新竹科學園區即時影像的問題，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

運用人工智慧辨識IC及異常數據分析預測

為了解決新竹科學園區即時影像的問題，作者傅雙玉 這樣論述：

本研究的目的係運用人工智慧(Artificial Intelligence, AI)中的三種工具，(1)卷積神經網路(Convolutional Neural Network, CNN)中Yolov3即時物件偵測系統、(2)Microsoft Azure Custom Vision自訂視覺，以及(3)懷卡托智能分析系統 (Waikato Environment for Knowledge Analysis, WEKA)，對IC的瑕疵進行訓練及測試，進而尋找及預測出IC發生異常的原因。前2項軟體用於IC的瑕疵辨識，而Weka則是利用各種演算法，對IC異常的數據資料進行訓練、建立模型，然後運用及

測試該模型，以預測出IC發生異常的原因。Yolov3即時物件偵測系統，使用LabelImage工具做圖片標示，然後在Google Colaboratory (簡稱Colab) 的環境進行模型訓練和測試。在Yolov3的訓練模式中，總共上傳608張IC圖片，做了4個階段的迭代次數比較；最後一次迭代次數為16,440，總損失函數為0.0413，平均損失函數則為0.0488；在每階段做完訓練後，各抽樣好與壞的圖片，計算其辨識成功率，在最終辨識結果方面，總平均辨識率已從71% 提高到98%。Microsoft Azure Custom Vision自訂視覺，係使用智慧型Labeler做標示，優點是單一

分類的物品可以整包上傳後只要標示一次，即可訓練及測試這些圖片。本研究的自訂視覺模型的訓練及測試，總共分了6個階段，從張數30張增加到943張的圖片進行階段性比較，其最終辨識結果，AP(average precision)平均精度已自83%提高到98%。在Weka模型訓練及測試中，選取Logistic、Multilayer Perceptron及J48這3種演算法對所收集的IC異常數據進行模型訓練及測試，從而分析及預測IC發生異常的原因和實際數據結果是否相符。本研究分別使用了第1階段32筆、第2階段42筆數據做訓練，建立起訓練模型，Logistic和Multilayer Perceptron演算

法的訓練模型，其分類正確性都是100% 精確，而J48演算法的訓練模型，其正確分類的結果從87.5%提高為90.48%。後繼於建立起的訓練模型，再分2階段投入10筆和5筆的測試資料集進行測試及預測。由取得的預測結果可知，以Logistic 演算法的訓練模型其精確度最高最適合作為本研究的預測。

迷因在風險溝通內容策略上的運用-以COVID-19為例

為了解決新竹科學園區即時影像的問題，作者吳芷盈 這樣論述：

網路迷因近幾年來經常出現在社會大眾眼前，然而在網路迷因的傳播中，風險溝通依然較少受到研究關注，因此本論文以網路迷因與風險溝通為核心，藉由分析政府於此次疫情中發布之相關迷因，探討網路迷因在風險溝通內容策略中的運用。本研究以經濟部、海巡署長室、內政部、衛生福利部以及行政院等政府單位於Face book粉絲專頁中所發布之迷因為分析對象，參考三大迷因面向、六大病毒文本成功要素以及風險溝通功能，來分析其文本內容。研究發現，經濟部、海巡署長室、內政部製作迷因的策略都是將要宣導的相關資訊結合當下熱門的電影、電視劇，或將其他迷因再進行變化，而衛福部以及行政院則是自己製作一個有趣、簡單的圖像或文字後再進行變化

，例如衛福部發布的迷因都是以柴犬的圖像配上不同文字，行政院的則是以蘇貞昌的圖像為基礎進行變化。除此之外其文本內容分別都以不同的風險溝通角度去作為切入，例如「咱只有一粒卡臣」、「強顏歡笑的哈洛德」是希望提高民眾對於風險的認知並且增加對政府的信心，而「鬼滅之刃洗手七步驟」以及「上帝創造000」則是單純的以鼓勵、增加個人及群體的自我防禦行為這種以防範未然為主的溝通角度，也就是說，每個迷因在風險溝通功能中的角度都不盡相同。