沒有目標 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

你好，我是接體員

為了解決沒有目標 PTT的問題，作者大師兄 這樣論述：

我不敢想像天堂，因為我知道， 地獄裡早有我的一個位子。 　　★紅爆PTT媽佛版的系列文章「接體員大小事」原作者「過水流大師兄」隆重登場！ 　　★米娜（聲音創作Youtuber）、李屏瑤（作家）、林立青（作家）動容推薦！ 　　▌吊死的叫做盪鞦韆、跳樓是小飛俠、腐屍是綠巨人、燒炭是小黑，也沒有什麼尊重不尊重，工作就是工作，該做的事情一件都不會少做。▌ 　　Case1 　　A先生的母親過世了，但他窮到沒錢給母親安靈位，所以每次到冰庫來看母親的遺體都跪十分鐘，一直跪到他母親出殯為止。 　　Case2 　　B小姐到火葬場送同性戀人的最後一程，卻被戀人的家屬驅趕，不讓她參與摯愛的身後事與撿骨儀

式，但在撿骨結束之後，家屬突然跟工作人員說：「麻煩分一些骨灰給她吧。」」 　　Case3 　　C先生礙於親戚壓力，找了一家葬儀社，什麼都用最便宜的東西給他父親。火化後連骨灰桶也省了，他拿了一個乖乖桶說：「我爸等等就放裡面就好了。」 　　◆第一線的接體實錄！ 　　◆台灣葬儀界白幕背後首度曝光！ 　　◆暗黑系幽默美學，集萬千飄點、淚點和沸點於一身，帶給各位滿滿的大平台！ 　　你好，我是殯儀館的接體員。 　　我們這裡冰了很多都是比較窮苦的人，或是無名屍跟有名無主的。許多人都以為在殯儀館工作會遇到很多靈異事件，老實說並不多，倒是因為常常接觸屍體，看多了死亡面前所展露的人性，讓我對「人類」這種生物

，有了不一樣的思考。 　　我在殯儀館擁有一群快樂夥伴，警衛「大胖」是我有福同享，有禍他當的難兄難弟。我最大的志願是存錢買凶宅；最不想面對的殘忍事實，是胖到被女飄嫌棄的體重；最深的遺憾是二十八歲那年沒有撿起地上的紅包，沒能完成的終生大事；至於畢生的理想，則是希望下輩子，可以分得清楚「在」跟「再」…… 　　本書特色 　　◎第一線的接體實錄！ 　　◎台灣葬儀界內幕首度曝光！ 　　◎紅爆PTT媽佛版的系列文章《接體員大小事》原創！ 　　◎暗黑系幽默美學，飽含人生寓意又飄點滿滿的優質好文！ 　　◎有血有目屎，有笑有人生的驚世之作！ 　　◎眾鄉民趨之若鶩耳口相傳，紛紛敲碗跪求出書的「過水流大師兄」隆

重登場！  

沒有目標 PTT進入發燒排行的影片

基於小樣本數據建立標註模型－以社群貼文為例

為了解決沒有目標 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。