斷 FUSE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

玩轉字首字根：理科英文單字這樣記好簡單!

為了解決斷 FUSE的問題，作者清水建二,すずきひろし 這樣論述：

用傳統方法記單字，沒效率且老是背了就忘？ 碰到艱澀的理工醫、留考等專業領域單字直接想放棄？ 字源學習法權威「清水建二」指引最強字彙解方！ 以「理科重要字根 ╳ 通用字首」為基礎展開全腦鍛鍊 （左腦）單字拆解聯想字義 + （右腦）圖像輔助強化記憶 跨領域整合學單字，一般字、專業字全搞定！      　　將英文單字拆解成「字首、字根、字尾」來學習和記憶， 　　是非常科學、快速，且獲得英文教學及語言學專業人士認同的有效方法！ 　　關於此單字學習法的原理及創造的驚人效果無須贅述，坊間相關書籍亦多如牛毛， 　　如何從中挑選出最符合個人學習需求、且能發揮最高學習成效的一本才是最重要的！   　　日本字

源學習法權威大師、語言類百萬暢銷作者清水建二全新力作， 　　專為破解平時生活不常用到，卻在專業領域不可或缺的艱澀字彙而設計！ 　　無論是為了「升學、證照考」而不得不學這些不好記又不好發音之單字的「理科人」， 　　或是短期內需大量記憶學術領域字以通過 TOEFL, IELTS, GRE, GMAT 等留學考試的「準留學生」， 　　本書不只蒐羅應試必通重要單字，更傳授提高背單字效率及測驗時識字命中率的「方法」， 　　因為「理科特有英文單字」幾乎 100% 來自古希臘文或拉丁文， 　　所以用字源拆解的方法來記憶理科英文單字可發揮最大的效益！   　　★ 活用 175 組理科專業核心字根 ╳ 50 個

全領域通用字首， 　　再長再難的字也能經由拆解而推知字義！ 　　理科專業字彙在日常會話中較少使用，而且通常不好記又不好發音， 　　若用傳統方法死記硬背，大概也是反覆背了又忘，事倍功半！ 　　最好的方式是善用「字首、字根、字尾」進行單字拆解，有系統地聯想並推理出字義。 　　而依本書規劃，只要理解記憶一組字根，不但能同時學會5個以上相同字根的其他單字， 　　再藉由與字首、字尾的搭配組合，還能輕鬆推理出更多未知單字的意義！ 　　例如：adrenoleukodystrophy 這個非常艱澀的單字可拆解如下： 　　ad〔往∼的方向〕＋ reno〔腎臟〕＋ leuko〔白色的〕＋ dys〔不良〕 ＋ tr

ophy〔營養狀況〕   　　首先，由〔發生在接近腎臟處（＝腎上腺）的白色的營養狀態不良現象〕， 　　便可推得「腎上腺腦白質失養症」這一病名。 　　接著再針對 reno, leuko, dys, trophy 這些字根與其他字首字尾構成的相關單字群進行集中式學習， 　　更能反覆熟悉、輕鬆推理，無形中讓自己的詞彙量獲得爆炸性增長！    　　★ 結合「插圖」與「字源」的「全腦學習」， 　　將抽象單字具象化更容易理解，記憶更深刻！ 　　即便以字源拆解單字是最有效率的單字記憶方式， 　　然而記憶單純的單字列表不但容易忘記，且很難持續學習。 　　作者提倡「結合插圖與字源的學習法」，根據字源，將單字的抽

象意涵以圖像化表現， 　　亦即一邊以左腦理解單字根源，一邊用插圖將之深刻烙印於右腦的全腦式學習！ 　　例如「蒲公英」的英文是 dandelion， 　　如果利用這個外來語的音標硬背下來，恐怕時間一久就會忘得一乾二淨， 　　但若是將 dandelion 進行字源拆解為：dan(t) / den(t)〔齒〕＋ de〔～的〕＋ lion〔獅子〕， 　　讓左腦理解「蒲公英的葉子」很像「獅子的牙齒」，並進一步將之圖像化， 　　以視覺訴諸右腦，便可以記憶得更深、更牢、更長久。  　　 　　★ 文科人也需要的理科英文單字！ 　　舉例來說，你或許不認識也覺得沒有必要認識 nostalgia（思鄉病）這個字，

　　因為一般人在日常生活中只需要會 homesickness 即可溝通， 　　但是對於想進入如文學、社會學、心理學、人類學等專業領域的人來說， 　　nostalgia 是 TOEFL、GRE 等留學考試中必學的重要單字， 　　在文學、心理學中又被理解為「懷舊」，甚至發展出「懷舊理論」。 　　而此字的字根 algia 在希臘文中是「疼痛」的意思， 　　於是在醫學專業中，它又衍生出許多疾病名稱， 　　如 cardialgia（心臟痛、胃痛）、dentalgia（牙痛）、arthralgia（關節痛）⋯⋯ 　　由上例即可說明，許多理科單字其實也是幫助文科人跨過專業門檻的重要單字。 　　 　　此外，本

書雖然主要以理科背景人士之需求篩選核心字根及重要單字， 　　但藉由「字源筆記」中對於字源背景知識的說明及提點， 　　即使是一般文科人也能透過本書廣泛汲取許多有趣又有用的知識。 　　若再加上活用「圖像 + 字源拆解」的學習法來聯想和記憶單字， 　　漸漸地，你將發現自己竟然能夠推理字義，看懂生活中常見的科普、醫學用語。 　　

斷 FUSE進入發燒排行的影片

電腦視覺技術應用於手工具組裝之零件瑕疵檢驗

為了解決斷 FUSE的問題，作者鄭丞凱 這樣論述：

目錄摘要 IAbstract II目錄 IV圖目錄 VII表目錄 XII第一章 緒論 I1.1 棘輪扳手與零件介紹 21.2 棘輪扳手組裝流程 51.3 棘輪扳手組裝異常類型與瑕疵種類 71.4 棘輪扳手組裝之現行檢驗方式 181.5 研究動機與目的 191.6 論文架構 21第二章 文獻探討 222.1 自動化視覺檢測 222.2 組裝異常檢測 232.3 物件特徵比對 252.4 類神經網路模型 262.4.1 卷積神經網路(Convolutional Neural Network, CNN) 262.4.2 YOLOV4 (You O

nly Look Once)網路模型 272.4.3 基於區域的卷積神經網路(Region With CNN, R-CNN) 282.4.4 快速的基於區域的卷積神經網路(Fast R-CNN) 292.4.5 更快速的基於區域的卷積神經網路(Faster R-CNN) 302.4.6 基於遮罩的區域卷積神經網路(Mask R-CNN) 32第三章 研究方法相關原理 363.1 工件影像濾波 363.2 常見之物件偵測分類器 373.2.1 CNN網路模型 383.2.2 YOLO系列模型 393.2.3 R-CNN系列模型 40第四章 研究流程與技術應用 514.

1 工件影像拍攝 534.2 影像之ROI區域擷取 544.3 ROI影像之濾波處理 554.4 工件組裝異常之瑕疵種類特徵擷取 574.5 工件組裝異常類型之瑕疵種類的分類 604.5.1 物件候選區域選擇 614.5.2 CNN網路模式之特徵提取 624.5.3支援向量機的瑕疵分類 634.5.4 可疑瑕疵區域的邊界框回歸 644.5.5 瑕疵種類分類結果輸出 664.6 工件組裝異常類型之瑕疵種類的分類績效混淆矩陣 67第五章 實驗結果與分析 695.1 樣本影像說明 695.2 組裝異常之瑕疵檢測系統之發展 705.3 組裝異常類型之瑕疵種類分類績效指標

715.4 組裝異常之瑕疵檢測系統之R-CNN網路模型之參數設定 725.4.1 網路模型之學習率參數設定 745.4.2 網路模型之訓練批量參數設定 765.4.3 網路模型之優化器類型選擇 785.4.4 網路模型之訓練次數參數設定 805.4.5 網路模型避免過度擬合之判斷設定 825.5 組裝異常檢測之分類績效評估與比較 845.5.1 R-CNN系列模型比較 845.5.2 R-CNN系列模式與YOLOV4之檢測績效比較 895.6 敏感度分析 955.6.1 ROI區域大小對檢測效益之影響 965.6.2 影像亮度的變化對檢測績效之影響 975.6.3

工件擺放方式對檢測績效之影響 995.6.4 工件表面油漬量對檢驗績效之影響 1035.6.5 工件輸送帶速度對檢測績效之影響 1085.6.6 棘輪扳手單一分類器檢驗模型選擇 1135.6.7 同態濾波對檢測效益之影響 115第六章 結論與後續研究方向 1186.1 結論 1186.2 未來研究方向 119參考文獻 122表目錄表1 市售主要棘輪扳手之英制與公制規格 3表 2 1/2”36T棘輪扳手各組裝站之零件表 4表3 棘輪扳手組裝之各工作站的工作內容說明表 5表4 棘輪扳手組裝時可能產生的組裝異常類型說明彙整表 8表5 棘輪扳手組裝過程

可能的組裝異常類型與瑕疵種類彙整表 9表6 缺件組裝異常之瑕疵種類影像彙整表 14表7 錯置組裝異常之瑕疵種類影像彙整表 15表8 異物組裝異常之瑕疵種類影像彙整表 16表9 餘件組裝異常之瑕疵種類影像彙整表 17表10 取像限制說明表 21表11 本研究與物件偵測相關文獻比較表 35表12 本研究使用之網路模型比較表 48表13 本研究目前使用之遮罩與影像面積之比較表(單位:pixel) 55表14 灰階影像與濾波後影像之平均值及標準差比較表 57表15 以影像張數為基礎之棘輪扳手分類混淆矩陣示意表 68表16 棘輪扳手檢驗結果之混淆矩陣示意表

68表17 本研究組裝第一站之檢測樣本影像數量 73表18 本研究組裝第二站之檢測樣本影像數量 74表19 本研究組裝第三站之檢測樣本影像數量 74表20 採用不同學習率之檢測效益結果比較 75表21 採用不同訓練批量之檢測效益結果比較 77表22 本研究探討之三種優化演算法優缺點比較 79表23 採用不同網路模型優化器之檢測效益結果比較 79表24 採用不同網路模型訓練次數之檢測效益結果比較 81表25 R-CNN網路模型之預設值與較佳參數設定之比較表 84表26 第一站大樣本異常類型之瑕疵種類檢驗模型效益彙整表 86表27 第二站大樣本異常類型之瑕

疵種類檢驗模型效益彙整表 87表28 第三站大樣本異常類型之瑕疵種類檢驗模型效益彙整表 88表29 本研究組裝工作站之較佳網路模型效益彙整表 89表30 第一站較佳模型與YOLOV4之檢測效益比較表 90表31 第二站較佳模型與YOLOV4之檢測效益比較表 91表32 第三站較佳模型與YOLOV4之檢測效益比較表 92表33 第一站各網路模型之檢測時間彙整表(單位:秒) 93表34 第二站各網路模型之檢測時間彙整表(單位:秒) 93表35 第三站各網路模型之檢測時間彙整表(單位:秒) 93表36 採用不同遮罩大小之檢測效益結果比較 96表37 採用拍攝光

線強度之檢測效益結果比較 98表38 工件偏移角度之影像數量彙整表 101表39 棘輪扳手不同擺放角度之檢測效益比較表 101表40 ROI區域與油漬量之影像面積比較表(單位:pixel) 104表41 塗抹不同程度潤滑油之檢測效益比較表 106表42 靜態與動態拍攝之差異比較表 109表43 不同輸送帶速度之影像檢測效率 111表44 棘輪扳手動態視覺檢測系統之檢測效益比較表 112表45 棘輪扳手各站模型之正確分類率比較表 114表46 灰階影像與濾波後影像之影像像素比較表 116表47 第一站各模型有無經同態濾波處理之檢測效益彙整表 117圖目錄

圖1 市售棘輪扳手常見之產品銷售方式 I圖2 棘輪扳手的使用說明 2圖3 完成組裝之1/2” 36T棘輪扳手 3圖4 1/2”扭力頭寬度規格標示 3圖5 1/2”36T棘輪扳手之內部結構 3圖6 36T扭力頭實體圖(圓圈標示處為該零件之齒輪) 4圖7 葫蘆柄各組裝站之零件彙整 6圖8 棘輪扳手之組裝異常類型與瑕疵種類關係彙整圖 10圖9 第一站經組裝後各種可能的缺件組裝異常結果 11圖10 第二站經組裝後各種可能的缺件組裝異常結果 12圖11 第三站經組裝後各種可能的缺件組裝異常結果 13圖12 棘輪扳手檢驗實體圖 19圖13 同態濾波器的運算

流程 37圖14 CNN網路架構示意圖 38圖15 卷積方法示意圖 39圖16 池化運算示意圖 39圖17 YOLOV4網路架構示意圖 40圖18 R-CNN網路架構示意圖 41圖19 Fast R-CNN網路架構示意圖 43圖20 ROI pooling運算示意圖 44圖21 Faster R-CNN網路架構示意圖 45圖22 RPN運算示意圖 46圖23 Mask R-CNN網路架構示意 47圖24 研究方法流程圖 52圖25 本研究現階段使用之數量與零件 53圖26 本研究之硬體設備架設示意圖 53圖27 本研究前處理之影像平均值與

標準差 54圖28 本研究使用之五種遮罩大小 55圖29 使用同態濾波濾除拍攝時造成反光之像素變化 56圖30 灰階影像與濾波後影像之平均值及標準差曲線圖 57圖31 光源控制器數值下灰階影像與濾波後影像標準差比較表 57圖32 使用Matlab軟體內建之Image Labeler工具箱進行人工標...58圖33 完成標註之邊界框資訊 58圖34 棘輪扳手組裝製程中第一組裝站使用R-CNN網路模式之圖像標註流程圖 59圖35 第一站缺件檢驗之R-CNN網路架構的訓練程序 60圖36 R-CNN模型檢驗流程圖 61圖37 候選區域選擇示意圖 62圖38

特徵提取流程圖 63圖39 邊界框回歸原理示意圖 65圖40 邊界框回歸運算可能發生之失效結果 66圖41 瑕疵種類分類結果示意圖 67圖42 運用R-CNN網路模型之棘輪扳手檢驗辨識系統測試程序 67圖43 本研究之實驗架構圖 69圖44 本研究影像拍攝之設備圖 70圖45 本研究所開發之使用者介面 71圖46 不同學習率之檢出績效評估ROC曲線圖 75圖47 不同學習率之正確分類率折線圖 76圖48 不同訓練批量之檢出績效評估ROC曲線圖 77圖49 不同訓練批量之正確分類率折線圖 77圖50 不同網路模型優化器之檢出績效評估ROC曲線圖

80圖51 不同網路模型優化器之正確分類率折線圖 80圖52 不同訓練次數之檢出績效評估ROC曲線圖 82圖53 不同訓練次數之正確分類率折線圖 82圖54 本研究使用R-CNN網路模型之訓練資料損失曲線圖 83圖55 過擬合現象示意圖 83圖56 第一站R-CNN系列模型之ROC曲線圖 86圖57 第一站R-CNN系列模型之績效指標曲線圖 86圖58 第二站R-CNN系列模型之ROC曲線圖 87圖59 第二站R-CNN系列模型之績效指標曲線圖 87圖60 第三站R-CNN系列模型之ROC曲線圖 88圖61 第三站R-CNN系列模型之績效指標曲線圖

88圖62 第一站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 90圖63 第一站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 90圖64 第二站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 91圖65 第二站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 91圖66 第三站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 92圖67 第三站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 92圖68 R-CNN系列模型與YOLOV4之總訓練時間曲線圖 94圖69 R-CNN系列模型與YOLOV4之總測試時間曲線圖 94圖70

R-CNN系列模型與YOLOV4之單位影像測試時間曲線圖 94圖71 各站R-CNN系列較佳模型與YOLOV4之正確分辨率直方圖 95圖72 使用不同遮罩大小之棘輪扳手檢出績效評估ROC曲線 97圖73 使用不同遮罩大小之棘輪扳手正確分類率折線圖 97圖74 採用不同亮度拍攝棘輪扳手之檢出率與誤判率ROC曲線 98圖75 採用不同亮度拍攝棘輪扳手之正確分類率折線圖 98圖76 工件擺放方向示意圖 99圖77 原始影像之各角度擺放情況 100圖78 原始影像加入遮罩後各角度擺放情況 100圖79 棘輪扳手正向擺設角度之檢出績效評估ROC曲線 102圖80

棘輪扳手負向擺設角度之檢出績效評估ROC曲線 102圖81 棘輪扳手擺設角度之正確分類率折線圖 103圖82 第一站塗抹不同程度潤滑油之比較圖 104圖83 第二站塗抹不同程度潤滑油之比較圖 104圖84 第一站塗抹不同程度之潤滑油後加上遮罩之比較圖 105圖85 第二站塗抹不同程度之潤滑油後加上遮罩之比較圖 105圖86 第一站塗抹不同程度潤滑油之檢出績效評估ROC曲線圖 106圖87 第一站塗抹不同程度潤滑油之正確分類率折線圖 107圖88 第二站塗抹不同程度潤滑油之檢出績效評估ROC曲線圖 107圖89 第二站塗抹不同程度潤滑油之正確分類率折線圖 1

07圖90 棘輪扳手動態視覺檢測系統運作示意圖 108圖91 棘輪扳手動態視覺檢測系統硬體架設實體圖 110圖92 動態視覺檢測系統中不同輸送帶速度所拍攝之原始影像 110圖93 動態視覺檢測系統中不同輸送帶速度所拍攝之前處理影像 111圖94 棘輪扳手動態視覺檢測系統之ROC曲線圖 112圖95 棘輪扳手動態視覺檢測系統之正確分類率曲線圖 113圖96 棘輪扳手各站模型之正確分類率直方圖 114圖97 棘輪扳手各站模型之檢測時間直方圖 115圖98 有無經同態濾波處理對各模型之正確分類率直方圖 117圖99 有無經同態濾波處理對各模型之績效指標折線圖 11

7

音樂家的點子就是比你快兩拍：跟流行樂天才學商業創新思維

為了解決斷 FUSE的問題，作者帕諾斯．巴奈,麥可．亨里克斯 這樣論述：

★榮登2021年廊燈商業書獎（Porchlight Business Book Award）創意與創新類書籍決選名單 ★伯克利創意商學院（BerkleeICE）創辦人帕諾斯．巴奈（Panos A. Panay）與創新顧問公司IDEO全球設計主任麥克．亨里克斯（R. Michael Hendrix）聯手打造音樂人創意顯學 ★專訪全球知名歌手、樂團與製作人的創作和經營心法，比對Beats、PillPack、Sonicbids、Adidas、Block等知名企業成功案例，完美貫徹「音樂家精神」！ ★各章超值附錄：獨家精選歌單 ☆臺灣在地創業家與創作人齊聲讚歎☆ （依姓氏筆畫排序） 小　樹｜St

reetVoice 總監、 沙珮琦｜《音音有代誌》 總編輯 陳子鴻｜喜歡音樂總經理、臺師大流行音樂產學應用碩專班兼任副敎授 蔡佩娟｜鋼琴家、《鋼琴老師沒告訴你的24件事》作者 鄭緯筌｜「Vista寫作陪伴計畫」主理人 －－－－－－－－－－－－－－－－－－－－ 音樂家發想靈感的過程，在不斷變動的世界裡， 能作為觀察和應對世事的全新架構。 我們身處在這秩序瓦解又無從預測的亂世之中， 更該借鏡流行音樂創作者與製作人的成功經驗， 重新爬梳經商所需的思維和做事方法。 －－－－－－－－－－－－－－－－－－－－ 音樂家可能在不知不覺間，就掌握了商業創新的關鍵。「音樂可以教會我們什麼？或者，至少教會音樂

家關於商業創新的思維？」伯克利音樂學院（Berklee College of Music）負責全球戰略和創新項目的高級副總裁帕諾斯．班奈（Panos A. Panay），以及美國設計與創新諮詢公司IDEO的全球設計總監麥可．漢萑斯（R. Michael Hendrix），提出了這樣一個問題。因此，他們決定抓出藝術家和企業家共有的特質，開啟對創意萌芽的熱烈討論…… 從未留心的「寂靜之音」，是挖掘新意的第一扇門：冰島音樂精靈碧玉（Björk），從聆聽海浪、飛鳥的自然環境的聲響中，找到簡單清晰又充滿生命力量的旋律。她在冰島遭遇金融危機時，與奧度資本合作開辦創投基金，並以「情感盡職調查」深入瞭解被投

資者的情感與價值觀。而富比世最佳創投人榜傑出科技投資人張天民（Tim Chang），也依著這個工具洞悉被投資者的情商，挖掘提案者的膽識、自覺與警訊。 音樂人做demo、科學技術宅做測試版、企業家搞產品原型：電台司令（Radiohead）1997年發行《OK電腦》（OK Computer）大碟，透過任性而為的聲音實驗與嘗試，極具突破性地融合搖滾、交響樂與數位工法，橫掃當年各大專輯榜冠軍。想想第一代iPod那遜斃了的滾輪和首頁鍵到如今螢幕體驗更完整的新款iPhone，還有Square第一代醜到翻天的黑色塑料盒子與最新款小巧讀卡機，你會強烈意識到世上許多有名的科技產品，無時無刻都在疊代測試。 每

首歌曲的製作，都是一次跨領域的團隊溝通與磨合：知名製作人漢克．肖克利（Hank Shoklee）與提彭．柏耐特（T Bone Burnett）等人，從他們為數可觀的製作物裡汲取經驗，在一票樂手、歌者與不同合作夥伴間扮演溝通橋樑，點出作品最迷人的風采。企業與品牌大如經營者，小至專案企劃，都需要具備製作人般的跨域溝通能力，這也是創業家史帝夫．史托特（Steve Stoute）受字母控股、二十一世紀福斯公司等企業投資他新創公司的秘密武器。 與群體產生連結，把真正的商品留在幕後：1985年，皇后合唱團（Queen）的主唱佛萊迪．墨裘瑞（Freddie Mercury）在「拯救生命」演唱會上高歌〈波西

米亞狂想曲〉（Bohemian Rhapsody），與聽眾的來回對唱的畫面，讓全球十九億觀看這場演出的人為之瘋狂。一句簡單的「欸──喔──」，成了連結世界的引線。商界狂人理查．布蘭森（Richard Branson）更熟諳此道，無論是扮演濃妝豔抹的空姐來宣傳維珍航空公司，還是為了讓自家品牌的可樂露相，開著戰車撞倒可口可樂牆，他總是懂得先引發關注，再來賣他真的想賣的東西。 ＊＊＊ 透過音樂家的眼睛，我們能從本書一睹創意思維事發現場。經典如披頭四（Beatles）、大衛．鮑伊（David Bowie），乃至大賈斯汀（Justin Timberlake）、瑪丹娜（Madonna）和女神卡卡（Lad

y Gaga）等當代流行天王天后源源不絕的創作靈感以及擁抱多元的可能，都與Apple、Amazon、Adidas等知名企業的創新力與實驗精神，有著驚人的相似之處。 作者以無數訪談穿插紀實的方式，呈現了這個令人振奮的概念。無論是企業家還是創意發想者，都能從中找到可以付諸實踐的工具，並在變化萬千的世界中，發揮令人意想不到的創造力。 這不是一本經商之道的操作手冊，或「成功輕鬆七步驟」、「今天就試試這五十四招」之類的老哏。這是一場跨域對話，我們希望能為你帶來一些啟發。透過聆聽、實驗、合作、做樣本、製作、連結、混搭、感受等元素，讓創意發想變得更得心應手。從音樂反思各種事業與目標，甚至生活的任何面向都

可以！ ★臺灣創新好朋友，驚喜獻聲！★（依姓氏筆畫排序） 書裡訪問的音樂人完全沒有本地糾結多年的獨立主流之分，十分驚喜。期待我們能早日掙脫這桎梏，找到市場缺口找到產業新聲，釋放音樂被低估的潛力。 ──小樹｜StreetVoice 總監 別再說學音樂沒飯吃了！這本書就要告訴你：「音樂學得好，事業呱呱叫」！作者信手拈來都是經典案例，敘事生動、解釋清晰，讓你輕鬆掌握財富密碼（誤）就算只當個床邊故事看也很讚！推薦給喜歡音樂和喜歡聽故事的你！ ──沙珮琦｜《音音有代誌》 總編輯 音樂不只能夠陶冶心性，更可以為我們帶來許多有趣的創意和靈感。誠摯推薦閱讀《音樂家的點子比你快兩拍》，一起感受音樂的美好

。 ──鄭緯筌｜「Vista寫作陪伴計畫」主理人 ★外媒與創新名人，一致好評！★ 《音樂家的點子就是比你快兩拍》是首開先例之作，打破了商業和藝術互斥的常見迷思。音樂人有太多值得我們學習的創新和創意之道能用於經商，透過這本充滿開創性又引人入勝的書，帕諾斯．巴奈和麥克．亨里克斯精準點出這個時代欠缺了什麼。 ──艾美．柯蒂（Amy Cuddy），社會心理學家，暢銷書《姿勢決定你是誰》作者 一直以來我都認為，人生要成功，得有商業的紀律加上藝術的混亂。成功的音樂人都是創業家，傑出的商業領袖也都是藝術家。巴奈和亨里克斯就在《音樂家的點子就是比你快兩拍》裡證明了這一點。如果你想為追逐夢想找到一條阻力最

小的路，這本書非讀不可！ ──凱文．奧利里（Kevin O’Leary），美國真人實境秀《鯊魚坦克》投資人與董事，O’Shares ETF創投公司創辦 這本書在探討的其實就是創作歷程。以音樂為主要材料，佐以經營、領導、設計之道，再透過精彩的故事呈現，成果絕對能為所有想拓展創造力的人帶來莫大啟發。 ──提姆．布朗（Tim Brown），IDEO總裁，《設計思考改造世界》作者 學者早已知道音樂智能可以活化非線性的全腦，促進療癒、創造力與創新。不論你是改革者，創業家，或是想開發值得探索的新領域，重新想像人類意識未來演化及其無限可能，這本書都能為你指路。 ──狄帕克．喬布拉（Deepak Chop

ra）醫學博士 我們在這個世界如何行動，端視我們對這個世界的感知而定。巴奈和亨里克斯根據他們在伯克利的課程內容，讓我們看到不論你是誰，音樂人思維與設計師思維異曲同工，都能幫助你釋放靈感和創新力。 ──大衛．凱利（David Kelley），IDEO創始人，史丹佛設計學院創辦人 這本書探討的不只有創新。這或許是當代最刺激思考也最有想法的商管書，針對五十年來眾聲喧嘩的顛覆創新提出一家之言。 ──吉姆．錢比（Jim Champy），商管顧問，《企業再造工程》（Reengineering the Corporation）共同作者 傑出的流行音樂人必然兼顧了嚴謹的架構，自由的即興，無私的合作，獨特

的自我表達，以及藝術性和商業性。能夠一窺頂尖藝人的創作過程和經營思維，真是一大享受。 ──史考特．德希奇（Scott Dadich），《抽象：設計的藝術》影集創作人，美國國家設計獎得主，《連線》雜誌前總編輯 當個藝人不只要充滿想像力——想要創作歌曲並與世人分享，你也得運用想像力解決問題、與人合作、軸轉、拼事業。這本書讓我們看到，不論是創業家、教育者和任何想創新的人，像個音樂人一樣思考都能帶給你寶貴的收穫。 ──里希凱許．賀維（Hrishikesh Hirway），播客節目《金曲大解密》（Song Exploder）創始人與主持人 我們都知道創意對樂壇很重要，創新對商場很重要。只不過，要是創

意跟創新其實是一體兩面呢？《音樂家的點子就是比你快兩拍》正如同它所著墨的主題，是極富創意、十足創新，又趣味盎然的一本書。 ──厄文．伍勒達斯基—柏格（Irving Wladawsky-Berger），前IBM科技學院理事會主席，麻省理工斯隆管理學院特聘研究員

深層散射轉換在睡眠階段的分類應用

為了解決斷 FUSE的問題，作者徐志維 這樣論述：

睡眠是一件生活中重要的生理表現，而許多研究表明缺乏睡眠可能危害精神及物理 健康。為了正確理解大腦在睡眠中的行為，美國睡眠醫學學會提供一個診斷睡眠狀態 的作業標準。然而，標註標準的工作是繁琐且相當耗時的，因此，此論文的主要目標 便是發展一套自動並有高準確度的判讀系統。在本工作中，我們選用腦電波訊號 (EEG)、眼動訊號 (EOG) 與肌動訊號 (EMG) 的 頻率資訊，並透過數學方法及專家所提供的有效睡眠標籤，來分析不同睡眠階段之間 的差異。因應著該數道生理訊號的特色，我們選擇使用散射轉換來抽取頻率上的特徵，並利用典型相關分析強化不同訊號間的特徵相似性。完成特徵抽取之後，我們參考專家的睡眠標籤

，來分析各個睡眠階段在特徵上的分布狀況。為了讓計算機能夠學習到該分布狀況，我們使用非線性支持向量機作為計算機的學習器。應用我們的演算流程，我們從台灣智慧睡眠醫學整合資料庫中所提供的資料，讓我們能夠進一步的檢驗演算法的有效性。於此同時，我們也與文獻 [1] 進行正確性的比較。重要的結果是，我們只使用每間醫院約十筆的資料，就能去達成文獻中使用過百筆的表現，並有著約 80% 正確率的水平。