工程
含有「工程」共 434 篇內容
全部內容
發佈日期由新至舊
郝信華 iPAS AI應用規劃師 學習筆記
2025/09/03
神經網路模型
神經網路中的特徵工程通常與傳統機器學習有所不同,因為深度神經網路具有自動學習有效特徵(Feature Learning)的能力,能從原始資料中自動抽取和組合複雜的特徵表示,減少對人工特徵工程的依賴。 神經網路中常見的特徵工程相關模型與方法: 1. 卷積神經網路(CNN) • 專門用於圖像處理
含 AI 應用內容
#
數據準備與模型選擇
#
神經
#
模型
喜歡
留言
藍色衝浪手
2025/09/03
跨能致勝看完後感想
廣泛經驗、多元涉獵、觸類旁通這些字眼最能代表這本書 做工程的我以為只要懂水電的專業技術,像是法規、規則這類很硬性,但每次都會讓我碰壁 舉例來說:工程有太多的介面,業主臨時修改、材料沒到、別的工種影響延誤到我們、工班的衝突、現場臨時的修改或是其他的衝突、人際關係之類的。 這些從來都不是學校能學習
#
讀書心得
#
經驗
#
人際關係
喜歡
留言
Ran的沙龍
2025/09/03
化學錨栓完整說明
化學錨栓是一種新型的固定材料,主要由金屬螺桿與化學藥劑組成,通常又被稱作化學螺栓或者化學植筋,利用黏著劑(通常是耐腐蝕的樹脂膠與石英顆粒和固化作為原料)將螺栓、鋼筋等金屬固定件植入到混凝土或石材、磚牆結構的一種錨固/固定方式,可用於機械設備、公路與橋樑、建築加固改造、幕牆結構等場合。 上好工程行有
#
化學錨栓
#
結構
#
切割
喜歡
留言
TN科技筆記(TechNotes)的沙龍
2025/09/02
RAG 已死?Chroma CEO 解析:從 RAG 演進到「情境工程」,打造新一代 AI 應用
「RAG 已死?」這句話前陣子引發一波討論風潮。RAG (Retrieval-Augmented Generation,檢索增強生成) 讓大型語言模型 (LLM) 能夠存取外部知識,看似解決了模型「胡說八道」和知識侷限性的問題。
#
科技
#
人工智慧
#
模型
1
留言
工程有光
2025/09/01
公職觀察 #1|暗溝裡的蟑螂,是我的公職起點
我的公職起點竟是跳進暗溝!滿腿泥水、蟑螂亂竄,在下水道裡度過五年。我看見專業不只是圖紙上的線條,而是能被人理解的語言。這些不起眼的歲月,成了我人生最意外卻最重要的養分。
#
土木
#
公職
#
專業
1
留言
鄭立的方格子
2025/09/01
[文章備份] 天人感應就是仇恨轉嫁
有些人從政會問,我明明很努力了,為何會被大眾仇恨?其實沒想像中那麼複雜。基本上大眾是一定會找一個目標去遷怒,仇恨,以及將所有責任推在他頭上的。而那個被仇恨的對象多數是被扣上一大堆跟他們毫無關係的責任。 我們是無法令人類不去仇恨與遷怒的。當然有一些人一定說甚麼仇恨是不好的之類,現實是如果講耶穌有用的
#
工程
#
中華文化
#
霸凌
4
留言
罪案暗房 Crime Darkroom
2025/09/01
深海密室:夜霧號上的血色謎局(下集)
詭異扭曲的童謠如同冰冷的毒蛇,在充滿血腥味的船首觀景台內纏繞、嘶鳴。每一句不成調的歌詞,都像無形的針,狠狠刺入在場每一個人的神經。陳品寧的尖叫被恐懼扼在喉嚨裡,只剩下劇烈的喘息。陳品宜死死扶著呆滯的父親,目光卻像被磁石吸住般,緊緊鎖定著張介安手電光束聚焦的那扇緊閉的合金櫃門。那裡面……藏著什麼?
#
天花板
#
玻璃
#
鈴木
3
留言
讓我想想的沙龍
2025/08/31
高師大燕巢校區軟體工程系2025年親師座談會小介紹,感謝高師大軟工系師長們~
高師大燕巢校區軟體工程系2025年親師座談會小介紹 系主任開講囉! 系主任介紹系上師長,然後比較資工與軟工的不同,這的確是大家都很有疑問的題目。 然後再繼續介紹係系上有的設備、教室、課程介紹。學分組成情形。也說明接續的就業情形,1/3~1/2的學生會往研究所的路去進行,看起來榜單都很好。也可
#
高師大
#
系主任
#
座談會
喜歡
留言
付費限定
888機器人
2025/08/30
受惠台電計畫,訂單加速釋出,法人預股成長38%
選股時從股息角度切入而不是只看殖利率,就像挑另一半要看「實際付出」而不是「甜言蜜語」。 營收就像承諾,聽起來很美,但沒有轉化成股息,就像只會說「以後帶你去環遊世界」卻從不買機票。 能穩定用盈餘配息的公司,才是真正把錢掏出來的對象,代表長期獲利穩健、現金流充足,也願意和股東分享成果。 觀察股息成
#
價值投資
#
毛利率
#
888產業分析模組
3
留言
Fisher 文組大叔 的沙龍
2025/08/30
數據分析的基礎工程:不只是資料品質而是問題意識
很多大公司小公司會想要導入數據分析作為內部決策的參考依據。不過,通常遇到的第一步,是發現公司內部空有資料,但殘缺不全。或是,基礎建設的效能不足等等問題。這時候,數據分析人員,往往除了執行數據分析的檢測或是資料探勘外,最常要做的就是自己動手清資料。也常常是因為這點,所以,許多公司的數據分析任務,一
#
數據
#
品質
#
基礎建設
1
留言