1.6 T 引擎的問題，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

Python資料科學與機器學習：從入門到實作必備攻略

為了解決1.6 T 引擎的問題，作者FrankKane 這樣論述：

一次活用Python和Apache Spark，帶你精通機器學習及資料科學！ 　　★提供資料科學必備的資料分析工具和技術 　　★在Python中訓練出高效能機器學習模型 　　★為你的商品打造出強而有力的推薦系統 　　★靈活運用Apache Spark進行大數據處理工作 　　作者Frank Kane曾在亞馬遜和IMDb等知名企業工作，從事機器學習演算法工作。在踏入資料科學的世界中，本書將提供你探索資料科學的核心領域所需的工具，以及各種動手做練習和信心建議，讓你打造自己的機器學習模型。透過簡單易懂的實作範例及大量的圖文解說，你將學會K-Means集群、貝氏方法、預測模型、推薦系統、Apac

he Spark、實驗設計等核心主題。 　　本書涵蓋了全面且詳盡的資料科學內容，首先帶你快速認識Python語言、基礎統計學和機率概念，接著深入討論資料探勘、機器學習相關等60多個主題。我們將用真實使用者的影評分數資料開發出一套電影推薦系統，並建立一個可實際運作的維基百科資料搜尋引擎。此外，我們還將建立一個垃圾郵件分類器，它可以將電子郵件帳戶中的垃圾郵件和正常郵件進行正確分類。此外，本書還有一個章節專門介紹如何將這個分類器擴展到使用Apache Spark的大數據叢集系統上。 　　讀完本書後，你將能活用各種Python中的資料探勘和資料分析技術，找出資料中的價值，並開發出優質的預測模型，讓

你能預測未來的結果。另外，你還能靈活運用Apache Spark，針對大數據執行大規模機器學習。認識資料科學工作並非難事，從分析資料前的資料準備工作、訓練機器學習模型，到最終的資料分析結果視覺化……你都將一次精通！ 　　在這本書中，你將學到： 　　• 清理和準備資料，讓資料能用於分析 　　• 用Python實作熱門的集群和迴歸方法 　　• 利用決策樹和隨機森林訓練高效率的機器學習模型 　　• 使用Python Matplotlib程式庫對分析結果進行視覺化 　　• 使用Apache Spark的MLlib在大型資料集上進行機器學習 　　適用讀者： 　　• 剛入行的新手資料科學家 　　• 想

用Python對資料進行分析、獲得實用資訊的資料分析師 　　• 有Python程式設計經驗、想進入資料科學領域的程式設計師 　　讀者可以到博碩文化官網輸入書號或書名，下載「練習題參考解答」。

1.6 T 引擎進入發燒排行的影片

化妝品品牌權益與通路績效之研究

為了解決1.6 T 引擎的問題，作者李佩珈 這樣論述：

化妝品的市場規模不斷擴大，新興的品牌不斷的崛起，使得競爭程度越來越激烈。各家化妝品品牌要如何在有限的資源以及競爭日趨激烈的環境下，創造自身的競爭優勢以達到消費者的持續支持，要在品牌形象的推廣上著手，還是提升軟體部分如服務品質及關係品質，或是提升硬體部分即產品品質，這些都是各品牌化妝品業者可以努力之方向。而要如何才能有效增加消費者品牌忠誠度，提高市場占有率，為本研究的主要研究方向。本研究旨在探討品牌知覺、品牌聯想、品牌知名度、品牌忠誠度與市場占有率之間的關係。本研究主要調查對象為使用過化妝品的消費者，為確保問卷的適切性與信度水準，在正式發放問卷之前，先進行預試，於111年3月共計發放預試問卷1

00份，回收有效樣本共計96份，有效回收率96%，經因素分析後，再將原先問卷題項中，不符合本研究採用之因素分析法標準的，予以刪除。採用正式問卷調查方式問卷實施期程係自111年3月至4月9日，共計發放300份，回收300份，回收問卷率為100%。本研究透過正式問卷分析結果發現，品牌之功能性與性價比會影響再購意願，且品牌知覺、品牌聯想、品牌知名度、市場占有率與品牌忠誠度各構面間均呈正向顯著關係。希望透過本研究的結果與發現，能有助品牌經營者認識現今消費市場環境，並藉以調整品牌經營規劃與行銷策略，提升市場占有率，加深顧客品牌忠誠度。

關鍵迭代：可信賴的線上對照實驗

為了解決1.6 T 引擎的問題，作者（美）羅恩·科哈威 這樣論述：

本書基於近些年實驗領域的研究成果和實踐經驗，對實驗的方法和應用做了很好的全景式描述，是一本兼顧系統性的方法論和基於實戰的經驗法則的書籍。根據微軟、亞馬遜、谷歌和領英每年運行的兩萬多個對照實驗，作者以示例和建議的方式向學生和業內人士分享了自己的實踐經驗，指出了需要避免的陷阱，並深入探討了一些進階專題，可以為希望改善自身及機構資料驅動決策方式的從業者提供參考。   全書分為五個部分：第I部分由四章組成。第1章概述運行線上對照實驗的好處，並介紹實驗相關術語。第2 章用一個例子剖析運行實驗的全過程。第3 章描述常見的陷阱以及如何建立實驗的可信賴度。第4 章概述如何搭建實驗平臺並規模化線上實驗。第II部

分的五章內容介紹實驗的基礎原理，比如機構指標。我們推薦所有人閱讀這一部分，尤其是領導者和高管。第III部分的兩章內容介紹線上對照實驗的補充技法，可以幫助管理層、資料科學家、工程師、分析師、產品經理等進行資源和時間的投資。第IV部分專注於實驗平臺的搭建，面向工程師群體。最後，第V部分深入討論進階的實驗分析專題，面向資料科學家。 羅恩·科哈威（Ron Kohavi）是愛彼迎的副總裁和技術院士，曾任微軟的技術研究員和公司副總裁。在加入微軟之前，他是亞馬遜的資料採擷和個性化推薦總監。他擁有斯坦福大學電腦科學博士學位，論文被引用超過40 000次，其中有3篇位元列電腦科學領域引用最多

的1 000篇論文榜。   黛安·唐（Diane Tang）是谷歌院士，大規模資料分析和基礎設施、線上對照實驗及廣告系統方面的專家。她擁有哈佛大學的文學學士學位和斯坦福大學的碩士及博士學位，在移動網路、資訊視覺化、實驗方法、資料基礎設施、資料採擷和大資料方面擁有專利和出版物。   許亞（Ya Xu）是領英資料科學與實驗平臺負責人，曾撰寫了多篇關於實驗的論文，並經常在頂級會議和大學演講。她曾在微軟工作，擁有斯坦福大學的統計學博士學位。 譯者序 前言——如何閱讀本書 致謝 第一部分　線上對照實驗概覽 第1章　概述和寫作動機003 1.1　線上對照實驗的術語005 1.2　為什麼

進行實驗？相關性、因果關係和可信賴度008 1.3　有效運行對照實驗的必要元素010 1.4　宗旨011 1.5　隨時間推移的改進013 1.6　有趣的線上對照實驗實例015 1.7　戰略、戰術及它們和實驗的關係020 1.8　補充閱讀 023 第2章　運行和分析實驗——一個全程剖析的案例025 2.1　設立實驗025 2.2　假設檢驗：確立統計顯著性028 2.3　設計實驗030 2.4　運行實驗並獲得資料032 2.5　分析結果033 2.6　從結果到決策034 第3章　特威曼定律與實驗的可信賴度037 3.1　曲解統計結果038 3.2　置信區間041 3.3　對內部有效性的威脅041

3.4　對外部有效性的威脅046 3.5　細分群的差異049 3.6　辛普森悖論 052 3.7　鼓勵健康的懷疑態度054 第4章　實驗平臺和文化055 4.1　實驗成熟度模型055 4.2　基礎設施和工具062 第二部分　基礎原理 第5章　速度很重要：一個全程案例剖析075 5.1　關鍵假設：局部線性近似077 5.2　如何測量網站的性能078 5.3　減速實驗的設計080 5.4　對不同頁面元素的影響是不同的081 5.5　極端結果083 第6章　機構指標085 6.1　指標的分類086 6.2　指標的制定：原則和技術089 6.3　指標的評估091 6.4　指標的演變092 6.5　更

多的資源093 6.6　補充材料：護欄指標093 6.7　補充材料：可操縱性095 第7章　實驗指標和綜合評估標準097 7.1　從業務指標到適用於實驗的指標098 7.2　將關鍵指標組合成一個OEC099 7.3　案例：亞馬遜電子郵件的OEC101 7.4　案例：必應搜尋引擎的OEC103 7.5　Goodhart法則、Campbell法則以及Lucas批判104 第8章　機構的經驗傳承與統合分析107 8.1　什麼是機構的經驗傳承107 8.2　為什麼機構的經驗傳承有用108 第9章　對照實驗中的倫理111 9.1　背景111 9.2　資料收集116 9.3　文化與流程117 9.4　補充

材料：使用者識別項117 第三部分　補充及替代技法 第10章　補充技法121 10.1　補充技法的空間121 10.2　基於日誌的分析122 10.3　人工評估124 10.4　用戶體驗調研125 10.5　焦點小組125 10.6　問卷調查126 10.7　外部資料127 10.8　總結129 第11章　觀察性因果研究131 11.1　對照實驗不可行的情況131 11.2　觀察性因果研究的設計133 11.3　陷阱138 11.4　補充材料：被駁斥的觀察性因果研究141 第四部分　實驗平臺搭建 第12章　用戶端實驗145 12.1　伺服器端和用戶端的差異145 12.2　對實驗的潛在影響

148 12.3　結論152 第13章　工具化日誌記錄153 13.1　用戶端與伺服器端的工具化日誌記錄153 13.2　處理多源的日誌155 13.3　工具化日誌記錄的文化156 第14章　選擇隨機化單元157 14.1　隨機化單元和分析單元159 14.2　用戶級別的隨機化160 第15章　實驗放量：權衡速度、品質與風險163 15.1　什麼是放量163 15.2　SQR放量框架164 15.3　四個放量階段165 15.4　最終放量之後168 第16章　規模化實驗分析169 16.1　資料處理169 16.2　資料計算170 16.3　結果匯總和視覺化172 第五部分　實驗分析 第17

章　線上對照實驗中的統計學知識177 17.1　雙樣本t檢驗177 17.2　p值和置信區間178 17.3　正態性假設179 17.4　第一/二型錯誤和統計功效181 17.5　偏差183 17.6　多重檢驗183 17.7　費舍爾統合分析184 第18章　方差估計和提高靈敏度：陷阱及解決方法185 18.1　常見陷阱186 18.2　提高靈敏度189 18.3　其他統計量的方差190 第19章　A/A測試193 19.1　為什麼運行A/A測試193 19.2　如何運行A/A測試198 19.3　A/A測試失敗時199 第20章　以觸發來提高實驗靈敏度201 20.1　觸發示例201 20.

2　數值示例204 20.3　最佳的和保守的觸發205 20.4　總體實驗效應206 20.5　可信賴的觸發207 20.6　常見的陷阱207 20.7　開放性問題209 第21章　樣本比率不匹配與其他可信度相關的護欄指標211 21.1　樣本比率不匹配212 21.2　調試SRM214 第22章　實驗變體之間的洩露和干擾219 22.1　示例220

1.6Tb/s 矽光子光收發引擎之研製

為了解決1.6 T 引擎的問題，作者林展蔚 這樣論述：

摘要 iABSTRACT iii致謝 v目錄 vi圖目錄 viii表目錄 xiii第一章、緒論 11.1 前言 11.2 研究動機 31.3 實驗室沿革 61.4相關文獻探討 14第二章、1.6Tb/s矽光子晶片量測介紹 272.1 矽光子晶片架構 272.2 晶片量測標準程序及被動元件量測 322.3 行波式馬赫-曾德爾調變器 512.4 鍺光偵測器 692.5 矽光子晶片光預算 70第三章、矽光子光發射電路設計 763.1 電路製作流程 763.2電路板板材與疊構 793.3電路高頻傳輸線線寬與阻抗設計 813.4電路元件選擇 823.5 光發

射晶片測試電路 954.5.1 測試電路設計 953.5.2 測試電路量測結果 983.6電路設計與佈局 1003.6.1 驅動器電路 1003.6.2 電路板佈局與製作 1013.7光發射評估電路與矽光子晶片構裝 1033.8光發射引擎驗證 1063.8.1光發射電路量測架構 1063.8.2 光發射電路量測結果 107第四章、矽光子光接收電路設計 1124.1電路製作流程 1134.2電路板板材與疊構 1154.3電路高頻傳輸線線寬與阻抗設計 1164.4電路元件選擇 1184.4.1 TIA IC 選用 1184.4.2 微控制器選用 1204.5電路設

計與佈局 1214.5.1 TIA IC電路 1214.5.2 MCU控制電路 1224.5.3 電源電路 1234.5.4 電路板佈局 1244.6光接收評估電路與矽光子晶片構裝 1264.6.1 製作治具 1274.6.2 半導體製冷器及電路板鎖附 1274.6.3 晶片黏貼及打線 1284.6.4 完成矽光子光接收引擎構裝 1314.7光接收電路驗證 1324.7.1 光接收電路量測架構 1324.7.2 光接收電路量測結果 134第五章、結論與未來工作 1415.1 結論 1415.2未來工作 144