熱門Ptt文章

[爆卦]product函數是什麼？優點缺點精華區懶人包

雖然這篇product函數鄉民發文沒有被收入到精華區：在product函數這個話題中，我們另外找到其它相關的精選爆讚文章

在 product函數產品中有7篇Facebook貼文，粉絲數超過771的網紅筆記，也在其Facebook貼文中提到， 大家好！今天要交功課，所以挑戰自我的快速錄製這篇自我介紹，並不是要告訴各位什麼大道理。 相反的，熟識我的人都知道，及然一出生被醫生判定為發育遲緩，小學五年級還被班導師當著全班同學說我五音不全，上了國中更是Ａ段班、Ｂ段班、放牛班、資優班全都讀過。 長大後，談個戀愛還被兵變，入社會工作兩度被炒魷魚，...

　同時也有66部Youtube影片，追蹤數超過1萬的網紅CMmath，也在其Youtube影片中提到，#高中數學 ＃數甲 ＃分科測驗 成為這個頻道的會員並獲得獎勵： https://www.youtube.com/channel/UCkFG4UB42m0vvx9Rv8ISeFw/join . 本章節課程由微補習-蕭名老師主講 蕭名老師為台中私立名校醫科班任課教師 /台中各大補習班專任講師 . 購買網...

「product函數」的推薦目錄

product函數 在 109學測∣企鵝讀書帳×企鵝工作坊 Instagram 的最佳解答

2021-07-11 08:52:37

dentist.xyz的合作文> 先前有許多同學在問學測的推薦用書，企鵝看過蠻多本參考書，推薦這本數學筆記給大家～ . 📚關於這本筆記： 總共184頁，雙面，全彩印刷，裝訂成冊 範圍：高中第一冊到第四冊(第三冊、第四冊，涵蓋自然組B版內容)，基本上學測的範圍都有涵蓋到 可以作為準備指考用，但是本書僅...

  • 筆記

    product函數 在 筆記 Facebook 的最佳解答

    2021-01-11 08:30:24
    有 2 人按讚

    大家好！今天要交功課，所以挑戰自我的快速錄製這篇自我介紹，並不是要告訴各位什麼大道理。

    相反的，熟識我的人都知道，及然一出生被醫生判定為發育遲緩，小學五年級還被班導師當著全班同學說我五音不全，上了國中更是Ａ段班、Ｂ段班、放牛班、資優班全都讀過。

    長大後，談個戀愛還被兵變，入社會工作兩度被炒魷魚，這樣的人，可以在外商公司負責 global sales & marketing head，可以台灣首富身邊做幕僚，可以擔任兩家上市公司董事，可以經營台灣知名的創業加速器。

    我只想告訴你，這些一點都不神奇，過去及然也搞不懂自己為什麼會失敗，即使成功也不知道為什麼會成功，就像日本經營之神稻盛和夫先生，在65歲的時候問了自己一個簡單的問題：「人生的意義究竟是什麼 ?」

    幸運的是，及然沒有像稻盛和夫去日本京都圓福寺出家，而是在母親的啟發下，因緣際會接觸了量子物理學，從「量子能量公式」到「量子複數波函數」，從第一維度到第八維度時空，從腦神經細胞到意識的作用，終於掌握了宇宙大自然運行的法則，並且透過這個法則改變了自己，也改變了人生。

    這些原理會很困難嗎？完全不會，連我這個放牛班的都一看就懂，一聽就會，所以不要再問我為什麼了，人生沒有為什麼，要問要不要？因為要就有希望！

    給自己一個機會，全世界最遠的距離不是搭乘飛機的距離，而是我們從頭到腳的距離，因為知道，卻做不到。

    我是顧及然，我們一起來做到吧！2021 成就第一！Oh~~~Yes！

    想與我對話的朋友，歡迎在下面留言，或是這個月底直接來高雄義大與我面對面交流喔～

    《生命的震動與覺醒》
    時間：2021年 1 月 29~31 日 三天二夜課程
    地點：義大天悅飯店
    地址：高雄市大樹區三和里義大八街100號
    報名：https://darchen.waca.tw/product/detail/480936

  • 台灣物聯網實驗室 IOT Labs

    product函數 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答

    2020-12-14 12:01:59
    有 0 人按讚

    訓練AI模型，要多少數據？拆解企業人工智慧專案為何難落地

    2020.12.09 by 若水AI Blog

    企業導入AI似乎已成為一種趨勢，但是訓練AI模型，需要多少數據？其背後的商業命題與成本又該如何解決？帶你來一起窺探AI專案背後的秘密！

    企業的AI專案在釐清問題本質、找到命題之後，首先會面臨到一個問題：收集數據（Data Collection）和建立AI模型（Model Establishing），該以什麼作為評估基準？

    訓練一個AI數據模型，需要多少數據？

    訓練AI數據模型時，其實有三個要素，彼此互相影響。分別是： 商業問題的複雜度 、 AI模型複雜度 （Model Complexity），以及 數據複雜度 （Data Complexity）。

    因此，如果想知道需要多少訓練數據（Training Data），建議先釐清：這個AI專案到底要處理什麼問題，以及這個問題有多複雜？確定之後，再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度，用不同複雜度的模型和精準數據彼此搭配，找出最佳平衡，才能讓AI專案順利落地。

    但光憑想像，很難評估實際的AI數據量和成效，所以開始AI的第一步，需要先透過POC概念驗證（Proof of Concept）實驗來找答案。

    簡單來說，就是針對不同複雜程度的商業問題，嘗試選用不同複雜度的模型搭配測試，直到模型跑出來的曲線，符合理想目標。

    一般狀態下，假設商業問題本身的複雜度很高，我們會預期要選擇複雜度較高的模型。但是如果數據量不足，那麼選擇複雜度較高的AI模型，反而會比用簡單的AI模型效果還差。（上圖左上、右上，分別代表複雜度10和複雜度50的問題，可以明顯看出複雜的模型曲線比較接近學習數據集（Dataset），但是在測試數據集上的誤差 Eout，反而比簡單模型還差了許多。）

    上圖的左下和右下，是以不同複雜度的模型去做POC，跑出來的結果曲線圖。藍色線代表的是學習數據（Training Data）成效，紅色線代表的是測試數據（Testing Data）成效。最理想的POC目標，應該是兩條曲線很貼近彼此，而且位置越低越好。

    我們會發現，左下這張圖的兩條曲線雖然彼此貼近，但是就算增加數據，也無法降低誤差。這表示模型偏誤（Bias）高，效果不佳，應該要增加模型複雜度 （Model Complexity）。

    增加模型複雜度之後，就會像右下這張圖，藍色曲線（學習數據）雖然數值很低，但在學習數據不足的情況下（灰色區塊），紅色曲線（測試數據）卻「飄」得太高。這表示模型變異誤差（Variance）高，應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後，我們就可以達到理想的結果（兩條曲線很貼近彼此，而且位置越低越好）。

    數據哪裡來？發展AI人工智慧之前，先建立數據流

    先前我在文章裡提到，很多企業會急著開發AI模型，但AI專案落地經驗的三大關鍵之一，其實是先確認：是否已經準備好數據了？如果沒有這樣的能力，談AI落地其實有點好高騖遠。

    AI數據收集（Data Collection）最大的挑戰，在於針對不同型態的命題，會產生不同的AI數據需求，因此需要建立的「數據流」（Data Pipeline），AI數據處理 （Data Processing）和數據標註（Data Annotation）的模式及流程也會有所不同。

    發展AI之前，如果能建立起從數據收集（Data Collection）、數據處理（Data Processing）到AI模型學習的數據流（Data Pipeline），並確保可以順暢運行，實際訓練AI模型時才會省力很多。

    數據不夠或太多怎麼辦？

    Google開設的機器學習（Machine Learning）課程中，第一項原則就開宗明義地指出：「Don’t be afraid to launch a product without machine learning」。

    如果你的產品或業務不一定需要用到機器學習（Machine Learning），那就別用，除非你有AI數據。有數據，再來談機器學習（Machine Learning）。但在業界的實際狀況，大家不是沒有數據，而是只有一些些，這時候該怎麼辦？我會建議，先從小地方開始做起，也就是從POC專案著手。

    POC專案要有具體成效，除了要注意設計專案、實驗模型的指標（Metrics），企業最重要的是要先定義清楚：AI專案要達到什麼樣的指標，才算是成功？這樣最後做出來的成果，才會真正符合商業目標。

    如果今天不是沒有AI數據，而是數據很多，又該從何下手呢？

    我建議，嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。

    過去曾經處理過一個AI專案，數據多達2億筆。第一次實驗，把數據全部餵進AI模型，取得結果。第二次，只拿其中有代表性的500萬筆出來訓練人工智慧。

    猜猜結果如何？兩次實驗的表現，只差異不到1%。

    所以，如果企業對於AI數據的品質和數量有一定程度的自信根據，其實不用把數據全部餵進AI模型訓練（Model Training），只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具（Cluster），可以做到這點，幫助省時省力。

    AI模型訓練，記得校準商業目標

    企業發展AI人工智慧的最終目的，還是希望能 達到商業目標，創造價值 。

    所以，訓練AI模型時，團隊如果不知道如何判斷哪個指標，對AI模型學習來說比較重要，建議回歸初心，重新釐清「 這個專案想達到的商業目標是什麼 」。

    比方，趨勢科技（Trend Micro）要開發一個能夠判斷電腦病毒的AI，但是勒索病毒（denial-of-access attack）和廣告病毒對客戶的傷害程度大不相同。這時候，工程師就會針對這個命題，餵給AI模型不同病毒種類的數據，讓它學會判斷不同病毒的重要性，分辨出哪些病毒比較嚴重不能有判斷錯誤，而哪些病毒比較無害，不一定要做到一百分。

    最常見的訓練方法，是用成本函數（Cost Function）的方式，訓練完再回去調整AI模型的評分（Rating），用加扣分的方式，告訴機器它的學習表現是好是壞，做對就加分，做錯就扣分。

    上述評分原則的制定，和企業的商業價值考量息息相關，所以一般在組織分工，會由PM專案團隊負責判斷哪些項目重要，請資料科學家設計在上述Cost Function裡面。

    很多人以為，AI人工智慧開發要做到很完美才行，但其實根據我們的經驗，只要AI開發成本符合預算、AI模型表現可接受（大約做到60–70分），而且結果有助於降低成本，就可以算是達到商業目標。反過來，即使AI模型表現非常好（高達90分），但成本卻遠超出預算，就不建議執行。

    另外，因為POC階段會做很多的實驗，需要拿兩個穩定且可以互相比較的基準做A/B Test，所以做好基礎建設非常重要。

    如果一個團隊裡面有三位工程師，但三個人做出來的結果都無法互相比較，那麼這個實驗就會變得霧裡看花，導致AI專案難以落地。

    AI數據小學堂：模型指標（metrics）

    在做模型實驗時，通常會用混淆矩陣（Confusion Matrix）的四種指標：TP（True Positive）、TN（True Negative）、FP（False Positive）、FN（False Negative），以及Count、Unique和Accuracy等等函數，來判斷這個模型的表現好不好。

    P或TN值，代表模型辨識的答案正確，和預期結果一致。例如：模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值，則代表模型的判斷錯誤，例如「明明是貓，模型卻說不是貓」、「明明不是貓，模型卻說它是貓」。

    附圖：AI模型 若水國際
    AI模型的POC概念驗證實驗怎麼做？

    資料來源：https://www.bnext.com.tw/article/60440/ai-strategy-04?fbclid=IwAR1SOhjjGxypdGgOGfaBIl_a1IsZFJAQZ8J2aeDd98spbUfOdg7hiPQP7UA

  • 就是教不落 - 阿湯

    product函數 在 就是教不落 - 阿湯 Facebook 的最讚貼文

    2020-03-12 11:33:31
    有 194 人按讚

    超多用途的 Product 函數，其實在網路的各種 Excel 教學中，很常出現在範例裡的函數，用法很多元，先從基礎給他學起來！

    https://www.youtube.com/watch?v=5J6Tu3avq5Y

你可能也想看看

搜尋相關網站