標籤word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

我們的語言：應用、爭議、修辭

為了解決標籤word的問題，作者紀蔚然 這樣論述：

　　沒有語言，事物無法現身。 　　貫通任督二脈的語言學秘笈   　　標點符號左右文意  稍有不慎便後悔莫及 　　錯置逗點要人命  不加分號打官司  驚嘆連連鬧離婚  　　語言癌問題不小  語言潔癖也是病 　　話語痙攣人人有  殭屍名詞殺不完 　　追求完美穩失敗  但人總想把話說得更好 　　可惜語言滑溜如泥鰍 　　揭示時遮掩  隱瞞時泄漏  　　唯有透過「心語」  始能窺見自我與他者的靈魂   　　24堂趣味十足的哲學課，以日常情境剖析語言的真相與迷思，從親身體驗回溯話語的源頭，一面舉起修辭刀，殺殭屍，解痙攣；一面提醒自己語言不停改變，或可選擇不隨波逐流，倒也不必口誅筆伐。   　　語言是抉

擇──伸展你的書寫以便伸展你的心智。   　　應用篇：剖析音標的重要、學習關鍵期、雙語利弊、難搞的標點符號、寫作指南和風格之要。   　　爭議篇：介紹語言學研究重要的爭論和假說，如語言的源起、演化、本能論和文化論、語言相對論等各學派的基礎論述。   　　修辭篇：探討語言的藝術，說話或書寫的技巧，即每個人以語言與人互動的方式。藉小說、戲劇、史詩和生活對話，揭示人們如何運用語言傳達字面上和字面以外的意義，進而揣摩心語，領會感受與言說之間的裂隙。   　　語言之間，無分軒輊；語言之前，人人平等。   本書特色   　　劇作家的語言課，破解日常生活的說寫迷思。 　　語言涉及教育、心理、文化、歷史、腦科

學、行為認知、人類學等，影響人類感知和思考模式，思考語言就是思考我們的存在。

標籤word進入發燒排行的影片

深度學習應用於結構耐震性能評估 – 以後拉式預力預鑄混凝土節塊橋樑為例

為了解決標籤word的問題，作者曾揚 這樣論述：

非線性增量動力分析（Incremental Dynamic Analysis）是一個用以評估結構耐震性能的方法，該方法透過將地動記錄的強度縮放到不同尺度對結構進行模擬實驗，以獲得強度與結構行為的關係作為評估結構耐震性能的參考。然而，由於非線性增量動力分析耗費的分析成本極高，故通常用於分析的地動記錄數量不多，也因此使得繪製易損性函數（Fragility Function）時可能存在著取樣誤差。且當結構性能產生變化，如預應力損失等，會影響結構行為，需要花費高成本來重新進行分析。故本研究以後拉式預應力預鑄混凝土節塊橋梁為例，嘗試使用深度學習模型來預測結構物的耐震行為，並使用此結果繪製易損性函數來評

估結構的耐震性能，與非線性增量動力分析繪製的結果做比較，評估此方法的可行性。本研究以監督式學習的方式訓練模型，為了獲得監督式學習的訓練數據，以建模軟體(ABAQUS)建構離散有限元素模型，使其承載震波並進行非線性增量動力分析。藉由非線性增量動力分析的位移量製作標籤，並提取地動記錄的特徵及預拉應力的改變倍率作為深度學習模型的輸入資料，進行模型訓練與優化，期望使模型可以延伸使用數值分析的結果來增加耐震性能的評估準確性及降低成本。

Python - 最強入門邁向數據科學之路：王者歸來（全彩印刷第三版）【首刷獨家限量贈品-程式語言濾掛式咖啡包】

為了解決標籤word的問題，作者洪錦魁 這樣論述：

Python最強入門 邁向數據科學之路 王者歸來 第3版   　　【首刷獨家限量贈品- Python 濾掛式咖啡包】 　　數量：限量300包 　　咖啡風味：花神+黃金曼特寧 　　研磨刻度：40刻度 　　填充刻度：10g 　　製造/有效日期，18個月   　　★★★★★【33個主題】、【1200個Python實例】★★★★★ 　　★★★★★【1500個重點說明】★★★★★ 　　★★★★★【210個是非題】、【210個選擇題】、【291個實作題】★★★★★ 　　 　　Python語言是基礎科學課程，撰寫這本書時採用下列原則。 　　1：強調Python語法內涵與精神。 　　2：用精彩程式實例解說

。 　　3：科學與人工智慧知識融入內容。 　　4：章節習題引導讀者複習與自我練習。   　　相較於第2版，第3版更加強數據科學與機器學習的內容，與相關模組的操作，同時使用更細緻的實例，增加下列知識：   　　★解說在Google Colab雲端開發環境執行 　　☆解說使用Anaconda Spider環境執行 　　★PEP 8，Python設計風格，易讀易懂 　　☆Python語法精神、效能發揮極致 　　★遞迴函數徹底解說 　　☆f-strings輸出徹底解說 　　★電影院訂位系統 　　☆靜態與動態2D ~ 3D圖表 　　★Numpy數學運算與3D繪圖原理 　　☆Pandas操作CSV和Exc

el 　　★Sympy模組與符號運算 　　☆機器學習、深度學習所需的數學與統計知識 　　★線性迴歸 　　☆機器學習 – scikit-learn 　　★KNN演算法、邏輯迴歸、線性與非線性支援向量機 　　☆決策樹 　　★隨機森林樹 　　☆其他修訂小細節超過100處   　　多次與教育界的朋友相聚，談到電腦語言的發展趨勢，大家一致公認Python已經是當今最重要的電腦語言了，幾乎所有知名公司，例如：Google、Facebook、…等皆已經將此語言列為必備電腦語言。了解許多人想學Python，市面上的書也不少了，但是許多人買了許多書，但是學習Python路上仍感障礙重重，原因是沒有選到好的書籍，

市面上許多書籍的缺點是：   　　◎Python語法講解不完整 　　◎用C、C++、Java觀念撰寫實例 　　◎Python語法的精神與內涵未做說明 　　◎Python進階語法未做解說 　　◎基礎實例太少，沒經驗的讀者無法舉一反三 　　◎模組介紹不足，應用範圍有限   　　許多讀者因此買了一些書，讀完了，好像學會了，但到了網路看專家撰寫的程式往往看不懂。   　　就這樣我決定撰寫一本用豐富、實用、有趣實例完整且深入講解Python語法的入門書籍。其實這本書也是目前市面上講解Python書籍中語法最完整，當讀者學會Python後，本書將逐步帶領讀者邁向數據科學、機器學習之路。Python以簡潔著

名，語法非常活，同時擁有非常多豐富、實用的模組，本書筆者嘗試將Python語法的各種用法用實例解說，同時穿插使用各種模組，以協助讀者未來可以更靈活使用Python，以奠定讀者邁向更高深學習的紮實基礎。   　　本書以約950個程式實例和約250個一般實例，講解紮實的Python語法，同時輔助約210道是非題、210道選擇題與約291道程式實作題。讀者研讀完此書，相信可以學會下列知識：   　　★內容穿插說明PEP 8風格，讀者可由此養成設計符合PEP 8風格的Python程式，這樣撰寫的程式可以方便自己與他人閱讀。 　　☆拋棄C、C++、Java語法思維，將Python語法、精神功能火力全開

　　★人工智慧基礎知識融入章節內容 　　☆從bytes說起、編碼(encode)、解碼(decoding)，到精通串列(list)、元組(tuple)、字典(dict)、集合(set) 　　★完整解說Unicode字符集和utf-8依據Unicode字符集的中文編碼方式 　　☆從小型串列、元組、字典到大型數據資料的建立 　　★生成式(generator)建立Python資料結構，串列(list)、字典(dict)、集合(set) 　　☆經緯度計算地球任2城市之間的距離，學習取得地球任意位置的經緯度 　　★萊布尼茲公式、尼拉卡莎、蒙地卡羅模擬計算圓週率 　　☆徹底解說讀者常混淆的遞迴式呼叫。 　

　★基礎函數觀念，也深入到嵌套、lambda、Decorator等高階應用 　　☆Google有一篇大數據領域著名的論文，MapReduce:Simplified Data Processing on Large Clusters，重要觀念是MapReduce，筆者將對map( )和reduce( )完整解說，更進一步配合lambda觀念解說高階應用 　　★設計與應用自己設計的模組、活用外部模組(module) 　　☆設計加密與解密程式 　　★Python處理文字檔案/二元檔案的輸入與輸出 　　☆檔案壓縮與解壓縮 　　★程式除錯(debug)與異常(exception)處理 　　☆檔案讀寫與目

錄管理 　　★剪貼簿(clipboard)處理 　　☆正則表達式(Regular Expression) 　　★遞廻式觀念與碎形(Fractal) 　　☆影像處理與文字辨識，更進一步說明電腦儲存影像的方法與觀念 　　★認識中文分詞jieba與建立詞雲(wordcloud)設計 　　☆GUI設計 - 實作小算盤 　　★實作動畫與遊戲(電子書呈現) 　　☆Matplotlib中英文靜態與動態2D ~ 3D圖表繪製 　　★說明csv和json檔案 　　☆繪製世界地圖 　　★台灣股市資料擷取與圖表製作 　　☆Python解線性代數 　　★Python解聯立方程式 　　☆Python執行數據分析 　　★

科學計算與數據分析Numpy、Pandas 　　☆網路爬蟲 　　★人工智慧破冰之旅 – KNN演算法 　　☆機器學習 – 線性迴歸 　　★機器學習 – scikit-learn 　　☆KNN演算法、邏輯迴歸、線性與非線性支援向量機 　　★決策樹 　　☆隨機森林樹 　　★完整函數索引，未來可以隨時查閱

學生課後自評心得分類機制之實作與實務議題探究：無意義資料、不平衡資料、與多重標籤資料

為了解決標籤word的問題，作者莊子毅 這樣論述：

學生課後對老師教學或是自我學習狀況的自評心得是讓教育者了解學生學習狀況以及改善其教育品質的常用管道。不過學生所寫的心得通常會涵蓋很多面向與充滿著不同情感，而要以人工閱讀這些大量心得非常耗時費力。為此，有些研究學者透過建構基於機器學習或神經網路架構的分類模型來快速地分析大量自評心得。然而運用機器學習分類技術建構分類模型的研究通常會對資料進行預先處理，像是排除一些無意義資料或重整資料成平衡資料，或是將具備多重標籤的資料拆成多筆單一標籤資料。但實際運用分類模型來分類學生自評心得的實務卻面臨要分類無意義資料、不平衡資料、以及多重標籤資料。本研究探究實務上無意義資料、不平衡資料以及多重標籤資料三個因子

對於學生自評心得機制分類準確性的影響。本研究收集了2060筆特定課程的學生課後自評心得並經由研究人員標記，分類成七個主題類別和三個情感類別。本研究計算並比較是否包括無意義資料、不平衡資料或平衡資料、多重標籤資料或單一標籤資料等不同組合的資料集，在多種文字處理技術以及使用多種分類模型的分類準確性，探究三個因子對其分類準確性評估指標的影響。研究結果顯示不包括無意義資料的平均分類正確率為0.681，而包括無意義資料的平均分類正確率為0.624。採用不平衡資料的平均分類正確率為0.573，而採用平衡後資料的平均分類正確率為0.732。只採用單一標籤資料的平均分類正確率為0.796，而納入多重標籤資料的

平均分類正確率為0.764。其中，使用BERT預訓練模型在有資料平衡且無其他類別的單標籤分類的正確率可以達0.923。