機器學習模型選擇的問題，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

全格局使用PyTorch：深度學習和圖神經網路 實戰篇

為了解決機器學習模型選擇的問題，作者李金洪 這樣論述：

熟悉基礎，精通實戰。 　　接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家

耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書特色 　　～GNN 最強實戰參考書～ 　　●使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 　　●高級NLP模型訓練及微調、BE

RTology、CBOW、Skip-Gram、Torchtext、spaCy 　　●文字使用模型TextCNN來把玩IMDB資料庫 　　●高階工程師才會用的Mist啟動函數、Ranger最佳化器 　　●正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer  

機器學習模型選擇進入發燒排行的影片

利用機器學習方法估算石門水庫集水區土壤沖蝕的空間分佈

為了解決機器學習模型選擇的問題，作者Nguyen Kieu Anh 這樣論述：

過去這些年土壤沖蝕一直是全球關注的議題，它不但造成土壤的養分流失和沉積物汙染，並且也增加洪災發生的可能性。如何有效地減少土壤沖蝕的發生，是目前重要的生態環境管理目標之一，因此本研究探討使用機器學習模型來預測石門水庫集水區土壤沖蝕深度的可行性，共使用了11種不同的機器學習模型包括(1)線性迴歸(LM)、(2)隨機森林(RF)、(3)決策樹(DT)、(4)類神經網絡(ANN)、(5)適應性類神經模糊推論系統(ANFIS)、(6)支援向量機(SVM)、(7)聚合多變量適應性迴歸模型(bagged MARS)、(8)立體派模型(Cubist)、(9)梯度提升機(GBM)、(10) 使用隨機森林來整合

基礎模型(DT + ANN + SVM + LM)的堆疊模型、和(11) 使用梯度提升機來整合基礎模型(DT + ANN + SVM + LM)的堆疊模型。在第一階段中，模型所使用的輸入資料包括14個環境因子，模型的目標資料是來自於現地沖蝕針的量測結果，亦即石門水庫集水區的土壤沖蝕深度(mm/yr)。透過分層隨機採樣的方式將所獲得資料的70%用於開發機器學習模型，而30%的剩餘資料則以均方根誤差 (RMSE) 與納許-史托克利夫效率係數 (NSE) 兩參數來驗證預測的準確性。研究的結果表明梯度提升機和隨機森林優於其他機器學習模型，梯度提升機和隨機森林的均方根誤差分別為1.72 mm/yr 和1

.75 mm/yr，石門水庫集水區的邊坡方向和邊坡種類是構成預測模型的兩個最重要參數。　　在第二階段中，14個環境因子中的10個和26個形態因子合併來預測土壤沖蝕的空間分布，然後使用第一階段中最優異的兩種機器學習模型：梯度提升機和隨機森林來預測沖蝕針的深度，本研究使用3重交叉驗證的方式來把訓練和測試資料分開，且在訓練機器學習模型之前進行了Boruta特徵篩選，以決定土壤沖蝕參數的相對重要性。因此，機器學習模型選擇了15個變數，其結果顯示梯度提升機是最合適的模型,它的均方根誤差為1.50 mm/yr。研究發現邊坡種類和子集水區面積最為重要，本研究的結果對於保護規劃及預防未來的水土流失將非常有用。

AI時代，設計力的剩餘價值：對象×流程×應用×能力塑造，人工智慧浪潮下的設計師生存攻略

為了解決機器學習模型選擇的問題，作者薛志榮 這樣論述：

AI歷史×深度學習×互動設計×技術運用×未來發展 人總有疲累、犯錯的時候，但是AI永遠乖巧聽話； 你說AI不懂創意，只能做死板的工作？ 隨著科技發展，AI人性化程度也愈來愈高， 再不懂得提升自己，最後只能被人工智慧所淘汰！ 跨界設計師甘苦談，讓前輩把經驗向你娓娓道來！ 　　【人工智慧在紅什麼？】 　　．AI的誕生 　　1956年8月，在達特茅斯學院舉行的一次會議上，來自不同領域（數學、心理學、工程學、經濟學和政治學）的科學家一起討論如何利用機器來模仿人類學習以及其他方面的智慧，「人工智慧」正式被確立為研究學科。 　　．人機互動的發展歷程 　　60年前，人工智慧和人機互動就像藍綠一樣是

勢如水火的兩大陣營？ 　　明斯基：「我們要讓機器變得智慧，我們要讓它們擁有意識。」 　　恩格爾巴特：「你要為機器做這些事？那你又打算為人類做些什麼呢？」 　　．機器學習和深度學習 　　機器學習是一門涉及統計學、神經網路、優化理論、電腦科學、腦科學等多個領域的交叉學科，它主要研究電腦如何模擬或者實現人類的學習行為，以便獲取新的知識或技能，細分為：監督學習、非監督學習、半監督學習、強化學習。深度學習是機器學習下面的一條分支， AlphaGo正是採用了深度學習算法擊敗了人類世界冠軍，並促進了AI其他領域（如自然語言和機器視覺）的發展。   　　【人工智慧如何影響設計？】 　　．從圖片到影像，Ado

be Sensei平臺幫助設計師解決在媒體素材創意過程中面臨的一系列問題，並將重複工作變得自動化。 　　．看動畫總覺得某些場景崩壞？自動描線的技術能夠自動辨識圖像，並確定圖像的具體輪廓，進而完成描線的工作，大大減輕畫師的負擔。 　　．圖文內容的排版涉及大量的專業知識，包括視覺傳達、色彩與美學、幾何構圖等， Duplo透過模組化和網格系統快速把內容放入尺寸各異的幾千種頁面中，解決不同螢幕尺寸下的圖文排版問題。 　　【AI衝擊！設計師該何去何從？】 　　既然AI如此方便，設計師的存在似乎就可有可無了？ 　　．最容易被取代的三大設計，看看自己符合了哪些！ 　　．深耕藝術設計、個性化設計、跨界思考…

…六種方法助你永保飯碗！ 　　【比人還通人性！談AI的實踐】 　　．AI設計八大原則：個性化、環境理解、安靜、安全「後門」、準確性和即時性、自我學習與修正、有禮貌、人格設定。 　　．產品設計三要素：透過增強記憶、訓練思考和預測行動，將人工智慧最佳化。 　　．從圖形使用者介面（GUI）到語音命令裝置（VUI），為什麼要將GUI轉換為VUI？ 　　【未來五年，人工智慧的發展】 　　．智慧城市 　　下水道設計不良，一遇到暴雨瞬間變水上威尼斯？ 　　每次上路總是提心吊膽，深怕遇到馬路三寶？ 　　警力資源嚴重不足！誰可以代替交警外出巡邏？ 　　交通、能源、供水、建築……數位監控平臺將接管城市管理的工

作！ 　　．商場 　　對商場上的惡性競爭感到厭倦了嗎？透過AI技術，有錢大家一起賺！ 　　讓不同性質的店家組成一個體系，推播優惠券製造雙贏效果。 　　．家園 　　在家裡擺上一幅霍格華茲的胖夫人畫像不再是夢？ 　　Atmoph Window不僅能隨意切換內容，還能配合主題發出相應聲音，彷彿身歷其境！ 　　★特別收錄：跨界設計師甘苦談、針對使用者的人工智慧系統底層設計 本書特色 　　本書從技術角度切入，介紹當前人工智慧的相關知識，再圍繞商業、產品、使用者需求等多個角度闡述人工智慧與設計的關係，提出人工智慧設計的相關見解，同時也結合了作者本身的學習和工作經驗，對設計師在AI時代下的發展規劃

給予相關建議。

車流量及發電對空汙的影響力分析

為了解決機器學習模型選擇的問題，作者許維中 這樣論述：

空氣污染對健康產生的不良影響已經引起多數人的關注，空污形成的原因很多，擴散的範圍也很廣泛，除了季風所引起的境外汙染，境內汙染也是影響的因素之一，而在境內汙染中交通影響尤為重要，此外發電及氣象也是影響的要素。對於空汙的模型分析，若只著墨於大氣模型，對於政策上的措施較為被動，且要素的選擇不夠全面，本研究主要的研究目的是透過大數據的機器學習方法，將發電和交通一起與氣象納入其中，從而探討發電量與交通量對空污PM2.5影響因子的敏感度，藉由分析逐步減少各汙染源以達到較理想PM2.5數值的環境條件。研究結果先透過逐步廻歸的方式篩選較為重要的條件，使用剩下來的參數建立模型後，將交通、發電各自的條件因素透過

敏感度分析，所欲分析的PM2.5數值以環境條件逐步10%百分比遞減，從0%至100%所有預測組合的PM2.5數值挑選最低的前110組繪製成條件熱圖，清楚了解若想降低PM2.5數值最有成效，需往哪些變數調整並且調整範圍大概坐落何處，最大化經濟效率的同時也兼顧環境的保護。在此研究的基礎上，能繼續發展使用有關時間因素的LSTM深度學習模型，預測未來參數的數值，再結合本研究模型與手法，以未來參數變化程度對未來的空汙數值影響，能預先防範類似空汙指數紫爆的風險。關鍵字：空氣汙染、機器學習、敏感度分析、車流量及發電對空汙的影響力