權重
含有「權重」共 496 篇內容
全部內容
發佈日期由新至舊
🌟《DeepSeek Math-V2 引爆開源革命：為什麼這款模型的出現，將徹底改變你的學習、研究與 AI 競爭格局？》
AI 會算數不是新聞，但 第一次有開源模型敢把自己推上「奧數金牌級別」的高度，而且還公開權重、讓全世界自由下載研究 —— 這件事，才真正代表了 AI 時代的新轉折。
這次我們要來了解CSS 選擇棄權重 & 關係選擇器
CSS 選擇棄權重是指不同 CSS 選擇器之間，哪一條規則會優先生效 的「重要性分數」。
就是當多個CSS規則同時套用到同一個元素時，決定哪一個樣式｢比較強」。
像是CSS:
p { color: blue; }
.text
付費限定
核心建議
在目前「美股 AI 成長股估值偏高、整體市場略高於合理價值、部分防禦及傳統產業相對便宜」的環境下， 建議採用「核心 ETF + 衛星個股」架構：global.morningstar+1
核心 70%：以美股大盤為主，兼顧成長及全球分散
VOO 約 35%：成本極低、成分高度分散，作
本章建立 AI × 通訊的共同數學語言，從機率模型、隨機過程、噪聲、MIMO 統計到似然與馬可夫鏈，統合通訊物理與 AI 最佳化。通訊的不確定性以數學描述，而 AI Receiver 以學習方式逼近最適解，是 6G 時代的核心。
本單元介紹馬可夫鏈如何描述「有記憶的通道」。通道狀態隨時間依賴前一時刻，產生 burst errors、遮蔽延續等行為。Gilbert–Elliott 與 FSMC 是常用模型，影響接收機設計，需用 Viterbi、BCJR 或 AI Receiver 處理時間相關性。
本單元介紹三大噪聲模型：WSS 強調統計穩定、白噪聲具平坦 PSD、窄帶噪聲能量集中於特定頻帶。白噪聲分析最簡單，窄帶干擾最貼近真實且最麻煩。理解噪聲模型是設計 OFDM、MIMO 與通道估測的核心。
本單元說明隨機過程如何描述通道隨時間變化的行為，包括 h(t)、自相關 R(τ)、Doppler 與快衰落對 OFDM、MIMO 與通道估測的影響。R(τ) 決定通道記憶性；Doppler 破壞正交性造成 ICI。理解隨機過程就是理解真實通訊。
本單元說明似然、對數似然與最大概似（MLE）如何成為通訊與 AI 的共同核心。MLE 用於通道估測、MIMO 偵測，透過最大化資料合理性找出最可能的參數；高斯雜訊下，MLE 等同最小化平方誤差，也是 cross-entropy 的統計本質。
本單元說明 MIMO 必須用隨機向量與聯合分布描述多天線通道的統計行為。協方差矩陣揭示天線相關性並決定 Beamforming、Rank 與容量，多變量高斯讓通道估測與偵測可解。MIMO 的核心本質就是「隨機向量的統計工程」。
本單元說明期望、方差與矩母函數如何描述通訊中的隨機行為。期望決定平均通道品質，方差反映 SINR 波動，MGF 則將衰落與雜訊整合成可解析模型，用於推導平均 BER 與容量，是 6G 通訊統計分析的核心工具。