人工智慧的應用的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

輕課程 寓教於樂 AI人工智慧概念含特徵小偵探桌遊包 - 最新版 - 附MOSME行動學習一點通：診斷

為了解決人工智慧的應用的問題，作者吳聲毅,方嘉岑 這樣論述：

　　1.市面上第一本以不插電桌遊之方式，透過遊戲機制，學習人工智慧相關概念。 　　2.可以學習神經元、突觸、特徵量、機器學習、監督式學習、非監督式學習、強化學習等人工智慧概念。 　　3.除了人工智慧相關概念，亦可以從遊戲機制與卡牌中，了解人工智慧在生活中的應用。   　　●MOSME行動學習一點通功能 　　使用「MOSME 行動學習一點通」，登入會員與書籍序號後，可線上使用相關資源。 　　診斷：本書各章的「遊戲時間」單元可檢視學習成效，以及從卡牌遊戲中，了解人工智慧的應用。

人工智慧的應用進入發燒排行的影片

以改良的氧化鋯鉿鐵電鰭式記憶體來實現可靠的多位元操作

為了解決人工智慧的應用的問題，作者張壬奎 這樣論述：

隨著人工神經網路與人工智慧日益蓬勃發展，龐大的資料與高密度的運算單元逐漸成為主要發展的目標，其主要是為了達到大量運算以及自我學習。近年來，鐵電鰭式記憶體被視為新世代最有可能達成該應用的非揮發性記憶體，在眾多的非揮發性記憶體當中，鐵電鰭式記憶體依靠著內部偶極矩(dipole)與電壓精準控制的能力來達到多位元的儲存，其優勢與不可取代性遠大於其他的非揮發性記憶體。眾多研究團隊致力研究於鐵電氧化鋯鉿(Hafnium Zirconium Oxide)上，研究指出，金屬與氧化鋯鉿的界面會大幅度影響鐵電材料的偶極矩，所以，本論文提出透過增加界面層的方式來改善鐵電材料中偶極矩與金屬電極之間的問題，來提升鐵電

記憶體的性能。因此，吾等比較兩種不同結構的鐵電介電層推疊來量化性能提升的大小以及改善的幅度，隨著材料內部極化量的提升，記憶體中最重要的參數-記憶體視窗 (Memory Window) 也會跟著提升，當記憶體視窗提升，此記憶體單元更能夠實現多位元的操作。接著，在耐久度的測試當中，此改良的鐵電記憶體元件能操作超過109次並且能維持105的開關比 (on/off ratio) 並無任何明顯的退化。此外，有界面層的鐵電記憶體元件呈現較佳的資料保存能力，可以在100度C下維持超過十年的時間，綜合上述幾個優點，此界面層不僅能夠提供較好的可靠度、且成功的實現8階單元的儲存。總體來說，本論文提出的改良式氧化鋯

鉿鐵電鰭式記憶體在內嵌式鐵電記憶體領域當中具有良好效能以及較高的競爭力，來實現可靠的多位元操作，此項研究成果在鐵電記憶體的領域具有較突出且優良的表現。因此，有很大的潛力來應用於人工神經網路與人工智慧的應用上。

計算機概論：科技趨勢深度剖析(第八版)

為了解決人工智慧的應用的問題，作者全華研究室,王麗琴,郭欣怡 這樣論述：

　　本書乃針對資訊科學基礎教育所設計，內容涵蓋計算機概論的諸多領域，諸如：資訊科技與智慧科技、人工智慧、數字及資料表示法、軟體與硬體基礎知識、網路與行動通訊、物聯網、雲端運算、區塊鏈與金融科技、電子商務、資料庫、大數據、資訊系統、資訊安全與社會議題、資訊素養與倫理等。 　　各章節除了以豐富的圖文與清楚的圖表來呈現資訊科學的理論基礎，更適當穿插與主題相關的熱門應用，納入時事與生活相關的最新科技發展趨勢，讓讀者一手掌握核心知識與資訊脈動。 本書特色 　　1.內容完整 　　本書乃針對資訊科學基礎教育所設計，內容涵蓋計算機概論的諸多領域。 　　2.理論紮實 　　各章節搭配豐

富圖文與清晰圖表來呈現資訊科學的理論基礎，以淺顯易懂的方式培養讀者的基本瞭解能力。 　　3.掌握資訊潮流 　　依文中主題適當穿插相關的熱門應用與主題介紹，納入相關時事生活的最新科技發展趨勢，讓讀者一手掌握核心知識與資訊脈動。 　　4.收納科技新知 　　本書介紹最新且熱門的科技趨勢，如量子科技、元宇宙、NFT、去中心化金融、遊戲化金融、DTC/D2C、先買後付、NoSQL、暗網、AI創作著作權、NFT著作權等。

應用於物件偵測之抗變異三元電阻式記憶體內運算巨集單元設計

為了解決人工智慧的應用的問題，作者宋耘 這樣論述：

隨著人工智慧的蓬勃發展，許多有關於人工智慧的應用相繼出現，例如圖形辨識、語音辨識、物件偵測等等都與人工智慧有關。而這些應用皆是以神經網路的形式實現，在神經網路中須以大量特徵及權重值進行的乘加運算，並在多次訓練的過程中漸漸找出最佳解。但由於傳統的馮·諾伊曼架構中，運算單元及記憶單元是分開的，這使得在處理大量神經網路數據的過程中，在運算單元及記憶單元來回搬運資料的過程消耗了大量的時間及能量，我們稱之為馮·諾伊曼瓶頸，因此記憶體內運算的架構被提出，使用記憶體進行運算可以減少搬運大量數據所消耗的能量及時間。我們使用電阻式隨機存取記憶體來儲存神經網路的權重，因電阻式記憶體為非揮發式記憶體，可在關閉電源

時仍可保持其權重，且架構簡單、面積小、讀取速度快，上述皆為我們選用電阻式記憶體的原因。然而記憶體內運算架構中仍面臨許多挑戰，例如電阻值的變異、周邊電路的變異性及非線性問題，使得記憶體內運算結果不準確進而影響到其應用之表現。本篇論文首先根據前版本晶片之量測結果找出問題，並在架構上進行優化，例如使用三元權重值取代二元權重值以對抗電阻值變異性造成的影響，並簡化周邊電路，以減少其變異性。此外，與演算法團隊合作，在訓練及推理過程中考慮各種非理想效應於模型中以達到更好的效果，並完成巨集單元設計。考量各種非理想效應後，物件偵測模型之平均精準度為61.56。此外，此巨集單元可達到444.064 TOPS/W的

能量效率與24.943 TOPS/mm2的面積效率。最後，我們將電阻式記憶體巨集單元與數位電路進行系統單晶片整合並完成晶片下線。