機器學習的問題，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

全格局使用PyTorch：深度學習和圖神經網路 實戰篇

為了解決機器學習的問題，作者李金洪 這樣論述：

熟悉基礎，精通實戰。 　　接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家

耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書特色 　　～GNN 最強實戰參考書～ 　　●使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 　　●高級NLP模型訓練及微調、BE

RTology、CBOW、Skip-Gram、Torchtext、spaCy 　　●文字使用模型TextCNN來把玩IMDB資料庫 　　●高階工程師才會用的Mist啟動函數、Ranger最佳化器 　　●正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer  

機器學習進入發燒排行的影片

貝氏最佳化的小樣本採集函數學習

為了解決機器學習的問題，作者謝秉瑾 這樣論述：

貝氏最佳化 (Bayesian optimization, BO) 通常依賴於手工製作的採集函數 (acqui- sition function, AF) 來決定採集樣本點順序。然而已經廣泛觀察到，在不同類型的黑 盒函數 (black-box function) 下，在後悔 (regret) 方面表現最好的採集函數可能會有很 大差異。 設計一種能夠在各種黑盒函數中獲得最佳性能的採集函數仍然是一個挑戰。 本文目標在通過強化學習與少樣本學習來製作採集函數(few-shot acquisition function, FSAF)來應對這一挑戰。 具體來說，我們首先將採集函數的概念與 Q 函數 (Q

-function) 聯繫起來，並將深度 Q 網路 (DQN) 視為採集函數。 雖然將 DQN 和現有的小樣本 學習方法相結合是一個自然的想法，但我們發現這種直接組合由於嚴重的過度擬合(overfitting) 而表現不佳，這在 BO 中尤其重要，因為我們需要一個通用的採樣策略。 為了解決這個問題，我們提出了一個 DQN 的貝氏變體，它具有以下三個特徵: (i) 它 基於 Kullback-Leibler 正則化 (Kullback-Leibler regularization) 框架學習 Q 網絡的分佈(distribution) 作為採集函數這本質上提供了 BO 採樣所需的不確定性並減輕了

過度擬 合。 (ii) 對於貝氏 DQN 的先驗 (prior)，我們使用由現有被廣泛使用的採集函數誘導 學習的演示策略 (demonstration policy)，以獲得更好的訓練穩定性。 (iii) 在元 (meta) 級別，我們利用貝氏模型不可知元學習 (Bayesian model-agnostic meta-learning) 的元 損失 (meta loss) 作為 FSAF 的損失函數 (loss function)。 此外，通過適當設計 Q 網 路，FSAF 是通用的，因為它與輸入域的維度 (input dimension) 和基數 (cardinality) 無 關。通過廣

泛的實驗，我們驗證 FSAF 在各種合成和現實世界的測試函數上實現了與 最先進的基準相當或更好的表現。

PyTorch深度學習實作：利用PyTorch實際演練神經網路模型

為了解決機器學習的問題，作者VishnuSubramanian 這樣論述：

　　PyTorch是Facebook於2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發佈的一個全新的機器學習工具套件，一經推出便受到業界廣泛關注和討論，目前已經成為機器學習從業人員首選的一款研發工具。 　　本書是使用PyTorch建構神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網路的構成、神經網路的高階知識、機器學習基礎知識、深度學習在電腦視覺上的應用、深度學習在序列資料和文字當中的應用、生成網路、現代網路架構，以及PyTorch與深度學習的未來走向。 　　本書適合對深度學習領域感興趣且希望一探PyTo

rch究竟的業界人士閱讀。具備其他深度學習框架使用經驗的讀者，也可以透過本書掌握PyTorch的用法。 　　本書範例檔： 　　github.com/PacktPublishing/Deep-Learning-with-PyTorch

以機器學習手法預測保證通過系統級測試之晶片

為了解決機器學習的問題，作者陳玥融 這樣論述：

近年來，如何在維持低百萬次錯誤率(DPPM)的水準下同時降低IC 測試開銷已成為半導體產業重要的研究課題。為了有效降低系統級測試(SLT)的成本，本論文提出一套利用機器學習手法來挑選出保證通過系統級測試之晶片的方法。我們我們首先以神經網路對輸入資料進行特徵空間轉換，並利用在該空間中資料集的分布特性篩選出保證會通過系統級測試的IC。被我們的手法判定為會通過系統級測試的IC 可跳過系統級測試直接進入出貨階段，進而降低整體測試時間。將我們的手法套用在業界資料後，可以成功篩選出1.8%的保證通過系統級測試的IC，且其中不包含測試逃脫(Test Escape)。