未來產業趨勢ptt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

數據為王 學會洞察數據，才是行銷之王

為了解決未來產業趨勢ptt的問題，作者王俊人CJWang 這樣論述：

後疫情時期必備的行銷新戰略 從台灣實際案例分析盲點與致勝點，易讀、易懂、易學！ 你是不是也有這樣的困擾？這一本《數據為王》解決你的煩惱。 做決定時，其實很心虛？ →找出關鍵洞察數據，證明策略佈局符合市場所需。 想踏入數據領域，卻徬徨無助？ →跟著被上百個品牌認證過的架構學習，快速提升數據思維。 想使用數據做行銷，但我的預算有限？ →帶你從44 個數據庫中，在預算內，挑選適合的數據夥伴。 滿天數據，哪個才是決策依據？ →一步步將數據轉為洞察，不再深陷數據海。 《數據為王》是王俊人CJ Wang的首部作品。 這是一本以內容行銷為主軸， 教你學會從巨量的、沒有頭緒的數據中找出「洞察」

並據以形成品牌經營和決策的實戰攻略。 這一本書包括7大洞察數據技巧×14個成功案例分析×44個數據工具推薦 CJ擅長於透過數據，解決難解的課題，包括陌生市場的客群分析和新興平台的定位研究等課題的解法，都被寫在這本書時，不強調任一數據庫，而是忠實的將每個案例中，他所使用的數據探勘方式與數據來源寫進本書。 CJ在書中傳授7大洞察數據的技巧，讓你能夠活用不同類型數據，並輔以成功案例實證不同數據在不同階段的作用，最後還提供精選的數據工具推薦，讓你能夠學會尋找不同數據庫為己所用，為自己的職能升級，策略賦能！ 本書特色 ‧ 累積16年的數據運用大全 比對16年成功和失敗的數據應用經驗，彙整出行銷產

業和數位轉型時，最需要的思維與工具。 ‧ 台灣經驗案例易讀、易懂、易學 從台灣實際案例分析盲點與致勝點，從「市場規模」、「顧客」、「競爭者」三大數據核心，建立正確的觀念原則，找到「有用、才會有用」的數據洞察。 ‧ 數據工具清單超好用 超過新台幣1000 萬的內容數據投資策略，萃取而出完整的數據工具清單，不僅學會應用還可快速提升數位戰力，強化職場競爭力。 各界好評聯手推薦 白崇亮｜前台灣奧美集團董事長 張志浩｜台灣邁肯行銷傳播集團董事長暨執行長 周振驊｜燒賣研究所創辦人

數據為王 學會洞察數據，才是行銷之王(博客來限量贈品版)

為了解決未來產業趨勢ptt的問題，作者王俊人CJWang 這樣論述：

後疫情時期必備的行銷新戰略 從台灣實際案例分析盲點與致勝點，易讀、易懂、易學！ 你是不是也有這樣的困擾？這一本《數據為王》解決你的煩惱。 做決定時，其實很心虛？ →找出關鍵洞察數據，證明策略佈局符合市場所需。 想踏入數據領域，卻徬徨無助？ →跟著被上百個品牌認證過的架構學習，快速提升數據思維。 想使用數據做行銷，但我的預算有限？ →帶你從44 個數據庫中，在預算內，挑選適合的數據夥伴。 滿天數據，哪個才是決策依據？ →一步步將數據轉為洞察，不再深陷數據海。 《數據為王》是王俊人CJ Wang的首部作品。 這是一本以內容行銷為主軸， 教你學會從巨量的、沒有頭緒的數據中找出「洞察」

並據以形成品牌經營和決策的實戰攻略。 這一本書包括7大洞察數據技巧×14個成功案例分析×44個數據工具推薦 CJ擅長於透過數據，解決難解的課題，包括陌生市場的客群分析和新興平台的定位研究等課題的解法，都被寫在這本書時，不強調任一數據庫，而是忠實的將每個案例中，他所使用的數據探勘方式與數據來源寫進本書。 CJ在書中傳授7大洞察數據的技巧，讓你能夠活用不同類型數據，並輔以成功案例實證不同數據在不同階段的作用，最後還提供精選的數據工具推薦，讓你能夠學會尋找不同數據庫為己所用，為自己的職能升級，策略賦能！ 本書特色 ‧ 累積16年的數據運用大全 比對16年成功和失敗的數據應用經驗，彙整出行銷

產業和數位轉型時，最需要的思維與工具。 ‧ 台灣經驗案例易讀、易懂、易學 從台灣實際案例分析盲點與致勝點，從「市場規模」、「顧客」、「競爭者」三大數據核心，建立正確的觀念原則，找到「有用、才會有用」的數據洞察。 ‧ 數據工具清單超好用 超過新台幣1000 萬的內容數據投資策略，萃取而出完整的數據工具清單，不僅學會應用還可快速提升數位戰力，強化職場競爭力。 各界好評聯手推薦 白崇亮｜前台灣奧美集團董事長 張志浩｜台灣邁肯行銷傳播集團董事長暨執行長 周振驊｜燒賣研究所創辦人

基於小樣本數據建立標註模型－以社群貼文為例

為了解決未來產業趨勢ptt的問題，作者顏碩均 這樣論述：

背景動機：近年來網路上文本數據急遽增加，分析文本成為各產業的趨勢，現有的深度學習能靠著文本和標籤進行分類預測，但標籤通常以人工方式進行標註，大量的數據以人工標籤方式並不切實際。另外，深度學習網路皆由多層神經網路層組成，訓練龐大數據相當耗時，然而在沒有這麼多標籤的情況下要建立實時且準確的標註模型非常困難。目的：為解決上述問題，本研究以小樣本建立標註模型，分別以兩個面向解決此問題，分別是數據建模前的提前篩選以及深度學習之小樣本模型，設立兩項目標：1.使用抽樣策略，減少模型訓練時所需樣本數量2.使用小樣本建立標註模型時，選擇最佳的深度學習法作為建模方法。方法：本研究收集了2019-2020社群網站

PTT Prozac版上文章作為數據，並以該文章分類作為模型訓練時的標籤，刪除了兩個標籤以外的文章，另外，文章最大字數只擷取至512個字元，字數超過的文章只保留前512個字元。數據經篩選後留下了1680筆文章，將其拆分為訓練數據840筆和測試數據840筆。處理文章以文本表徵呈現使用了BERT作為萃取工具，將一篇文章以768維度表示，在訓練模型前，處理過後的樣本透過六種選擇策略(熵、吉尼係數、分群、熵+吉尼係數、熵+吉尼係數+分群、隨機)分別以不同數量進行樣本的篩選，最後在遷移學習、主動學習、多任務學習以及元學習上建立標註模型，所有模型的優化函數為Adam，損失函數為交叉熵，學習率3e-6，批次

大小8，以上數值在每個模型中迭代10次。並以準確度、F1分數、召回率以及精確度做為評估標準。因此每種標註模型將會產生120種結果，協助判別各種組合在小樣本上的優勢與劣勢。結果：以方法進行實驗產生的120種數值表示，事先進行數據選擇的準確度，能夠比隨機抽樣高上3個百分點，並且使用熵作為抽樣方法最為穩定；另外，四種標註模型中，以元學習的準確度最高，在完整數據建模的準確度84.64%之下，元學習僅使用20%的樣本建模，準確度可達到78.45%。討論與結論：研究發現使用熵進行數據選擇並以元學習訓練模型，只需20%的數據能夠達到完整數據建模準確度的9成，透過小樣本建模達到高水準的標註能力，除了能解決模型

的運算時間之外，人工介入標籤的行為也大幅減少，並且以元學習的特性來說，其模型的參數還可以應用在不同領域中，大幅減少在個別任務中重新訓練參數的繁雜步驟，而與元學習同樣使用額外數據集訓練的多任務學習準確度較低，與文獻顯示一致，多任務學習較易受到不同類型的任務所影響，因此以元學習建立小樣本模型最佳。未來以小樣本建模的問題應還會持續存在，若自然語言處理尚未出現新技術，建議可以多嘗試多種特徵選擇策略，在建立模型前就使用相對具有建模意義的數據，增加模型準確度。