢幕尺寸下的圖文排版問題。 　　【AI衝擊！設計師該何去何從？】 　　既然AI如此方便，設計師的存在似乎就可有可無了？ 　　．最容易被取代的三大設計，看看自己符合了哪些！ 　　．深耕藝術設計、個性化設計、跨界思考…

…六種方法助你永保飯碗！ 　　【比人還通人性！談AI的實踐】 　　．AI設計八大原則：個性化、環境理解、安靜、安全「後門」、準確性和即時性、自我學習與修正、有禮貌、人格設定。 　　．產品設計三要素：透過增強記憶、訓練思考和預測行動，將人工智慧最佳化。 　　．從圖形使用者介面（GUI）到語音命令裝置（VUI），為什麼要將GUI轉換為VUI？ 　　【未來五年，人工智慧的發展】 　　．智慧城市 　　下水道設計不良，一遇到暴雨瞬間變水上威尼斯？ 　　每次上路總是提心吊膽，深怕遇到馬路三寶？ 　　警力資源嚴重不足！誰可以代替交警外出巡邏？ 　　交通、能源、供水、建築……數位監控平臺將接管城市管理的工

作！ 　　．商場 　　對商場上的惡性競爭感到厭倦了嗎？透過AI技術，有錢大家一起賺！ 　　讓不同性質的店家組成一個體系，推播優惠券製造雙贏效果。 　　．家園 　　在家裡擺上一幅霍格華茲的胖夫人畫像不再是夢？ 　　Atmoph Window不僅能隨意切換內容，還能配合主題發出相應聲音，彷彿身歷其境！ 　　★特別收錄：跨界設計師甘苦談、針對使用者的人工智慧系統底層設計 本書特色 　　本書從技術角度切入，介紹當前人工智慧的相關知識，再圍繞商業、產品、使用者需求等多個角度闡述人工智慧與設計的關係，提出人工智慧設計的相關見解，同時也結合了作者本身的學習和工作經驗，對設計師在AI時代下的發展規劃

給予相關建議。

0-3歲育兒大寶典

為了解決前叉軟硬判斷的問題，作者細谷亮太 這樣論述：

新手爸媽必讀！ 家中多了一個新成員，讓你手忙腳亂嗎？ 你最想知道有關寶寶的食、衣、住、行等問題， 都能在本書中找到答案，可以安心陪伴寶寶成長。 　　◎母乳不夠寶寶喝，好煩惱！ 　　可以搭配配方奶，千萬別逞強 　　◎該用紙尿布還是布尿布才好？ 　　請視自己和寶寶的生活作息來決定 　　◎寶寶為什麼突然不吃副食品？ 　　如果寶寶沒有不舒服，別強迫寶寶吃沒關係 　　◎2～3歲的孩子變成搗蛋鬼，好頭疼！ 　　請尊重孩子的想法，以寬容的心包容吧 　　現代人初次生育的時間越來越晚，面對難得的新生命，新手父母都會想要給孩子最仔細而全面的照顧，本書包含各個層面，從事前應該做的準備到如何實際做，彷彿

身邊有一位經驗豐富的小兒科醫師，細細叮嚀、指導新手爸媽，該怎麼照顧孩子。 　　每一個步驟都詳盡而仔細，只要照著做，就算完全沒有經驗，也能學會如何照護剛出生的小寶貝！ 本書特色 　　●    收錄從媽媽準備生產，到嬰幼兒的照顧、哺乳和護理相關知識，細細解說，讓新手爸媽也能輕鬆學會照護嬰幼兒。 　　●    從寶寶基礎食衣住行、疾病災害意外、嬰幼兒身體狀態，到爸爸媽媽的心理健康，均替您細細介紹。 　　●    0～3歲的孩子該如何照顧，說明詳細，只要這一本就足夠！  

運用深度學習於定位肺結節電腦斷層影像之探討

為了解決前叉軟硬判斷的問題，作者黃依雯 這樣論述：

肺結節為早期肺癌診斷的重點，目前主要以胸腔電腦斷層(CT)掃描來檢測其健康狀況。由於醫生需要從許多 CT 影像中以人工比對方式來判斷病變的發生與否，因此本研究透過目標檢測方法來訓練深度學習模型，以輔助醫師診斷肺結節於影像中之確切位置，來提升診斷效率和準確率。 本研究主要分成五個部分，分別是肺部影像資料集之收集與篩選、肺部影像處理、影像手動圈選、深度學習模型的驗證與測試。本研究在肺部自動化影像處理是先將電腦斷層影像進行二值化、黑白像素轉換、洪水填充法與填補孔洞，接著將影像進行 LabelMe 軟體手動圈選後放入深度學習模型中。在深度學習的部分運用 Mask R-CNN 模型架構進

行訓練與辨識，另外，會再將影像放入 YOLO v4 模型架構中訓練並一同進行比較，模型測試指標使用平均類別精確度(mean average precision, mAP)以評估模型辨識影像的成效與準確率，最後再進行影像定位與辨識的結果比較。除了 mAP 數值之外，為了觀測兩種模型的學習效能，皆使用損失函數(Loss Function)與 PR 曲線(Precision-Recall Curve)作為評估模型學習效果的指標。 實驗結果顯示，將肺部原始影像與前處理後影像放入 Mask R-CNN 與YOLO v4 兩種模型中進行訓練及測試，其前處理後影像之辨識準確率比原始影像有更高，尤其在

Mask R-CNN 模型之 mAP 達到 65%的結果，經過模型參數調整後，原始影像的 mAP 從 0%提升到 33.67%，且在測試集的肺部影像上皆能準確的圈選及辨識出肺結節所在位置。在 YOLO v4 模型的部分與 Mask R-CNN 具有同樣的結果，前處理影像之準確率比原始影像更高；在 YOLO v4 模型中加入五折交叉驗證的方式後，525 張原始與前處理影像之結果遠比 478 張原始影像的結果來的好，mAP 從原始的 39.8%達到 63.32%，前處理影像的 mAP 達到 66.43%。在兩種模型接加入損失函數與 PR 曲線的觀測指標後，結果表示損失函數圖的曲線趨勢皆會隨著迭帶次

數增加從左邊的最高點急速下降，直到損失函數小於 5 之後趨於平緩；PR 曲線圖的趨勢皆會隨著精確度增加從左邊最高點緩慢下降，直到召回率小於 0.8 後急速下降且最後等於 0。 本研究結合 Python 程式語言、OpenCV 套件與運用深度學習模型架構等技術，建構一套自動辨識肺部影像的流程，未來可進一步應用於不同的醫學工程應用領域。