CRF150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

自然語言處理入門

為了解決CRF150的問題，作者何晗 這樣論述：

這是一本務實的入門書，助你零起點上手自然語言處理。HanLP作者何晗彙集多年經驗，從基本概念出發，逐步介紹中文分詞、詞性標注、命名實體識別、資訊抽取、文本聚類、文本分類、句法分析這幾個熱門問題的演算法原理與工程實現。書中通過對多種演算法的講解，比較了它們的優缺點和適用場景，同時詳細演示生產級成熟代碼，助你真正將自然語言處理應用在生產環境中。隨著本書的學習，你將從普通程式師晉級為機器學習工程師，最後進化到自然語言處理工程師。

CRF150進入發燒排行的影片

胰臟癌病患術後十二個月內營養狀態、疲憊與生活品質之相關性探討

為了解決CRF150的問題，作者許齡方 這樣論述：

背景：胰臟腫瘤切除手術是唯一能使胰臟癌治癒的治療方法，過去研究多著重於探討胰臟癌術後營養狀態、疲憊程度及生活品質之變化。然而，術後12個月胰臟癌術後疲憊對於病患之營養狀態與生活品質之改變所扮演的角色其相關機轉仍不甚明瞭，其三者之相關性亟待探討。目的：瞭解胰臟切除術後十二個月內胰臟癌病患營養狀態、疲憊和生活品質之改變，並探討影響胰臟切除術後胰臟癌病患生活品質之影響因子中，疲憊在營養狀態及生活品質間所扮演的角色。方法：本文為次級資料分析，採縱貫性、相關性研究設計。原研究採立意取樣，於北部某醫學中心之胰臟外科門診追蹤之胰臟癌術後病患為收案對象，本研究擷取其部分資料，樣本數共為89人。資料收集時間為

術前、術後3、6、12個月共4次，以測量身體組成成分、上下肢肌力及迷你營養量表（Mini Nutritional Assessment, MNA）評估受試者之營養狀態。使用疲倦症狀量表（Fatigue Symptom Inventory, FSI）評估其疲憊程度及癌症治療功能性評估一般量表（The Functional Assessment of Cancer Therapy-General, FACT-G）評估其生活品質，並以自擬之基本人口學與疾病治療資料表收集受試者之基本資料。以IBM SPSS Statistics 26.0版進行資料分析，統計方式包含描述性統計、無母數檢定、Spearm

an等級相關、廣義估計方程式與Sobel中介效果檢定。結果：胰臟癌病患之營養狀態術前至術後12個月之改變具有顯著差異。其中術前體重（60.45±11.44公斤，p

終身機器學習（原書第2版）

為了解決CRF150的問題，作者(美)陳志源劉兵 這樣論述：

本書介紹終身學習這種高級機器學習範式，這種範式通過積累過去的知識持續地學習，並將學到的知識用於幫助在未來進行其他學習和解決問題。相比之下，當前主流的機器學習範式都是孤立學習，即給定一個訓練資料集，之後在這個資料集上運行機器學習演算法以生成模型，然後再將該模型運用于預期的應用。這些范式不保留已經學到的知識，也不將其運用到後續的學習中。與孤立學習系統不同，人類只通過少量的樣例就能實現有效學習，這是因為人類的學習是知識驅動的，即只需少量的資料或付出，就能利用過去已經學到的知識去學習新事物。終身學習的目標就是模仿人類的這種學習能力，因為一個沒有持續學習能力的AI系統不能算作真正的智慧。 自本書第1版

出版以來，終身學習的研究在相對較短的時間內取得了顯著的進展。出版第2版是為了擴展終身學習的定義，更新部分章節的內容，並添加一個新的章節來介紹深度神經網路中持續學習的內容，這部分內容在過去的兩三年裡一直被積極研究。部分章節的內容也進行了修改，使得內容更有條理，方便讀者閱讀。此外，作者希望為這一研究領域提出一個統一的框架。目前，在機器學習中有幾個與終身學習密切相關的研究課題，特別是多工學習、遷移學習以及元學習，因為它們也採用了知識共用和知識遷移的思想。本書之所以集中介紹這些技術並討論其異同，目的是在介紹終身機器學習的同時，對該領域的重要研究成果和新想法進行全面回顧。本書適用於對機器學習、資料採擷、

自然語言處理或模式識別感興趣的學生、研究人員和從業人員。   陳志源（ZhiyuanChen） 在伊利諾伊大學芝加哥分校劉兵教授的指導下獲得博士學位，博士論文題目為“終身機器學習：主題建模與分類”。他于2016年加入穀歌公司。他的研究興趣包括機器學習、自然語言處理、文本挖掘、資料採擷和競價拍賣演算法。他提出了幾種終身機器學習演算法，實現了自動從文本文檔中挖掘資訊，並在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要會議上發表了超過15篇長篇研究論文。他還在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三個關於終身機器學習的教程。他曾經是許

多著名的自然語言處理、資料採擷、人工智慧和互聯網研究會議的成員，並于2015年獲得伊利諾州技術基金會頒發的最有潛力50人獎，以表彰他的學術貢獻。 劉兵（Bing Liu） 是伊利諾伊大學芝加哥分校的傑出教授，在愛丁堡大學獲得了博士學位。他的研究興趣包括終身學習、情感分析、資料採擷、機器學習和自然語言處理，他在頂級會議和期刊上發表了大量論文，其中兩篇論文獲得了KDD 10年Test-of-Time獎，一篇論文獲得WSDM 10年Test-of-Time獎。他也是4本書的作者，其中2本關於情感分析，1本關於終身學習，1本關於資料採擷。他的一些工作被媒體廣泛報導，包括《紐約時報》的頭版文章。他是

2018 ACM SIGKDD創新獎的獲得者，也是很多頂級資料採擷會議（包括KDD、ICDM、CIKM、WSDM、SDM和PAKDD）的程式主席。他同時是包括TKDE、TWEB、DMKD和TKDD在內的頂級期刊的副編輯，還是很多自然語言處理、人工智慧、網路和資料採擷會議的領域主席或者高級程式委員會成員，並且曾經是2013～2017年ACM SIGKDD的主席，是ACM、AAAI和IEEE會士。   譯者序 前 言 致 謝 第1章 引言1 1.1 傳統機器學習範式1 1.2 案例3 1.3 終身學習簡史7 1.4 終身學習的定義9 1.5 知識類型和關鍵挑戰14 1.6 評

估方法和大資料的角色17 1.7 本書大綱18 第2章 相關學習範式20 2.1 遷移學習20 2.1.1 結構對應學習21 2.1.2 樸素貝葉斯遷移分類器22 2.1.3 遷移學習中的深度學習23 2.1.4 遷移學習與終身學習的區別24 2.2 多工學習25 2.2.1 多工學習中的任務相關性25 2.2.2 GO-MTL：使用潛在基礎任務的多工學習26 2.2.3 多工學習中的深度學習28 2.2.4 多工學習與終身學習的區別30 2.3 線上學習30 2.4 強化學習31 2.5 元學習32 2.6 小結34 第3章 終身監督學習35 3.1 定義和概述36 3.2 基於記憶的終

身學習37 3.2.1 兩個基於記憶的學習方法37 3.2.2 終身學習的新表達37 3.3 終身神經網路39 3.3.1 MTL網路39 3.3.2 終身EBNN40 3.4 ELLA：高效終身學習演算法41 3.4.1 問題設定41 3.4.2 目標函數42 3.4.3 解決第一個低效問題43 3.4.4 解決第二個低效問題45 3.4.5 主動的任務選擇46 3.5 終身樸素貝葉斯分類47 3.5.1 樸素貝葉斯文本分類47 3.5.2 LSC的基本思想49 3.5.3 LSC技術50 3.5.4 討論52 3.6 基於元學習的領域詞嵌入52 3.7 小結和評估資料集54 第4章 持續

學習與災難性遺忘56 4.1 災難性遺忘56 4.2 神經網路中的持續學習58 4.3 無遺忘學習61 4.4 漸進式神經網路62 4.5 彈性權重合並63 4.6 iCaRL：增量分類器與表示學習65 4.6.1 增量訓練66 4.6.2 更新特徵表示67 4.6.3 為新類構建範例集68 4.6.4 在iCaRL中完成分類68 4.7 專家閘道69 4.7.1 自動編碼閘道69 4.7.2 測量訓練的任務相關性70 4.7.3 為測試選擇最相關的專家71 4.7.4 基於編碼器的終身學習71 4.8 生成式重放的持續學習72 4.8.1 生成式對抗網路72 4.8.2 生成式重放73 4.

9 評估災難性遺忘74 4.10 小結和評估資料集75 第5章 開放式學習79 5.1 問題定義和應用80 5.2 基於中心的相似空間學習81 5.2.1 逐步更新CBS學習模型82 5.2.2 測試CBS學習模型84 5.2.3 用於未知類檢測的CBS學習84 5.3 DOC：深度開放式分類87 5.3.1 前饋層和一對其餘層87 5.3.2 降低開放空間風險89 5.3.3 DOC用於圖像分類90 5.3.4 發現未知類90 5.4 小結和評估資料集91 第6章 終身主題建模93 6.1 終身主題建模的主要思想93 6.2 LTM：終身主題模型97 6.2.1 LTM模型97 6.2.

2 主題知識挖掘99 6.2.3 融合過去的知識100 6.2.4 Gibbs採樣器的條件分佈102 6.3 AMC：少量資料的終身主題模型102 6.3.1 AMC整體演算法103 6.3.2 挖掘must-link知識104 6.3.3 挖掘cannot-link知識107 6.3.4 擴展的Pólya甕模型108 6.3.5 Gibbs採樣器的採樣分佈110 6.4 小結和評估資料集112 第7章 終身資訊提取114 7.1 NELL：永不停止語言學習器114 7.1.1 NELL結構117 7.1.2 NELL中的提取器與學習118 7.1.3 NELL中的耦合約束120 7.2 終

身評價目標提取121 7.2.1 基於推薦的終身學習122 7.2.2 AER演算法123 7.2.3 知識學習124 7.2.4 使用過去知識推薦125 7.3 在工作中學習126 7.3.1 條件隨機場127 7.3.2 一般依賴特徵128 7.3.3 L-CRF演算法130 7.4 Lifelong-RL：終身鬆弛標記法131 7.4.1 鬆弛標記法132 7.4.2 終身鬆弛標記法133 7.5 小結和評估資料集133 第8章 聊天機器人的持續知識學習135 8.1 LiLi：終身交互學習與推理136 8.2 LiLi的基本思想139 8.3 LiLi的組件141 8.4 運行示例1

42 8.5 小結和評估資料集142 第9章 終身強化學習144 9.1 基於多環境的終身強化學習146 9.2 層次貝葉斯終身強化學習147 9.2.1 動機147 9.2.2 層次貝葉斯方法148 9.2.3 MTRL演算法149 9.2.4 更新層次模型參數150 9.2.5 對MDP進行採樣151 9.3 PG-ELLA：終身策略梯度強化學習152 9.3.1 策略梯度強化學習152 9.3.2 策略梯度終身學習設置154 9.3.3 目標函數和優化154 9.3.4 終身學習的安全性原則搜索156 9.3.5 跨領域終身強化學習156 9.4 小結和評估資料集157 第10章 結

論及未來方向159 參考文獻164     前言 Lifelong Machine Learning,Second Edition   編寫第2版的目的是擴展終身學習的定義，更新部分章節的內容，並添加一個新的章節來介紹深度神經網路中的持續學習(continual learning in deep neural networks），這部分內容在過去的兩三年裡一直被積極研究。另外，還重新組織了部分章節，使得內容更有條理。 編寫本書的工作始於我們在2015年第24屆國際人工智慧聯合會議（IJCAI）上關於終身機器學習(lifelong machine learning）的教程

。當時，我們已經對終身機器學習這個主題做了一段時間的研究，並在ICML、KDD和ACL上發表了幾篇文章。當Morgan ＆ Claypool出版社聯繫我們要出版關於該主題的圖書時，我們很興奮。我們堅信終身機器學習（或簡稱終身學習）對未來的機器學習和人工智慧（AI）至關重要。值得注意的是，終身學習有時在文獻中也被稱為持續學習(continuallearning）或連續學習(continuous learning）。我們對該主題的最初研究興趣源於幾年前在一個初創公司所做的關於情感分析（SA）的工作中所積累的廣泛應用經驗。（典型的SA專案始于客戶在社交媒體中對他們自己或競爭對手的產品或服務發表的消費

者意見。）SA系統包含兩個主要的分析任務：（1）發現人們在評論文檔（如線上評論）中談到的實體（例如，iPhone）和實體屬性/特徵（例如，電池壽命）；（2）確定關於每個實體或實體屬性的評論是正面的、負面的或中立的［Liu,2012,2015］。例如，從“iPhone真的很酷，但它的電池壽命很糟糕”這句話中，SA系統應該發現：（1）作者對iPhone的評論是正面的；（2）作者對iPhone的電池續航時間的評論是負面的。 在參與許多領域（產品或服務的類型）的許多專案之後，我們意識到跨領域和跨項目之間存在著大量可共用的資訊。隨著我們經歷的項目越來越多，遇到的新事物卻越來越少。很容易看出，情感詞和短

語（如好的、壞的、差的、糟糕的和昂貴的）是跨領域共用的，大量的實體和屬性也是共用的。例如，每個產品都有價格屬性，大量電子產品有電池，大多數還有螢幕。如果不使用這些可共用的資訊來大幅度提高SA的準確度，而是單獨處理每個專案及其資料，是比較愚蠢的做法。經典的機器學習范式完全孤立地學習。在這種範式下，給定一個資料集，學習演算法在這個資料集上運行並生成模型，演算法沒有記憶，因此無法使用先前學習的知識。為了利用知識共用，SA系統必須保留和積累過去學到的知識，並將其用於未來的學習和問題的解決，這正是終身學習(lifelonglearning）的目標。 不難想像，這種跨領域和跨任務的資訊或知識共用在每個領域

都是正確的。在自然語言處理中尤為明顯，因為單詞和短語的含義在不同領域和任務之間基本相同，句子語法也是如此。無論我們談論什麼主題，都使用相同的語言，儘管每個主題可能只使用一種語言中的一小部分單詞和短語。如果情況並非如此，那麼人類也不會形成自然語言。因此，終身學習可以廣泛應用，而不僅僅局限於情感分析。 本書的目的是提出這種新興的機器學習範式，並對該領域的重要研究成果和新想法進行全面的回顧。我們還想為該研究領域提出一個統一的框架。目前，機器學習中有幾個與終身學習密切相關的研究課題，特別值得注意的是多工學習和遷移學習，因為它們也採用了知識共用和知識遷移的思想。本書將集中介紹這些主題，並討論它們之間的

相同和差異。我們將終身學習視為這些相關範式的擴展。通過本書，我們還想激勵研究人員開展終身學習的研究。我們相信終身學習代表了未來幾年機器學習和人工智慧的主要研究方向。如果不能保留和積累過去學到的知識，對知識進行推理，並利用已學到的知識幫助未來的學習和解決問題，那麼實現通用人工智慧（Artificial General Intelligence, AGI）是不可能的。 編寫本書遵循了兩個主要指導原則。首先，它應該包含開展終身學習研究的強大動機，以便鼓勵研究生和研究人員致力於研究終身學習的問題。其次，它的內容對於具有機器學習和資料採擷基礎知識的從業者和高年級本科生應該是易於理解的。但是，對於計畫攻

讀機器學習和資料採擷領域博士學位的研究生來說，應該學習更加詳盡的資料。 因此，本書適用於對機器學習、資料採擷、自然語言處理或模式識別感興趣的學生、研究人員和從業人員。   陳志源和劉兵 2018年8月  

癌症合併睡眠障礙之健康相關生活品質與醫療資源利用

為了解決CRF150的問題，作者林螢佳 這樣論述：

研究目的睡眠障礙是癌症患者經常出現的問題，儘管過去許多研究都在討論癌症患者與生活品質之間的重要性，近年來癌症患者與睡眠障礙之間的關係也引起了廣泛地關注，且有研究表示癌症與睡眠障礙之間的影響存在雙向關係，此外，不健康的睡眠將會加劇不良的健康狀況與生活品質，進而產生更龐大的醫療支出，因此本研究目的將探討癌症合併睡眠障礙之健康相關生活品質與醫療資源利用。研究方法本研究採橫斷面研究方式並使用2018年至2019年Medical expemditure panel survey(MEPS)美國資料庫進行分析，研究對象為18歲以上之成年人，共計25,274人，加權樣本為393,379,520，並將其分為

四組：(a)癌症(+)與睡眠障礙(+)；(b)癌症(+)與睡眠障礙(-)；(c)癌症(-)與睡眠障礙(+)；(d)癌症(-)與睡眠障礙(-)。利用線性複迴歸分析探討四組疾病特質之健康相關生活品質與醫療資源利用的差異，也近一步採用負二項式分布模型及廣義線性模型探討醫療資源使用次數與醫療支出。研究結果本研究發現與癌症(-)與睡眠障礙(-)相比，僅罹患睡眠障礙者Physical Component Summary(PCS)分數低1.82分，癌症合併睡眠障礙者低1.54分，僅罹患睡眠障礙者Mental Component Summary(MCS)分數低2.70分，癌症合併睡眠障礙者低1.49分；癌症合

併睡眠障礙者診所就診次數多11.32次、門診就診次數多2.79次、急診就診次數多0.16次；總醫療支出高13192美元、診所支出高3599美元、住院支出高1674美元、處方藥支出高5225美元、其他醫療設備及服務支出高185美元。結論與建議不論有無癌症，患有睡眠障礙者其生理及心理健康相關生活品質都是相對較差，由此我們得知睡眠障礙對生活品質影響甚大，若經歷睡眠問題未適時得到診斷和治療，將會對日常生活產生嚴重的負面影響，因此，不管在臨床或病患都應該更重視睡眠的重要性，藉以提升其睡眠品質；醫療資源利用方面則是以癌症患者更高，未來應著重於提倡醫病共享決策(SDM)，使醫護人員適時與患者溝通、討論以選出

最適合的治療方式，並評估提供醫療服務的價值及治療方式的適當性，讓醫療服務可以有效的被利用並節省費用的支出。