排 氣 檢驗 地址的問題，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

日本買房關鍵字：日本宅建士教你赴日置產一定要懂的50件事

為了解決排 氣 檢驗 地址的問題，作者TiN 這樣論述：

　　2013年，安倍經濟學射出了三支箭，再加上同年申奧成功，引爆了台灣人對日本房地產的爆買潮。當時，在台灣專營日本不動產買賣的業者如雨後春筍般冒出，其中也不乏老牌房仲企業加入戰局。時至2022年，日圓大幅度貶值至20年來新低價位，再度引爆了外資瘋搶日本不動產的狂潮。同時，因為疫情封控等因素而急欲出逃的中國富裕階層，不，甚至連中產階級，都眼見機不可失，趁機入市搶日本房。另一方面，因為後疫情時代的通膨以及供需失衡，東京精華區的房價早已突破了90年代泡沫時期的新高點。在這樣的環境之下，究竟日本的不動產還能不能買？應該要怎麼選？投資難度更甚以往！ 　　本書的作者TiN長期居住在東

京，是資深房產投資家，也是位擁有日本不動產經紀人「宅建士」證照的日本房市專家。曾於台灣出版過三本東京不動產投資的相關書籍，這些書籍當時還被機構投資家以及專做日本線的房仲人員視為是入行的基礎教科書。此外，這三本書也幫助了許多當時赴日買房的投資者深入了解市場、閃避掉了許多風險。 　　後疫情時代，作者再次以尖銳的觀點、在地的視角、並結合最新趨勢，撰寫了《日本買房關鍵字》與《日本買房大哉問》兩書。本書《日本買房關鍵字》內容詳細分析在日本購買房屋時，有怎樣的產品可以選擇；交易過程時，會遇到怎樣的問題；房屋與土地有怎樣的法令限制；買房時，如何選擇建商以及房仲業者...等。同時，本書也詳細介紹投資時，不可

不懂的一些基本財務知識。 　　本書總共五大篇，50個關鍵字。這些都是在日本買房時，非常重要的基本觀念與知識。內容不浮誇、不勸敗、不唱衰、不高談闊論教你如何炒房賺大錢，但告訴你，日本買房不能不懂的知識與不可不知的風險。在你花上千萬日圓赴日買房前，不妨先花個幾百塊台幣購買這兩本書，就當作是日本買房前的「重要事項說明書」。相信這兩本書一定能幫助讀者更加了解日本不動產市場的整體輪廓，買屋決策時，能夠掌握全局、趨吉避凶。也期望各位讀者讀完本書後，能夠買到心中理想屋、投資順利賺大錢！ 　　一、自住篇～我在日本有個家 　　有土地的透天厝比較好？塔式住宅比較炫？ 　　本篇告訴你，日本有錢人喜歡哪種產品，你

又適合哪種產品！ 　　二、實務篇～交易過程全攻略 　　如何慎選幫你服務的業者？日本又有哪些口碑優良的大建商？ 　　筆者為你破解，怎樣的格局才是好屋，交易流程有哪些細節需要留意！ 　　三、算計篇～財務知識不可少 　　投報率越高越好？如何善用槓桿與套利交易獲取巨大財富？ 　　投資並不像你想得這麼單純，有些小知識，你不能不懂！ 　　四、法令篇～法條規則很重要 　　權力關係怎麼看？法令限制知多少？ 　　買房，一定要了解這些「你以為你懂，但其實你不懂」的法條與規則 　　五、投資篇～日本置業當房東 　　投資產品百百種，哪種產品會賺？哪種產品必賠？ 　　本篇教導讀者如何從五花八門的投資產品中，挑選出

最適合自己的物件！ 本書特色 　　◎華人圈最專業、詳細的日本置產工具書 　　◎產品・法條・財務計算，詳細剖析！ 　　◎達人親授，教你選間理想的房屋。 　　出版過多本東京買房暢銷書籍，且擁有日本不動產經紀人「宅建士」證照的房市專家TiN，告訴你買日本房該怎麼買！ 專文推薦 　　官柏志｜株式会社LANDHILLS董事長 　　黃逸群｜東京都心不動產董事 　　廖惠萍｜東京房東網集團會長 　　顏博志｜海內外房產專欄作家 　　（依姓氏筆畫排序）  

排 氣 檢驗 地址進入發燒排行的影片

台灣中部地區細懸浮微粒空氣汙染影響因素之層級研究

為了解決排 氣 檢驗 地址的問題，作者葉庭宏 這樣論述：

根據環保署統計，2016年12月開始到2017年2月間，全台大約有46%的天數是處在空氣汙染嚴重的情況下，由此可見台灣的空氣污染相當嚴重，而到底是那些因素造成空氣汙染日漸加劇呢? 雖有不少研究指出，發電廠距離、地理、季節等因素顯著地影響空氣品質，但對於這些外部因素如何影響各區域汙染源及影響程度則尚未釐清。 而本研究使用多層次分析模型來檢視外部因素對地區污染源的交互影響。利用airq.org.tw的中部監測站數據，檢驗季節、地形以及與發電廠距離等大範圍因素，是否增強各區域監測站的尖峰時段、汽機車密度、工業區距離對PM2.5數值？ 經由研究發現，工業區距離、汽機車密度跟尖峰時段這三種因素，

對於PM2.5並無顯著影響。在經過外部因素影響後，冬季以及位於盆地地形時會顯著影響PM2.5數值，但距離發電廠遠近並無顯著，因此透過分析能了解外部因素是否影響PM2.5。 本研究的結果有助於想更進一步了解其他外部因素對於空氣污染的影響，能有更多的假設及考慮方向。

模型思維：簡化世界的人工智能模型

為了解決排 氣 檢驗 地址的問題，作者龔才春 這樣論述：

對從事演算法研究與演算法開發的人來說，模型的學習與使用必不可少。尤其是在目前備受關注的人工智慧領域裡，人人談模型，新模型也是層出不窮，讓人眼花繚亂。   模型讓人又愛又恨：可愛的地方在於它確實能夠解決實際問題，而且其有效性一般都經過了檢驗；可恨的地方在於學習它是一件非常痛苦的事情，尤其是對人工智慧的初學者來說。   《模型思維》將人工智慧在現實生活場景中解決的問題分類，並根據這個分類來介紹各種模型。書中將人工智慧問題分為權重問題、狀態問題、序列問題、表示問題、相似問題和分類問題六大類，方便讀者瞭解各個模型之間的關係，也方便讀者理解各個模型的適用場景。   《模型思維》儘量更多地結合模型的使用場

景，更多地介紹實際業務需求之間的關係，更多地採用生活中淺顯易懂的例子，方便人工智慧的初學者學習模型。   《模型思維》不僅適合希望學習和運用人工智慧模型到具體應用場景的企業工程師、科研院所的學生和科研人員，也適合對人工智慧模型感興趣的讀者，説明其將模型思維應用到生活中。 龔才春 畢業於中國科學院計算技術研究所，工學博士學位；教授，博士生導師；長期從事人工智慧與人力資源等領域的研究。   中關村科金技術人工智慧研究院院長，職品匯創始人，大街網原首席科學家，阿裡巴巴原搜索研發專家。   在大資料採擷方面有許多成功經驗，創辦了大資料虛假簡歷識別平臺職品匯；在自然語言處理，尤其是語

義理解、知識圖譜等方面有深刻理解，中文幽默識別是其一個有特色的研究工作；曾負責淘寶評論的情感分析等工作。 第1篇 模型為什麼這麼神奇 模型是一個很常見的名詞。與人力資源管理相關的有漏斗模型、人才模型、定級模型等；與工程師相關的有線性回歸模型、隱瑪律可夫模型、LDA模型等；與業務相關的有價格預測模型、銷量預測模型等；與銷售相關的有SSM模型、銷售漏斗模型、銷售能力模型等；與行銷相關的有市場衝突矩陣模型、品牌五力模型、區域行銷模型等……但到底什麼是模型、怎麼選擇合適的模型、怎麼創新模型，則是仁者見仁，智者見智。 第1章 為什麼要建立模型 2 1.1 什麼是模型 2 1.2 無處不在的模型 4 1

.3 模型的意義 4 1.3.1 萬有引力定律 4 1.3.2 大陸漂移假說 5 1.3.3 日心說 5 1.4 模型都是對的嗎 6 1.4.1 模型可以是錯的 7 1.4.2 模型可以是未被證實的 7 1.4.3 模型可以是互相矛盾的 7 1.5 什麼模型是好模型 8 1.5.1 表示客觀事物的能力 8 1.5.2 簡化客觀事物的能力 9 1.5.3 評價模型好壞的模型 9 1.6 模型的演化 9 1.7 正確看待模型的價值與缺陷 10 1.7.1 正確看待模型的局限性 10 1.7.2 用歷史的觀點看模型 10 1.7.3 拋棄對模型的階級觀點 11 1.7.4 用發展的觀點看模型 11

1.8 本書的特點 12 1.8.1 對讀者的基礎要求 12 1.8.2 從場景出發講模型 12 1.8.3 從方法論的視角講模型 13 1.8.4 用類比的技巧講模型 13 1.8.5 避免讀者被數學公式嚇倒 13 1.8.6 避免“知識的詛咒” 14 1.9 本書主要內容 14 1.9.1 權重模型 15 1.9.2 狀態模型 15 1.9.3 序列模型 15 1.9.4 表示模型 16 1.9.5 相似模型 16 1.9.6 分類模型 16 第2章 模型的運用 18 2.1 用知識圖譜表示問題 18 2.1.1 知識圖譜的基本理念 18 2.1.2 建立知識圖譜的一般步驟 19 2.1.

3 問題的屬性研究 19 2.1.4 問題的關係研究 20 2.2 問題分析的示例 20 2.2.1 前提假設分析 20 2.2.2 已有資料的分析 21 2.2.3 待求資料的分析 21 2.2.4 關係分析 21 2.3 權重問題的判斷 22 2.4 狀態問題的判斷 24 2.5 序列問題的判斷 25 2.6 表示問題的判斷 25 2.7 相似問題的判斷 26 2.8 分類問題的判斷 26 2.9 模型之間的關係 27 第2篇 權重模型：計算你的分量 世界上的萬事萬物，紛繁複雜，讓人眼花繚亂。幾千年來，人類一直在試圖發現事物背後的共性規律。在電腦學者眼裡，世界上幾乎所有問題，最終都可以歸

結為權重計算的問題。 權重問題是一個通用問題，在各個學科中都已經有許多深入的研究，也有了許多計算各種各樣權重的方法。將這些權重計算方法進行整理並抽象，就簡化為模型了。 第3章 TF-IDF模型 33 3.1 應用場景 33 3.2 詞頻率—逆文檔頻率模型的計算 34 3.2.1 詞頻率模型 34 3.2.2 逆文檔頻率模型 37 3.2.3 TF-IDF模型 39 3.3 詞權重模型的平滑 40 3.4 引申閱讀 40 3.4.1 發明歷史 41 3.4.2 發明人簡介 41 3.4.3 最新研究 42 3.5 本章總結 42 第4章 線性回歸模型 43 4.1 應用場景 43 4.2 直觀理

解回歸問題 44 4.3 一元線性回歸問題 45 4.3.1 鋼軌長度與溫度的關係 45 4.3.2 判斷最合適直線的兩個原則 47 4.3.3 最小二乘法 50 4.4 多元線性回歸問題 52 4.5 標準方程法 53 4.5.1 一些符號定義 53 4.5.2 矩陣表示 54 4.5.3 參數求解 55 4.5.4 用標準方程法計算銀行授信額度 58 4.6 梯度下降法 60 4.6.1 梯度下降法的直觀理解 60 4.6.2 坡度最陡下山法 63 4.6.3 坡度最陡下山法的類比 64 4.6.4 梯度下降法的計算 66 4.6.5 銀行授信額度的計算 67 4.7 梯度下降法與標準方程

法的區別 68 4.8 引申閱讀 69 4.8.1 最小二乘法的發明 69 4.8.2 梯度下降法的發明 69 4.8.3 最新研究 69 4.9 本章總結 71 第5章 PageRank模型 73 5.1 應用場景 73 5.2 PageRank的直觀演算法 74 5.2.1 直觀理解 75 5.2.2 模型的初始化 77 5.2.3 模型的反覆運算 79 5.3 直觀演算法的漏洞修復 81 5.3.1 非連通漏洞 81 5.3.2 過河拆橋型漏洞 82 5.3.3 孤芳自賞型漏洞 85 5.3.4 過分謙虛型漏洞 85 5.3.5 隨機遊走模型 86 5.4 PageRank模型的計算 8

8 5.4.1 連結關係表 88 5.4.2 連結流覽矩陣 88 5.4.3 直接流覽矩陣 89 5.4.4 狀態轉移矩陣 89 5.4.5 反覆運算計算 90 5.4.6 計算示例 91 5.5 引申閱讀 92 5.5.1 收斂性證明 93 5.5.2 發明歷史 94 5.5.3 發明人簡介 94 5.5.4 相關研究 95 5.6 本章總結 95 第3篇 狀態模型：加官進爵的模型 事物是變化的，我們也要從意識形態上跟上客觀事物的變化，否則就會犯“刻舟求劍”的笑話。目前，最好的描述事物狀態改變的模型是自動機模型，又被稱為有限狀態自動機模型。 在電腦領域，有很多自動機模型的應用場景。例如常見

的正向最大匹配分詞演算法其實就是一個自動機模型；在自然語言處理中，中文分詞、語音辨識、詞性標注、字串查找、拼寫糾錯、模糊匹配等都是自動機模型的變種；在網路安全領域中，我們最熟悉的病毒掃描場景，很多都使用了AC自動機模型，這也是一種狀態轉移自動機模型。 第6章 有限狀態自動機模型 100 6.1 應用場景 100 6.1.1 Java詞法分析 100 6.1.2 Java詞法分析示例 101 6.2 直觀理解與形式化描述 103 6.2.1 自動機模型的直觀理解 103 6.2.2 形式化描述 105 6.3 詞法分析自動機模型 105 6.3.1 注釋識別自動機 105 6.3.2 保留字識別

自動機 107 6.4 位址解析自動機模型 108 6.4.1 位址解析場景概述 108 6.4.2 地址解析的難度 109 6.4.3 標準地址庫建設 110 6.4.4 位址識別自動機模型 111 6.5 引申閱讀 113 6.5.1 發明歷史 113 6.5.2 發明人簡介 114 6.5.3 最新研究 115 6.6 本章總結 115 第7章 模式匹配自動機模型 116 7.1 應用場景 116 7.2 形式化描述 118 7.3 BF模式匹配演算法 118 7.3.1 BF演算法的直觀理解 118 7.3.2 BF演算法的匹配過程示例 119 7.3.3 BF演算法的偽代碼表示 12

1 7.3.4 BF演算法的自動機模型 121 7.4 RK模式匹配演算法 122 7.5 KMP模式匹配演算法 123 7.5.1 KMP演算法的直觀理解 123 7.5.2 KMP演算法的匹配過程示例 125 7.5.3 移動長度的計算 127 7.5.4 KMP演算法的自動機模型 129 7.5.5 KMP演算法的總結 129 7.6 BM模式匹配演算法 129 7.6.1 後向BF演算法 130 7.6.2 實現跳躍式匹配 131 7.6.3 基於壞字元的模式匹配過程 132 7.6.4 壞字元匹配演算法的缺陷 137 7.6.5 好尾碼的匹配規則 138 7.6.6 BM模式匹配演算

法介紹 141 7.6.7 BM演算法的自動機模型 143 7.7 AC模式匹配演算法 143 7.7.1 TRIE樹的使用 144 7.7.2 TRIE樹的構建 145 7.7.3 失效指針的直觀理解 146 7.7.4 失效指針的設置示例 147 7.7.5 失效指標的設置演算法 150 7.7.6 AC演算法的匹配過程示例 152 7.8 Wu-Manber模式匹配演算法 153 7.8.1 Wu-Manber演算法的直觀理解 153 7.8.2 Wu-Manber演算法的總體思路 155 7.8.3 字元塊 156 7.8.4 後移長度陣列 157 7.8.5 字元塊的雜湊值 159

7.8.6 倒排鏈表 159 7.8.7 首碼雜湊值 160 7.8.8 Wu-Manber演算法示例 161 7.9 引申閱讀 163 7.10 本章總結 166 第4篇 序列模型：揭示現象背後的規律 序列模型，就是根據可觀察的現象序列，探索其背後不可觀察的神秘序列。我們能夠想到的需要探索現象背後的邏輯、本質、規律等，都可以歸結為序列模型。 第8章 隱瑪律可夫模型 170 8.1 應用場景 171 8.2 瑪律可夫鏈 171 8.3 隱瑪律可夫模型的定義 173 8.3.1 直觀定義 173 8.3.2 形式化定義 174 8.3.3 盲人與苔蘚的例子 174 8.4 兩個假設 176 8

.4.1 齊次瑪律可夫假設 176 8.4.2 觀察獨立性假設 176 8.5 評估問題 177 8.5.1 評估問題的應用價值 177 8.5.2 暴力求解法 178 8.5.3 前向演算法 179 8.5.4 前向演算法的形式化描述 185 8.5.5 前向演算法的演算法描述 186 8.5.6 後向演算法 187 8.6 解碼問題 190 8.6.1 暴力求解法 190 8.6.2 維特比演算法 190 8.6.3 維特比演算法的形式化描述 197 8.7 學習問題 198 8.7.1 監督學習 199 8.7.2 非監督學習 201 8.7.3 一個更簡單的EM演算法例子 202 8.

7.4 更好一點的演算法 205 8.7.5 直觀方法 206 8.7.6 Baum-Welch演算法 207 8.7.7 Baum-Welch演算法的偽代碼表示 212 8.8 引申閱讀 213 8.8.1 發明人簡介 213 8.8.2 最新研究 214 8.9 本章總結 215 第9章 最大熵模型 216 9.1 應用場景 216 9.1.1 語義消歧 216 9.1.2 音字轉換 217 9.1.3 其他常見場景 217 9.2 直觀理解最大熵 217 9.2.1 熵增加原理 217 9.2.2 熵的定義 218 9.2.3 不要把雞蛋放在同一個籃子裡 219 9.2.4 不要隨意添加

主觀假設 219 9.3 最簡單的最大熵計算示例 220 9.3.1 方程組求解 220 9.3.2 最大熵化 221 9.3.3 拉格朗日乘子法 221 9.3.4 骰子的概率計算 223 9.3.5 計算複雜度分析 225 9.4 形式化定義 226 9.4.1 經驗分佈 226 9.4.2 特徵函數 227 9.4.3 特徵範本 228 9.4.4 約束條件及其期望 228 9.4.5 條件熵 230 9.4.6 最大熵的定義 230 9.5 最大熵模型的計算流程 231 9.5.1 模型訓練 231 9.5.2 模型執行 232 9.6 平滑方法 232 9.6.1 拉普拉斯平滑 23

3 9.6.2 古德—圖靈平滑 236 9.6.3 Jelinek-Mercer平滑 238 9.6.4 Katz平滑 239 9.6.5 絕對折扣平滑 241 9.6.6 Witten-Bell平滑 241 9.6.7 Kneser-Ney平滑 242 9.6.8 各種平滑方法的演化關係 243 9.7 特徵選擇 245 9.7.1 基於閾值的特徵選擇 245 9.7.2 增量式特徵選擇 245 9.8 參數計算 246 9.8.1 參數計算的形式化 246 9.8.2 參數的數值計算 248 9.9 引申閱讀 250 9.10 本章總結 251 第5篇 表示模型：萬事萬物的表示 當人們在

看到某個事物或現象後，需要向沒有看到的人描述這個事物或現象時，就需要盡可能找一個讓對方可以接受並理解的方式來表示該事物或現象。對事物或現象的表示，是這個事物或現象區別於其他事物或現象的基礎，是進行轉述、分析、處理的前提。 到了現代社會，表示方法越來越普遍，使用也越來越頻繁。重大的科技創新，往往都是從表示方法創新開始的。 第10章 向量空間模型 256 10.1 應用場景 256 10.2 之前的文本表示方法 257 10.3 向量空間模型 258 10.3.1 文檔的詞袋化 258 10.3.2 文檔的向量化 259 10.3.3 詞項的權重計算 261 10.4 相似度計算 263 10.5

引申閱讀 264 10.5.1 發明人介紹 264 10.5.2 最新研究 264 10.6 本章總結 265 第11章 潛在語義分析模型 266 11.1 應用場景 266 11.2 LSA模型的計算 268 11.2.1 詞—文檔矩陣 268 11.2.2 奇異值分解 270 11.2.3 降維處理 272 11.3 結果的解讀 275 11.3.1 3個矩陣的物理含義 275 11.3.2 實驗結果解讀 275 11.4 為什麼LSA模型有效 277 11.5 LSA模型的應用 278 11.5.1 識別同義詞和近義詞 278 11.5.2 文檔的聚類和分類 280 11.5.3 跨語

言語義檢索 281 11.6 LSA模型的不足 282 11.7 引申閱讀 283 11.7.1 發明人介紹 283 11.7.2 最新研究 283 11.8 本章總結 284 第6篇 相似模型：誰與我臭味相投 在現實生活的許多場景中，都需要判斷兩個事物有多相似。各種事物之所以可以比較，是因為我們已經潛在地計算了事物之間的相似度。之所以稱這種相似度是“潛在的”，是因為我們以為是在尋找事物之間的差異，其實在尋找差異之前我們已經找到了相似之處。 第12章 相似模型 288 12.1 歐幾裡得距離 288 12.2 曼哈頓距離 289 12.3 切比雪夫距離 292 12.4 閔可夫斯基距離 29

3 12.5 馬哈拉諾比斯距離 293 12.5.1 用歐氏距離計算身材相似度 293 12.5.2 歐氏距離失效的原因 294 12.5.3 引入原因 295 12.5.4 方差與協方差 295 12.5.5 馬氏距離的定義 298 12.5.6 馬氏距離為什麼有效 299 12.6 皮爾遜相關係數 299 12.7 Jaccard相關係數 300 12.8 余弦相似度 302 12.9 漢明距離 304 12.10 KL散度 305 12.11 海林格距離 307 12.12 編輯距離 307 12.13 本章總結 312 第7篇 分類模型：物以類聚，人以群分 分類問題是我們在日常生活中

每時每刻都可能遇到的。分類也是所有決策制定的基礎，沒有分類，就不可能有決策的制定與實施。各行各業每天都在處理各式各樣的分類問題：高校要根據高考成績判斷是否錄用考生；HR要根據候選人簡歷判斷是否安排面試；公司CEO要根據市場情況及時調整產品戰略和銷售目標；農民要根據天氣、作物生長狀況等決定是否澆水、施肥；廚師要根據火候判斷菜品是否應該出鍋；司機要根據目的地和交通狀況決定是直行還是轉向…… 在現實生活中，我們可能遇到的分類問題千差萬別，可以對分類問題進行分類，從而使每一類分類問題可以用一類分類模型來處理。 第13章 感知機模型 315 13.1 應用場景 315 13.2 神經元的工作原理 317

13.3 感知機模型的原理 320 13.3.1 感知機模型的數學表示 320 13.3.2 感知機模型的分類原理 320 13.3.3 距離的計算 323 13.3.4 代價函數 323 13.4 參數訓練 324 13.4.1 梯度下降法 324 13.4.2 計算示例 325 13.5 引申閱讀 326 13.5.1 發明歷史 326 13.5.2 最新研究 327 13.5.3 與其他模型的關係 327 13.6 本章總結 328 第14章 邏輯回歸模型 329 14.1 應用場景 329 14.2 直觀理解邏輯回歸模型 330 14.2.1 邏輯回歸的目標模型 330 14.2.2

邏輯回歸模型的工作原理 332 14.3 邏輯回歸模型的計算 333 14.3.1 相關符號表示 333 14.3.2 代價函數 334 14.3.3 梯度下降法 335 14.4 引申閱讀 336 14.4.1 發明人簡介 336 14.4.2 發明歷史 337 14.4.3 最新研究 337 14.5 本章總結 338 第15章 樸素貝葉斯模型 339 15.1 應用場景 339 15.2 先驗概率和後驗概率 340 15.3 貝葉斯公式 341 15.3.1 全概率公式 341 15.3.2 逆概率公式 342 15.4 獨立假設 343 15.5 文本分類的案例 344 15.5.1

訓練樣本介紹 345 15.5.2 詞典與先驗概率 345 15.5.3 直接使用貝葉斯公式 346 15.5.4 拉普拉斯平滑 347 15.6 引申閱讀 349 15.7 本章總結 349 第16章 決策樹模型 350 16.1 應用場景 350 16.2 決策樹模型的直觀理解 351 16.2.1 猜數字的遊戲 351 16.2.2 猜動物的遊戲 352 16.2.3 決策樹模型要解決的問題 354 16.3 最佳決策樹 354 16.3.1 蠻力的方法 355 16.3.2 從數據中領悟審批原則 355 16.3.3 什麼是好問題 356 16.4 信息量的計算 357 16.4.1

資訊熵的定義 357 16.4.2 熵的計算示例 358 16.4.3 熵的單位 359 16.5 資訊增益與ID3演算法 359 16.5.1 條件熵的定義 360 16.5.2 資訊增益的計算 360 16.5.3 使用資訊增益選擇特徵 361 16.5.4 ID3演算法 364 16.6 資訊增益比與C4.5演算法 364 16.6.1 資訊增益比的定義 364 16.6.2 計算示例 365 16.6.3 C4.5演算法 365 16.7 基尼係數與CART演算法 366 16.7.1 基尼係數定義 367 16.7.2 基尼係數計算示例 368 16.7.3 CART分類樹演算法

372 16.7.4 CART回歸樹 373 16.8 引申閱讀 375 16.8.1 發明歷史 375 16.8.2 最新研究 377 16.9 本章總結 377 第17章 支援向量機模型 378 17.1 應用場景 378 17.2 一元支持向量機 379 17.3 二元支持向量機 383 17.3.1 實例場景描述 383 17.3.2 最佳分類面 384 17.3.3 最佳分類直線的函數形式 385 17.3.4 分類間隔的計算 387 17.3.5 最大化問題的數學表示 388 17.3.6 拉格朗日乘子法 389 17.4 支持向量機的對偶問題 391 17.4.1 SVM模型的數

學描述 391 17.4.2 SVM模型的對偶問題 392 17.5 支持向量機的參數求解 396 17.5.1 SMO演算法的形式描述 396 17.5.2 SMO演算法的整體思路 397 17.5.3 參數更新過程 399 17.5.4 乘子的啟發式選擇 401 17.6 引申閱讀 402 17.6.1 發明歷史 402 17.6.2 發明人簡介 403 17.6.3 最新研究 403 17.7 本章總結 404

空氣污染物對早發型糖尿病及糖尿病前期之相關性研究

為了解決排 氣 檢驗 地址的問題，作者黎友苓 這樣論述：

由於人口老化以及飲食習慣改變，糖尿病罹病率逐年攀升。近年來，空氣污染與糖尿病之間的關聯性已經被廣泛討論。過去幾個大型的前瞻性追蹤研究曾指出空氣污染物與糖尿病發生有顯著相關，然而研究成果卻不一致。此外，為了預防糖尿病的發生，研究建議應將對象提前糖尿病前期(Prediabetes, PreDM)者。但是，目前僅有少數研究針對非糖尿病患的空氣污染物暴露與血糖關係進行探討，且其研究結果亦不一致。因此本研究進行兩階段的空氣污染與糖尿病相關研究，首先利用大型次級資料分析探討30至50歲族群間空氣污染暴露濃度對糖尿病發生的風險。其次將研究對象前推至糖尿病前期者，評估長期空氣污染對糖尿病前期的罹病勝算。研究

一採回溯性追蹤研究，使用全民健康保險研究資料庫全人口檔，以2005年承保者為研究母群體，糖尿病發病定義係以2006年至2015年間曾有第二型糖尿病診斷之門診病患或因糖尿病住院之住院病患為新發個案。空氣污染濃度以研究對象之上呼吸道感染就醫地點利用一般克利金(Ordinary Kriging)法推估其空氣污染暴露濃度，空氣污染資料來自於2005至2010年環境保護署空氣品質監測網六大污染物如SO2、NO2、CO、O3、PM10及PM2.5。本研究以個案基線時間回推六年之空氣污染年平均濃度。再利用Cox比例風險模式(Cox proportional hazard regression analyse

s)進行各種空氣污染濃度對糖尿病發生的風險(Hazard ratios, HRs)估算，並進一步了解發生勝算間的劑量反應關係。同時，利用多變項邏輯斯回歸考量各種可能干擾因子校正後的結果。研究一的結果顯示，調整年齡、性別、社會經濟地位、都市化程度、溫度及濕度及基線的共病症後(模型三)，以上O3、SO2及PM10的每增加一IQR的暴露會增加第二型糖尿病罹病風險，其HR分別是1.058 (95% CI:1.053, 1.064)、1.011 (95% CI:1.007, 1.015)、1.023 (95% CI:1.013, 1.034)。進一步針對O3及SO2進行多污染物模式校正，結果顯示O3經過

SO2及PM2.5校正後，每增加一個IQR會增加1.093倍的第二型糖尿病發生風險(95% CI:1.087, 1.100)。而SO2同時NO2及PM2.5校正時有高達1.073倍的第二型糖尿病發生風險(95% CI:1.068, 1.079)；同時以O3及PM10校正時，每增加一個IQR，其第二型糖尿病罹病風險為1.025倍(95% CI:1.020, 1.030)。由以上結果顯示長期暴露於SO2及O3會增加30至50歲者罹患第二型糖尿病的風險。研究二採病例對照研究設計，病例組包含年齡40歲以上且符合美國糖尿病學會2010年糖尿病前期診斷標準者，或者空腹血糖介於100 mg/dL至126 m

g/dL且無被醫師診斷為糖尿病者。健康對照組來自於來自於2004年已建立之台北市文山區及士林區居民追蹤世代，以及於2009年在臺北醫學大學附設醫健檢中心及2014年於家醫科看診之民眾並排除缺漏居住地址者。病例組與對照組以性別及年齡±2.5歲進行1比1的頻率配對。所有研究對象皆以問卷進行危險因子資料蒐集，內容包含人口學資料、疾病史及生活習慣。同時進行身體測量及血液生化值檢測。空氣污染暴露評估使用2000至2017年環保署空氣品質監測網逐時資料估算每日平均濃度。並將個案居住地進行地理地址座標化，再利用地理資訊系統以其最近測站之各污染物24 小時濃度統計為日平均濃度(取16 小時以上有效數據)，再計

算為年平均濃度。最後，利用邏輯斯回歸(Logistic regression) 比較各種空氣污染濃度對糖尿病前期的罹病勝算比，進一步了解發生勝算間的劑量反應關係。研究二的結果顯示，在未校正任何危險因子時，SO2、O3及PM10顯示每增加一個IQR時糖尿病前期的罹病勝算比分為1.89 (95%CI 1.533, 2.323，p