1987 兔2021的問題,我們搜遍了碩博士論文和台灣出版的書籍,推薦BrainBiggs寫的 用繪本學STEAM素養體驗套書(玩出科學力+好多好多船) 和布萊恩・格羅根的 生態皈依:《願祢受讚頌》通諭的省思與實踐都 可以從中找到所需的評價。
這兩本書分別來自小天下 和光啟文化所出版 。
國立高雄師範大學 美術學系 盧福壽所指導 賴姿辰的 群落之境–微觀世界縮影 賴姿辰繪畫創作論述 (2021),提出1987 兔2021關鍵因素是什麼,來自於微觀世界、群體關係、工筆畫。
而第二篇論文國立清華大學 電機工程學系 鐘太郎所指導 劉哲豪的 利用基於深度學習之DXSNet模型進行肺部疾病評估 (2021),提出因為有 X光影像、影像分類、深度學習、人工智慧、卷積神經網路、DXSNet、COVID-19、肺炎的重點而找出了 1987 兔2021的解答。
用繪本學STEAM素養體驗套書(玩出科學力+好多好多船)
![](/images/books/dea690cf41203c0461bf96bdb241bc99.webp)
為了解決1987 兔2021 的問題,作者BrainBiggs 這樣論述:
旅美親子作家曾多聞,在居家期間精選超過90本經典繪本,透過親子共讀引導,設計出44個適合全家一起玩的實驗活動,從寶寶數學、自然、科學,到兒童工程學、社會科學等,透過親子實際操作,將STEAM教育自然融入遊戲中,培養具備 STEAM 素養的小科學家! 孩子愈早接觸STEAM教育,愈能培養數理科學的好奇心,以及對周遭環境的觀察力,更為日後的學習奠定基礎。——美國科學教師協會 本書特色 精選超過90本繪本,量身打造44個最適合全家一起玩的STEAM實驗 1+1輕鬆玩出孩子的科學超能力 ★《玩出科學力》材料簡單、步驟清楚,第一次體驗就上手! ★精選繪
本《好多好多船》立刻挑戰直接玩! 《玩出科學力》四大特色 1. 精選繪本:叫好叫座、學校圖書館推薦、孩子也喜歡的經典好書 2. 分齡操作:從寶寶0歲到中年級都能玩 3. 簡單實驗:材料簡單、步驟清楚,在家就可以動手做(部分附實驗影片) 4. 跨領域學習:包含數學、科學、工程、自然等,從小培養STEAM素養 得獎紀錄 《好多好多船》 ★「好書大家讀」第68梯次入選好書 ★文化部第38次中小學生優良課外讀物推介 ★台北市兒童閱讀優良媒材推薦書單 ★美國亞馬遜網路書店讀者5顆星推薦 ★入選美國插畫家協會繪本原畫展 專
家老師 齊聲推薦 陳昭珍|中原大學通識教育中心講座教授兼圖書館館長 專文推薦 Amy媽媽|【小兄弟的玩樂實驗室】版主 李貞慧|繪本閱讀推廣人、《傷心困頓時,還好繪本接住了我》作者 宋怡慧|台灣讀閱推手、新北市丹鳳高中圖書館主任 林怡辰|台灣讀閱推手、彰化縣原斗國小教師 劉淑雯|南加州師範學院課程總監 盧俊良|【阿魯米玩科學】版主、宜蘭縣岳明國小自然老師 *閱讀年齡:12歲以上
群落之境–微觀世界縮影 賴姿辰繪畫創作論述
為了解決1987 兔2021 的問題,作者賴姿辰 這樣論述:
每個人成長的時光歲月,會因為許多的人、事、物出現而發生各式各樣的變化,個體與個體之間產生的奇妙化學變化,不管是好是壞都多麼值得將它紀錄下來,化為生動且有内涵的繪畫作品,以此來緬懷那些曾經精彩的記憶。感動自己和觀賞者,使作品能與時代貼合並能有個人特色,和提升藝術創作的境界。本文主要在呈現筆者2019年至2021年水墨創作歷程與研究方向和創作內容…等共分五章:第一章緒論,主要敘述此創作研究的出發點和立場,包括了創作研究動機、目的。第二章相關文獻與學理探討,依據期望能從歷代花鳥畫的流派、繪畫功能、中國畫的形神、佈局、意境的論述發展中,從中汲取養分,涵養情思作為創作的學理依據。第三章創作研究之主題內
容,論述藝術家創作之手段,為了達到與觀者共鳴的目的,使用寄寓移情、象徵、隱喻的理論,並依據個人主觀情感與對象物客觀之間,不斷地進行對話,達到主客合一,並轉化為心靈圖像之繪畫創作表現。第四章討論創作時所使用技法與形式構圖的構成。最後一章為作品解析是對活周遭人事物生活的體悟,藉物寓情,藉物說理,表現繪畫創作之主題與畫趣。
生態皈依:《願祢受讚頌》通諭的省思與實踐
![](/images/books/d35bb75a1211f14dad1c832de8df2e82.webp)
為了解決1987 兔2021 的問題,作者布萊恩・格羅根 這樣論述:
對你而言,「家」意味著什麼?如果很幸運,可能會想到你擁有的那個房子,或者,想起那個充滿回憶、在其中長大的老家。 對作者來說,他對家的定義,既可說是大得超乎於我們的想像,也小得出乎我們的意料。 當我們在想像中,打開那道紅色的、藍色的、黑色的或金色的門,回到嚮往的家,作者則藉由默觀一片葉子,回到他的家:天主創造的天地。那也是教宗方濟各在《願祢受讚頌》通諭中提及的,我們共同的家園:地球。 我們既可以透過這多采多姿的受造界認識天主,發現我們與萬物息息相關的身分,也能在環境中活出我們的使命,將我們與基督相遇的成果,顯示在我們與周遭環境的關係中。
利用基於深度學習之DXSNet模型進行肺部疾病評估
為了解決1987 兔2021 的問題,作者劉哲豪 這樣論述:
Covid-19疫情擴散全球,從2019年底至今許多地方疫情情況仍相當嚴峻,疫情的檢測需要投入大量的人力及資源,在資源較匱乏的地區,對於疫情的檢測可能會遭遇到一些困境,檢測的技術及使用的試劑也會對結果造成影響,因此耗費較少資源及人力的發展尤為重要。近來,深度學習快速發展在影像分類方面也發展得相當不錯,許多人紛紛將醫療影像透過深度學習,期望可以減輕醫護人員的壓力並加快病情的診斷。在肺部病情診斷方面,通常以X光影像及CT影像最為常見,X光影像取得較CT影像方便快速及便宜,將X光影像透過深度學習模型協助醫生判斷病情,減輕醫生負擔。本論文嘗試將肺部X光影像利用四種深度學習模型,包含ResNet152
、InceptionV3、Xception及DenseNet201,進行四種肺部疾病的判斷,包括正常肺部影像、COVID-19患者肺部影像與細菌性及病毒性肺炎肺部影像,並且引入X光影像的前處理以提高四種模型的判斷準確率。此外,提出一種新的深度學習模型DXSNet以提升肺部疾病判斷的準確率,它主要是取Xception及DenseNet之優點予以結合,利用DenseNet加強特徵萃取及Xception將特徵圖的資訊先各別處理再整合,再利用SENet attention的特性加強有效特徵抑制無效特徵,實驗結果發現DXSNet之效能皆優於前面四種模型。在實驗方面針對四種的X光影像進行多元分類及二元分類
,二元分類可以讓醫護人員可以快速篩檢肺部是否正常,是否需要進一步交給醫生判斷病況,多元分類則可以協助醫生判斷病況,以減輕醫護人員及醫生的負擔。本論文使用的錯誤評估指標除了使用Accuracy外,還使用了Precision、Recall及F1-score,同時觀察各模型的ROC曲線及PR曲線之AUC。DXSNet在圖片未經前處理的情況下就達到了0.9381的Precision、0.9372的Recall及0.9365的F1-score,AUC則達到了0.9897,顯示出多元分類可以對疾病進行不錯的評估。除了進行多元分類本論文也進行了二元分類,在二元分類DXSNet在Precision、Recal
l及F1均達到0.9792,AUC更是達到了0.9958,均優於前面的四種模型,顯示出二元分類上可以很好的判斷出正常肺部及非正常肺部。