走在汽車革命的路上論文書籍站
AI 模型優化的問題，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 模型優化的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦彭南博,王虎寫的 人工智慧再進化：聯邦學習讓資料更安全穩固 和游皓麟的 Python預測之美：資料分析與演算法實戰都 可以從中找到所需的評價。
這兩本書分別來自深智數位 和電子工業所出版 。
國立金門大學 理工學院工程科技碩士在職專班 馮玄明所指導 黃靖涵的 神經網路模型於金門空氣品質PM2.5 預測 （2021），提出AI 模型優化關鍵因素是什麼，來自於空氣品質、神經網路、細懸浮微粒、污染物。
而第二篇論文明志科技大學 工業工程與管理系碩士班 陳思翰所指導 周彥廷的 以深度領域適應為基礎的視訊煙霧偵測方法於射出成型機之應用 （2021），提出因為有 煙霧偵測、深度領域適應、自動標註、動作偵測、卷積神經網路的重點而找出了 AI 模型優化的解答。
人工智慧再進化：聯邦學習讓資料更安全穩固
為了解決AI 模型優化 的問題，作者彭南博,王虎 這樣論述：
「聯邦學習」可以解決企業之間的資料孤島問題，讓企業能透過使用更多資料來提高AI模型的效果，提供給使用者更方便的個性化服務。在過程中，資料是安全的，使用者的隱私資訊不會被輸出和洩露。因此這項技術不會損害合作企業的利益，還能帶來額外的收益。對使用者而言，能享受個性化服務品質的提升，也不用擔心具體隱私資訊的傳播。 從技術層面來看，聯邦學習是密碼學、分散式運算、機器學習三個學科交換的技術，涉及面較廣且部署實施難度大，很多具體問題需要跨領域的綜合知識才能解決。在人才市場中，此類的綜合型人才十分缺乏，許多專案都面臨無人可用的困境。另一方面，越來越多人關注到聯邦學習新興技術，希望能有系統地掌
握聯邦學習原理，並在產業應用中解決實際問題。 本書詳細說明聯邦學習的相關概念，同時列出許多案例，適合對聯邦學習感興趣的讀者閱讀。書中會在必要之處列出數學公式，閱讀時需具備統計學的基礎知識。 全書重點涵蓋： ●第1～3章：聯邦學習的基礎，可以了解聯邦學習的市場背景、技術現狀、基礎的隱私保護技術、機器學習技術和分散式運算技術。建議聯邦學習的初學者、求職者重點閱讀這部分，藉以熟悉聯邦學習的基本問題、基本技術。 ●第4章：介紹聯邦交集計算的相關理論和具體方法，用於提供聯邦資料之間的對應關係。 ●第5章：介紹聯邦特徵工程，列出大致流程、聯邦學習對這些流程的處理想法，引
出聯邦學習特徵工程中常用的加密方法、資料互動策略及評估監控方法。 ●第6～8章：分別介紹垂直聯邦學習、水平聯邦學習和聯邦遷移學習，並說明這三種方案的架構、方法和案例。垂直聯邦學習用於解決相同使用者在不同企業場景中，產生資料的聯合建模問題。 ●第9～12章：聯邦學習的產業應用和展望，可以了解聯邦學習技術的商業應用現狀、挑戰、趨勢、與資料資產和要素市場的連結，據此引發讀者進一步思考。此部分較為巨觀，涉及面廣，適合聯邦學習相關的專案管理者重點閱讀。 本書適合： ●對聯邦學習感興趣的學術＆研究人員。 ●聯邦學習的初學者＆求職者＆專案管理者。 ●機器學習、資料探勘、產
業智慧化領域的從業者＆求職者。
AI 模型優化進入發燒排行的影片
人臉辨識，就是用科技計算的方式，來比較臉部視覺特徵，藉此鑑定身分的一種電腦技術。
其實我們可以把人臉辨識想像成是一套演算法，各種不同的廠商或公司可能會有不同的演算規則。但整體的邏輯是一樣的，通常會先偵測人臉、然後進行臉部校正與擷取特徵、再進行比對工作。
當攝影機拍到你的時候，它第一步也會先切成一張一張的影格，然後去找到你的臉，就像是我們相機在拍照的時候，它不是會在臉旁邊出現一個框框讓你比較好對焦，這就是使用了人臉偵測的技術。
也因為人臉其實有一些特徵，所系統會開始擷取一些我們臉上出具有「辨別度」的特徵，像是顴骨的形狀啦、眼窩的深度之類的，一張臉大約有80幾個識別點，但也因為拍攝時可能剛好低頭或轉頭，或是受到光線影響之類的，有些系統會在抓取特徵的時候也要進行校正，利用人中啊、眼睛啊或嘴角之類的作為錨點，將人臉校正到同一個比較基準。現在也有2D轉3Ｄ的技術，用3D模型來計算你不同角度應該是長什麼樣子。那抓出這些特徵以後呢，這個演算法會把你臉上用這些特徵畫出來的向量，轉換成編碼，於是你這個人獨特的特徵就可以用一串數字來代表，最後再送到資料庫進行比對。
雖然人臉識別這個技術早再很多年前就已經開始發展，但是到這幾年因為電腦計算速度大幅加快、雲端技術成熟，才有較大的進展。而且這樣子一套演算法，還需要透過ＡＩ深度學習，模擬我們大腦神經網絡的運作，然後從大規模未標記的資料中學習，來建立出一套演算法、不斷優化出更好的模型。才能讓辨識度越來越準確。
不過即使臉部辨識技術已經發展了一段時間，辨識準確度卻還是有待加強，美國國家標準暨技術研究院 (Nist) 的一項測試就發現，2014年到2018年期間，人臉辨識系統因為深度學習的技術，失敗率從4% 降到 0.2%。BUT！資料庫中的照片跟現實生活中可不一樣，每個人頭擺的角度、臉出現在畫面中的位置、拍攝光線、畫素、有沒有戴帽子、帶圍巾或變老，這些都會影響準確度。而且目前雙胞胎的辨識，還是一大難題。
像是英國南威爾斯警方2017在歐洲足球冠軍賽期間，測試一款全新的AI臉部識別程序，可以搜尋比對資料庫裡面的50萬筆潛在罪犯資料，結果系統在17萬名觀眾當中，配對了2470人為潛在目標，但是錯誤率高達92%。
Amazon 2016年推出影像辨識 AI 系統Rekognition，也曾經把28名國會議員辨識為罪犯，讓大家都嚇到吃手手。美國奧蘭多市政府也從 2017 年開始與 Amazon 合作進行先導計劃，在市內幾個地方架設監視器，實時進行人臉辨識，希望可以找出通緝犯等特定人士，幫助執法。不過在 15 個月的測試中，卻發現系統經常誤判，準確度常常出問題，後來在2019年終止這項合作。
人臉辨識跟很多技術一樣，就是個雙面刃。雖然這項科技已經越來越進步，而且透過電腦的深度學習，讓判讀的準確度大大提升，但它仍然不像DNA那樣，正確度高達99.9%，可以作為決定性的判定標準。
--------------------------------------
《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在 #寰宇新聞台 播出，沒跟上的也沒關係，歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 1030pm準時上傳完整版！
神經網路模型於金門空氣品質PM2.5 預測
為了解決AI 模型優化 的問題，作者黃靖涵 這樣論述：
鑒於近年來全球工業產業蓬勃發展，各產業在環境保護及永續發展等意識越來越重視，並且政府在針對造成空氣品質污染的管控也相對要求，在這全球化的現今，不論身在這世界的哪一個地方，都希望能夠維持良好空氣品質的生活環境。金門地區造成空氣品質不良的原因，主要為風面強大、氣候乾燥等因素引起的揚塵所致，因為地理位置與氣候的之間的關係，空氣品質的因素也受中國大陸南下空氣影響，其針對空氣流動、氣流穩定度與氣候間的變化，都足以影響到空氣品質的好壞。所以，本研究中蒐集金門地區監測站自2011年1月到2020年12月每天的氣象偵測平均數據，做為本論文的研究資料，其中蒐集的氣象資料內容，包含了相對濕度（%）、溫度（℃）、
風速（m/sec）、降雨強度（mm）與氣壓（hPa）等，並將歷年的觀測數據，彙整的資料做適當整理後，先透過大數據分析，證明上述的氣象資料是會影響空氣污染物擴散的因素，再將相對濕度（%）、溫度（℃）、風速（m/sec）、降雨強度（mm）與氣壓（hPa）等5項影響因素，透過倒傳遞類神經模型（Back-Propagation Neural Network，BPN），來實驗多組的模擬訓練與進行空氣污染物擴散的預測。本研究將空氣污染物細懸浮微粒PM2.5分成50μg/m3以下和51μg/m3以上的二個級距，並依據不同的影響因子組合，進行每天空氣污染物的擴散預測，準確率最低為86.7%，最高可達88.5%
。依據實驗的測試結果，可證明使用倒傳遞神經模型進行金門當地空氣污染物擴散的模擬與預測是可行性的；但是天氣變化多端，金門島嶼型的氣候更是千變萬化、變幻莫測，因此可以再增加更多會影響空氣品質擴散預測的因素，並且結合其他不同預測方法與演算法，以取得更精準的預測結果，以提供金門當地氣象預測之參考，同時也能提供當地民眾外出時的防範作為。
Python預測之美：資料分析與演算法實戰
為了解決AI 模型優化 的問題，作者游皓麟 這樣論述：
Python是一種物件導向的指令碼語言，其代碼簡潔優美，類庫豐富，開發效率也很高，得到越來越多開發者的喜愛，廣泛應用於Web開發、網路程式設計、爬蟲開發、自動化運維、雲計算、人工智慧、科學計算等領域。預測技術在當今智慧分析及其應用領域中發揮著重要作用，也是大資料時代的核心價值所在。 隨著AI技術的進一步深化，預測技術將更好地支撐複雜場景下的預測需求，其商業價值不言而喻。基於Python來做預測，不僅能夠在業務上快速落地，還讓代碼維護更加方便。對預測原理的深度剖析和演算法的細緻解讀，是本書的一大亮點。 本書共分為3篇。 第1篇介紹預測基礎，主要包括預測概念理解、預測方法論、分析方法、特
徵技術、模型優化及評價，讀者通過這部分內容的學習，可以掌握預測的基本步驟和方法思路。 第2篇介紹預測演算法，該部分包含多元回歸分析、複雜回歸分析、時間序列及進階演算法，內容比較有難度，需要細心品味。 第3篇介紹預測案例，包括短期日負荷曲線預測和股票價格預測兩個實例，讀者可以瞭解到實施預測時需要關注的技術細節。 希望讀者在看完本書後，能夠將本書的精要融會貫通，進一步在工作和學習實踐中提煉價值。 遊皓麟，大資料分析、資料採擷專家，高級培訓講師。畢業于東南大學，從事大資料相關領域工作8年有餘，專注大資料架構、機器學習、資料採擷、NLP、知識圖譜等領域的方案設計、演算法
研究與工程實現。在遊戲、 第1 篇 預測入門 第1 章 認識預測 ． 2 1．1 什麼是預測 ． 2 1．1．1 占卜術 ． 3 1．1．2 神秘的地動儀 ． 3 1．1．3 科學預測 ． 5 1．1．4 預測的原則 ． 7 1．2 前沿技術 ． 9 1．2．1 大資料與預測 ． 10 1．2．2 大資料預測的特點 11 1．2．3 人工智慧與預測 ． 15 1．2．4 人工智慧預測的特點 ． 17 1．2．5 典型預測案例 ． 18 1．3 Python 預測初步 ． 26 1．3．1 數據預處理 ． 27 1．3．2 建立模型 ． 31 1．3．3 預測及誤差分析 ．
34 第2 章 預測方法論 ． 37 2．1 預測流程 ． 37 2．1．1 確定主題 ． 38 2．1．2 收集資料 ． 40 2．1．3 選擇方法 ． 42 2．1．4 分析規律 ． 43 2．1．5 建立模型 ． 48 2．1．6 評估效果 ． 51 2．1．7 發佈模型 ． 52 2．2 指導原則 ． 53 2．2．1 界定問題 ． 53 2．2．2 判斷預測法 ． 55 2．2．3 外推預測法 ． 56 2．2．4 因果預測法 ． 58 2．3 團隊構成 ． 59 2．3．1 成員分類 ． 59 2．3．2 數據氛圍 ． 61 2．3．3 團隊合作 ． 63 第3 章 探索規律 ．
65 3．1 相關分析 ． 65 3．1．1 自相關分析 ． 65 3．1．2 偏相關分析 ． 68 3．1．3 簡單相關分析 ． 69 3．1．4 互相關分析 ． 80 3．1．5 典型相關分析 ． 82 3．2 因果分析 ． 87 3．2．1 什麼是因果推斷 ． 87 3．2．2 因果推斷的方法 ． 90 3．2．3 時序因果推斷 ． 93 3．3 聚類分析 ． 98 3．3．1 K-Means 演算法 ． 98 3．3．2 系統聚類演算法 ． 102 3．4 關聯分析 110 3．4．1 關聯規則挖掘 110 3．4．2 Apriori 演算法 ． 111 3．4．3 Eclat 演算法
120 3．4．4 序列模式挖掘 ． 123 3．4．5 SPADE 演算法 124 第4 章 特徵工程 ． 136 4．1 特徵變換 ． 136 4．1．1 概念分層 ． 137 4．1．2 標準化 ． 138 4．1．3 離散化 ． 141 4．1．4 函數變換 ． 143 4．1．5 深入表達 ． 144 4．2 特徵組合 ． 145 4．2．1 基於經驗 ． 145 4．2．2 二元組合 ． 146 4．2．3 高階多項式 ． 148 4．3 特徵評價 ． 151 4．3．1 特徵初選 ． 151 4．3．2 影響評價 ． 152 4．3．3 模型法 ． 167 4．4 特徵學習 ．
172 4．4．1 基本思路 ． 173 4．4．2 特徵運算式 ． 174 4．4．3 初始種群 ． 183 4．4．4 適應度 ． 185 4．4．5 遺傳行為 ． 187 4．4．6 實例分析 ． 192 第2 篇 預測演算法 第5 章 參數優化 ． 199 5．1 交叉驗證 ． 199 5．2 網格搜索 ． 201 5．3 遺傳演算法 ． 203 5．3．1 基本概念 ． 203 5．3．2 遺傳演算法算例 ． 204 5．3．3 遺傳演算法實現步驟 ． 209 5．3．4 遺傳演算法Python 實現 210 5．4 粒子群優化 ． 213 5．4．1 基本概念及原理 ． 213
5．4．2 粒子群演算法的實現步驟 ． 214 5．4．3 用Python 實現粒子群演算法 215 5．5 模擬退火 ． 220 5．5．1 基本概念及原理 ． 220 5．5．2 類比退火演算法的實現步驟 ． 221 5．5．3 類比退火演算法Python 實現 222 第6 章 線性回歸及其優化 226 6．1 多元線性回歸 ． 226 6．1．1 回歸模型與基本假定 ． 226 6．1．2 最小二乘估計 ． 227 6．1．3 回歸方程和回歸係數的顯著性檢驗 ． 228 6．1．4 多重共線性 ． 229 6．2 Ridge 回歸 233 6．2．1 基本概念 ． 233 6．2．2
嶺跡曲線 ． 233 6．2．3 基於GCV 準則確定嶺參數 ． 235 6．2．4 Ridge 回歸的Python 實現 ． 237 6．3 Lasso 回歸 ． 237 6．3．1 基本概念 ． 237 6．3．2 使用LAR 演算法求解Lasso ． 238 6．3．3 Lasso 演算法的Python 實現 ． 240 6．4 分位數回歸 ． 242 6．4．1 基本概念 ． 242 6．4．2 分位數回歸的計算 ． 245 6．4．3 用單純形法求解分位數回歸及Python 實現 246 6．5 穩健回歸 ． 248 6．5．1 基本概念 ． 249 6．5．2 M 估計法及Pyt
hon 實現 ． 250 第7 章 複雜回歸分析 ． 254 7．1 梯度提升回歸樹（GBRT） ． 254 7．1．1 Boosting 方法簡介 254 7．1．2 AdaBoost 演算法 255 7．1．3 提升回歸樹演算法 ． 257 7．1．4 梯度提升 ． 259 7．1．5 GBRT 演算法的Python 實現 261 7．2 深度神經網路 ． 264 7．2．1 基本概念 ． 264 7．2．2 從線性回歸說起 ． 269 7．2．3 淺層神經網路 ． 272 7．2．4 深層次擬合問題 ． 277 7．2．5 DNN 的Python 實現 278 7．3 支持向量機回歸 ．
281 7．3．1 基本問題 ． 281 7．3．2 LS-SVMR 演算法 ． 284 7．3．3 LS-SVMR 演算法的Python 實現 ． 285 7．4 高斯過程回歸 ． 286 7．4．1 GPR 演算法 287 7．4．2 GPR 演算法的Python 實現 ． 289 第8 章 時間序列分析 ． 292 8．1 Box-Jenkins 方法 292 8．1．1 p 階自回歸模型 293 8．1．2 q 階移動平均模型 295 8．1．3 自回歸移動平均模型 ． 296 8．1．4 ARIMA 模型 ． 300 8．1．5 ARIMA 模型的Python 實現 ． 301 8
．2 門限自回歸模型 ． 309 8．2．1 TAR 模型的基本原理 309 8．2．2 TAR 模型的Python 實現 ． 310 8．3 GARCH 模型族 313 8．3．1 線性ARCH 模型 313 8．3．2 GRACH 模型 315 8．3．3 EGARCH 模型 ． 315 8．3．4 PowerARCH 模型 ． 316 8．4 向量自回歸模型 ． 318 8．4．1 VAR 模型基本原理 318 8．4．2 VAR 模型的Python 實現 ． 320 8．5 卡爾曼濾波 ． 324 8．5．1 卡爾曼濾波演算法介紹 ． 324 8．5．2 卡爾曼濾波的Python 實現
326 8．6 迴圈神經網路 ． 328 8．6．1 RNN 的基本原理 329 8．6．2 RNN 演算法的Python 實現 332 8．7 長短期記憶網路 ． 335 8．7．1 LSTM 模型的基本原理 ． 336 8．7．2 LSTM 演算法的Python 實現 341 第3 篇 預測應用 第9 章 短期日負荷曲線預測 ． 345 9．1 電力行業負荷預測介紹 ． 345 9．2 短期日負荷曲線預測的基本要求 ． 346 9．3 預測建模準備 ． 347 9．3．1 基礎資料獲取 ． 347 9．3．2 缺失資料處理 ． 349 9．3．3 潛在規律分析 ． 352 9．4 基於
DNN 演算法的預測 355 9．4．1 資料要求 ． 356 9．4．2 數據預處理 ． 356 9．4．3 網路結構設計 ． 357 9．4．4 建立模型 ． 358 9．4．5 預測實現 ． 359 9．4．6 效果評估 ． 359 9．5 基於LSTM 演算法的預測 361 9．5．1 資料要求 ． 361 9．5．2 數據預處理 ． 362 9．5．3 網路結構設計 ． 362 9．5．4 建立模型 ． 363 9．5．5 預測實現 ． 364 9．5．6 效果評估 ． 364 第10 章 股票價格預測 ． 367 10．1 股票市場簡介 ． 367 10．2 獲取股票資料 ． 36
8 10．3 基於VAR 演算法的預測 ． 371 10．3．1 平穩性檢驗 ． 371 10．3．2 VAR 模型定階 372 10．3．3 預測及效果驗證 ． 373 10．4 基於LSTM 演算法的預測． 375 10．4．1 資料要求 ． 375 10．4．2 數據預處理 ． 376 10．4．3 網路結構設計 ． 377 10．4．4 建立模型 ． 377 10．4．5 預測實現 ． 378 10．4．6 效果評估 ． 378 參考文獻 ． 381
以深度領域適應為基礎的視訊煙霧偵測方法於射出成型機之應用
為了解決AI 模型優化 的問題，作者周彥廷 這樣論述：
工業煙霧洩漏常伴隨著火災發生與爆炸危險，架設火災警報器可減少人員巡檢次數並降低時間成本，但傳統火災警報器對於煙霧偵測缺乏初期氣體洩漏與預警功能。若能在第一次煙霧產生時預警，則可替現場人員爭取更多應變時間，本研究使用生成煙霧影像對射出成型類生產線場域進行影像合成以實現自動標註(Auto-annotation)，並透過動作偵測(Motion Detection)提取幀差(Frame Difference)，再以卷積神經網路(Convolutional Neural Network，簡稱CNN)作為煙霧偵測演算法基底，在多條產線情況下，應用領域適應(Domain Adaptation，簡稱DA)方
法將煙霧偵測演算法遷移至其他射出成型類生產線上，以去除人工標註作業與重新訓練模型之時間。本研究透過灰階直方圖資訊融合(Gray Histogram Image Information Fusion)方式建立注意力機制(Attention Mechanism)，其結合領域對抗神經網路(Domain Adversarial Training of Neural Networks，簡稱DANN)以實現虛擬煙餅影像適應現場施放的水霧影像與分別於兩個不同類生產線場域之領域遷移(Domain Shift)的效果。實現結果顯示，本研究所提出之方法適用於類生產線場域，其結果能產生具泛化適應於兩種場域的模型，以
實現目標領域資料毋須進行標註、自動提取兩個領域特徵與自動進行對抗訓練以達到領域混淆(Domain Confusion)的功能，演算法經由實驗設計與優化實驗後，其正確率(Accuracy)、偵檢率(Detection Rate)與誤警率(Miss Alarm Rate)分別為93.17%、98.56%與10.10%，使用t-隨機鄰近嵌入法(t-distributed Stochastic Neighbor Embedding，簡稱t-SNE)顯示經由領域遷移可以提取水霧、煙餅與兩個射出成型機台間之領域不變特徵以利於類生產線場域實現節省人力、快速訓練與偵測煙霧異常的功能。