基礎深度的問題，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

機器學習的統計基礎：深度學習背後的核心技術

為了解決基礎深度的問題，作者黃志勝 這樣論述：

　　「作者在上市 IC 公司上班，每天面對 real world problems。探索如何建立輕量深度學習網路以及發展更有效率的學習方式是他每天的工作。這是一本學理及實務兼具的好工具書。」 － 中央研究院資訊科學研究所所長 廖弘源博士 推薦 　　[搭起 AI 與統計的橋樑] 　　原本統計學與人工智慧是兩個完全不同的領域，然而兩者在近代都有了新的發展進而產生連結。在人工智慧中導入機率與統計的觀念，讓電腦具有自己找出數據之間的關聯性並試圖解決問題的能力，因而出現機器學習 (machine learning) ，再加上電腦計算能力的大幅提升，解決多層類神經網路和大數據之間聯

繫性的可能，進而衍生出現今最熱門的深度學習 (deep learning)。 　　不過，大部分電腦相關科系出身的人並不熟悉統計學，因此在更上一層樓的時候容易遇到障礙。有鑒於此，小編在推出《機器學習的數學基礎》(天瓏專業書店年度暢銷第一名) 一書之後，就積極開發 AI 與統計學相關的書籍。在尋尋覓覓之後請到擅長統計與機器學習的黃志勝博士出馬撰寫《機器學習的統計基礎》，首要之務就是讓讀者不要視統計為畏途，因此在書中設計大量範例以降低學習難度，務求讀得懂、做得出來才容易吸收，進而搭好統計與機器學習的橋樑。如果自覺數學已經還給老師了也不用擔心，可以將本書搭配《機器學習的數學基礎》一併完整學習。 　

　[學會統計，由混亂到清晰] 　　本書從讀者在高中就學過的集合與機率論開始，帶您快速複習一遍，並將容易混淆之處多多舉例說明，並將以前似懂非懂的隨機變數、機率分布等觀念再解釋得更清楚。接下來就進入專有名詞特別多的統計學，這也是造成許多人暈頭轉向之處。特別是樣本估計、信賴區間、顯著水準、信心水準、t-分布、假設檢定...等讓人一個頭兩個大的主題，更是務求清楚明瞭。當然本書不可能把完整的統計學全都搬進來，此處只介紹機器學習、深度學習需要用到的統計基礎知識，縮短您的學習時間。 　　然後就進入機器學習的重頭戲，從資料前處理到迴歸、分類模型的建立，以及當數據的特徵數過多時的 PCA、LDA 統計降維法

。從類神經網路開始進入深度學習的範疇，包括前向傳遞、梯度下降法與倒傳遞學習法的手算實作，幫助讀者一步步建立深度學習的演算邏輯，並利用參數常規化解決模型過擬合 (over-fitting) 的問題。最後，導入模型評估，例如二元、多元分類模型評估指標、迴歸模型評估指標、4 種交叉驗證的方法，做為判斷模型好壞的參考依據。 　　相信讀者認真看完本書後，一定能建立起機器學習結合統計學的硬底子。當然這只是開端，期望讀者以本書為基石繼續前行。 本書特色 　　1. 打好機率與統計的基礎，快速釐清讓人容易暈頭轉向的統計理論。 　　2. 藉由大量範例說明，務求讀得懂、做得出來，才容易吸收。 　　3. 作者提

供專屬讀者天地，以及機器學習方面的文章供後續學習。  

基礎深度進入發燒排行的影片

數據驅動下之不動產價格分析與預測暨模型視覺化 - 以複數年之高雄不動產實價登錄資料為例

為了解決基礎深度的問題，作者黃信博 這樣論述：

不動產的取得往往需付出龐大的價格去取得，不管是平常生活起居的房屋、商業辦公的大樓，或者其他形式的不動產。而近年，外在經濟因素與環境因素，不動產成為投資工具，導致不動產價格呈現高漲不跌的型態。因而衍生了居住正義、都市更新等相關議題，儘管政府實施許多相關政策，但不動產價格還是容易受各種消息面影響，如何取得合理價格的問題仍然存在。過往有許多研究與文獻透過各種學理理論、政策制度層面、亦或是探討其他因素所帶來的影響，來評估不動產價格是否在合理區間。而比較少關注龐大的不動產數據中，眾多變數是否具有值得參考的價值提供給使用者。因此，本研究從臺灣經濟新報數據庫之不動產實價登錄系統，蒐集2019年7月至202

1年6月高雄市地區不動產數據作為研究樣本。基於數據驅動的理念，利用資料探勘技術中的分群方法，將資料檔內的數值型與非數值型的混合資料，以相關與距離兩判別要素，將資料檔內的變數予以集群，以失去微量的訊息量為代價，而達到變數減量之目的。如此，有利於建立後續的不動產價格分析與預測之模型。再針對不同集群建構混合線性迴歸模型進行不動產價格預估與各模型間比較。最後整合至R-Shiny，開發視覺化分析系統，作為結果之呈現。

深度學習之人臉影像處理：核心演算法與案例實戰

為了解決基礎深度的問題，作者言有三 這樣論述：

本書由淺入深、全面系統地介紹人臉圖像的各個研究方向和應用場景，包括但不限於基於深度學習的各個方向的核心技術。本書理論體系完備，講解時提供大量實例，可供讀者實戰演練。   本書涵蓋的內容非常廣泛，從基本的人臉資料集發展歷史和人臉檢測開始，分別講述在此基礎上進行的人臉影像處理的相關技術與應用，涉及身份識別、安全認證、人機交互和娛樂社交等領域。   本書共11章，涵蓋的主要內容有人臉圖像與特徵基礎、深度學習基礎、人臉資料集、人臉檢測、人臉關鍵點檢測、人臉識別、人臉屬性識別、人臉屬性分割、人臉美顏與美妝、人臉三維重建及人臉屬性編輯。   本書適合電腦視覺領域的初學者及所有在人臉圖像演算法領域想要有所提

高的工程技術人員、學生及教職工閱讀。讀者既可以將本書作為核心演算法書籍學習理論知識，也可以將本書作為工程參考手冊查閱相關技術。 言有三，真名龍鵬。2012年本科畢業於華中科技大學，後保研至中國科學院並於2015年畢業。先後在奇虎360人工智慧研究院和陌陌深度學習實驗室從事電腦視覺相關工作，積累了豐富的傳統影像處理演算法研究心得和深度學習專案實戰經驗。運營微信公眾號“有三AI”和知識星球“有三AI”等社區，內容覆蓋深度學習理論、深度學習開源框架、模型架構設計與優化，以及深度學習在電腦視覺和自然語言處理等領域的核心技術與應用，規劃並總結了AI演算法工程師的完整成長路線。出版了《深

度學習之圖像識別：核心技術與案例實戰》與《深度學習之模型設計：核心演算法與案例實踐》等著作。

頂升換底工程之研究-以台21線105K隆華新橋P5橋墩為例

為了解決基礎深度的問題，作者林哲臣 這樣論述：

橋梁頂升換底工法已為國內橋梁補強工程，處理基礎深度不足、墩柱受損、或提升抗洪、耐震能力等之常見手段。然因此為下部結構之補強工法，受環境、地質變異性，橋梁結構系統等影響，其設計與施工仍各有差異；台21線105K隆華新橋P5橋墩復建工程為少見之鋼箱梁橋頂升工程，同時其頂升段為曲率頗大之曲梁，更增加了工程難度。本研究以該復建工程為例，針對前述問題，對該工程之設計、施工考量以及最後施工結果進行說明與探討，冀能提供未來工程界換底工程參酌。有別於傳統換底工法，本研究案例嘗試以永久構件之法規要求，新設支撐系統，並以新設構架取代原單柱式墩柱結構；施工單位為降低過度頂升風險，嘗試以大約轉移80%靜載重為目標，

順利完成兩次頂升作業，不僅避免造成伸縮縫損壞，亦縮短頂升作業流程達20%。