機器學習演算法的問題，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

AI策略|人與企業的數位轉型

為了解決機器學習演算法的問題，作者AlexCastrounis 這樣論述：

　　創造更好的體驗和商業成功架構    　　「對於有興趣了解AI並開啟其優勢的企業領導層和管理者來說，這是一本必讀之書。Alex Castrounis簡化了複雜的主題，以便任何人都可以開始在其組織內運用AI。」 —Dan Park Uber總經理兼執行長    　　「Alex Castrounis一直站在幫助組織理解AI前景並利用其優勢的最前沿，同時避免了許多可能破壞成功的陷阱。在這本必讀的書中，他向我們分享了他的專業知識。」 —Dean Wampler博士 Fast Data Engineering副總    　　如果你是高階經理人、管理者或任何對在組織內運用AI感興趣的人，這本書就是你

的指南。你將了解AI是什麼、學習如何識別AI機會，並發展和執行成功的AI願景和策略。Alex Castrounis是企業顧問、前IndyCar工程師和競賽策略師，他檢視了AI的價值，並向你展示如何發展出對人和企業都有益的AI願景和策略。    　　AI是令人興奮、強大且改變遊戲規則的；但太多AI提案以失敗告終。在本書中，你將探索實施AI提案的風險、注意事項、權衡和限制。你將得知透過好的AI解決方案和以人為中心的產品，如何能創造出更好的人類體驗和更成功的企業。    　　‧使用本書的AIPB架構，透過AI進行端到端的、目標驅動的創新和價值創造  　　‧為利害關係者(包括企業、客戶和使用者)定義出

與目標一致的AI願景和策略  　　‧透過關注科學創新和AI準備度和成熟度等概念，成功運用AI  　　‧了解企業領導層對於追求AI提案的重要性

機器學習演算法進入發燒排行的影片

以監督式機器學習探討電子病歷中非結構化資料對早期預測中風後功能復原後果之價值

為了解決機器學習演算法的問題，作者宋昇峯 這樣論述：

中風是導致成人殘障的重要原因，中風功能復原後果的精準預測，能協助病人及家屬及早準備後續照顧事宜，衛生政策制定者也能依此預測結果適切規劃人力與資源，以投入中風病人的急性後期與中長期照護。目前的中風功能復原後果預測模型皆是以結構化資料建立，甚至最新使用數據驅動方式發展的機器學習預測模型依然是以結構化資料為主。相對的，照顧病人所製作的大量敘述式病歷文字紀錄，即非結構化資料，反而甚少被使用。因此，本研究的目的，即是使用監督式機器學習來探討非結構化臨床文字紀錄於急性缺血性中風後之初期預測功能復原後果之應用價值。在6176位2007年10月至2019年12月間因急性缺血性中風住院之病人中，共3847位病

人符合本研究之收案/排除條件。我們使用自然語言處理，萃取出住院初期之醫師紀錄及放射報告中之臨床文字紀錄，並且實驗了不同文字模型與機器學習演算法之組合，來建構中風功能復原後果的預測模型。實驗發現使用醫師紀錄時，操作特徵曲線下面積為0.782至0.805，而使用放射報告時，曲線下面積為0.718至0.730。使用醫師紀錄時，最好的組合為詞頻-倒文件頻加上羅吉斯迴歸，而使用放射報告時，最好之組合為基于轉換器的雙向編碼器表示技術加上支持向量機。這些基於純文字的機器學習預測模型並無法勝過傳統的風險模型，這些傳統模型的曲線下面積為0.811至0.841。然而，不管是以曲線下面積、重分類淨改善指標、或整合式

區辨改善指標來評估，臨床文字紀錄中的資訊的確可以增強傳統風險模型的預測效能。本研究之結論為，電子病歷中的非結構化文字經過自然語言處理後，不僅可以成為另類預測中風功能復原後果的工具，更可以增強傳統風險模型的預測效能。透過演算法來自動擷取並整合分析結構化與非結構化資料，將能提供醫師更好的決策支援。

財經時間序列預測：使用R的計量與機器學習方法

為了解決機器學習演算法的問題，作者何宗武 這樣論述：

　　本書為進階的教材，需要經濟計量方法和矩陣代數的基礎。時間序列預測是統計學裡非常實用的工具，不論是分析投資組合的數據、全球總經和金融市場，以及預測景氣循環變動等等，可以用過去的數據資料，預測未來趨勢，是可以符合實際決策需要的實用能力。   　　書中並介紹機器學習方法，機器學習不是指特定估計方法，學習指的是如何在資料結構中運算，以追蹤最小預測誤差的方法獲得最佳預測(tuning)。我們應用機器學習演算法訓練歷史資料，執行特徵萃取(features extraction)，再測試預測表現。依此建立一個可預測未來的模型，作為決策之用。   　　使用R語言進行時間序列預測是本書的一大特點，R語言

是統計學中普及且容易上手的分析工具，書中針對一個個資料分析步驟進行深度解說，教給讀者進行預測與評估的最實用方法。

應用小鼠姿態於深度影像的特徵偵測疼痛

為了解決機器學習演算法的問題，作者郭廷愷 這樣論述：

現行藥物開發的動物實驗多數以老鼠做為實驗對象，動物實驗會透過藥物或手術誘發老鼠的疼痛行為，之後再施打止痛藥物，藉由觀察老鼠的行為推論疼痛是否有所改善，用以評估止痛藥物的藥效。疼痛會造成生理及行為的改變，目前多以觀察員透過主觀評估的方式對老鼠表情或行為評估其疼痛的程度，然而這種方式的缺點是需要耗費大量的人力與時間，以及不同人的主觀評估也將造成結果的分歧。近年來，姿態分析經常運用在神經性疾病上，多數姿態需要藉由神經系統錯縱複雜的交互作用，所以當某神經系統出現異常時，行為也容易顯現相對的異常現象。根據[1]，老鼠處於疼痛時，常會有身體扭曲和四肢蜷縮等行為。本論文建立於姿態分析的理論基礎，提出一套自

動化架構分析老鼠的姿態，藉此來偵測老鼠於疼痛時的姿態特徵。本論文提出的架構透過深度學習網路於深度影像中自動標註老鼠的關節點，再利用關節點與周邊鄰近像素的深度差異作為特徵，讓機器學習疼痛的姿態特徵，達成自動判別老鼠疼痛的目的。本論文所提出的架構分為兩部分，第一部分透過深度學習演算法自動標註影像中老鼠的關節點，藉此取代人工標記。第二部分自動學習與辨識老鼠於疼痛時的姿態特徵，實驗設計分別蒐集彩色及深度影像，前者將關節點之間的角度及距離當作姿態特徵，後者則藉由深度影像計算各關節點與鄰近像素的差異作為特徵，再藉由機器學習演算法學習與辨識小鼠於疼痛時的姿態特徵。本論文的實驗將比較彩色與深度影像分別應用於偵

測疼痛姿態的效能，並且驗證本論文提出架構的信效度。