機器 學習 模型 解釋的問題，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 模型 解釋的問題，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 模型 解釋進入發燒排行的影片

調控高分子給體二維共軛側鏈與設計共軛中心核與pi-架橋小分子受體結構與性質之系統性研究

為了解決機器 學習 模型 解釋的問題，作者陳重豪 這樣論述：

此研究中，我們通過引入具有（苯並二噻吩）-（噻吩）（噻吩）-四氫苯並惡二唑（BDTTBO）主鏈的新型供體-受體（D/A）共軛聚合物製備了用於有機光伏（OPV）的三元共混物。在BDTTBO單體中BDT供體單元上修飾不同的共軛側鏈聯噻吩 (BT)、苯並噻吩 (BzT) 和噻吩並噻吩 (TT)（記為 BDTTBO-BT、BDTTBO-BzT 和 BDTTBO-TT）。然後，我們將 BDTTBO-BT 或 BDTTBO-BzT 或 BDTTBO-TT 與聚（苯並二噻吩-氟噻吩並噻吩）（PTB7-TH）結合起來，以擴大太陽光譜的吸收並調整活性層中 PTB7-TH 和富勒烯的分子堆積，從而增加短路電流密

度。我們發現參入10%的BDTTBO-BT高分子以形成 PTB7-TH：BDTTBO-BT：PC71BM 形成三元共混物元件活性層可以將太陽能元件的功率轉換效率從 PTB7-TH 的二元共混物元件 9.0% 提高到 10.4%： PC71BM 轉換效率相對增長超過 15%。於第二部分，我們比較在BDTTBO單體中BDT供體單元上修飾硫原子或氯原子 取代和同時修飾硫原子和氯原子取代的側鏈聚合物供體與小分子受體光伏的功率轉換效率 (PCE) 的實驗結果與由監督產生的預測 PCE。使用隨機森林算法的機器學習 (ML) 模型。我們發現 ML 可以解釋原子變化的聚合物側鏈結構中的結構差異，因此對二元共混

系統中的 PCE 趨勢給出了合理的預測，提供了系統中的形態差異，例如分子堆積和取向被最小化。因此，活性層中分子取向和堆積導致的結構差異顯著影響 PCE 的預測值和實驗值之間的差異。我們通過改變其原始聚合物聚[苯並二噻吩-噻吩-苯並惡二唑] (PBDTTBO) 的側鏈結構合成了三種新的聚合物供體。同時修飾硫原子和氯原子取代的側鏈結構用於改變聚合物供體的相對取向和表面能，從而改變活性層的形態。 BDTSCl-TBO:IT-4F 器件的最高功率轉換效率 (PCE) 為 11.7%，與使用基於隨機森林算法的機器學習預測的 11.8% 的 PCE 一致。這項研究不僅提供了對新聚合物供體光伏性能的深入了解

，而且還提出了未明確納入機器學習算法的形態（堆積取向和表面能）的可能影響。於第三部分，為了理解下一代材料化學結構的設計規則提高有機光伏（OPV）性能。特別是在小分子受體的化學結構不僅決定了其互補光吸收的程度，還決定了與聚合物供體結合時本體異質結 (BHJ) 活性層的形態。通過正確選擇受體實現優化的OPV 元件性能。在本研究中，我們選擇了四種具有不同共軛核心的小分子受體——稠環核心茚二噻吩、二噻吩並茚並茚二噻吩（IDTT）、具有氧烷基-苯基取代的IDTT稠環核心、二噻吩並噻吩-吡咯並苯並噻二唑結構相同的端基，標記為 ID-4Cl、IT-4Cl、m-ITIC-OR-4Cl 和 Y7，與寬能帶高分子

PTQ10 形成二共混物元件。我們發現基於 Y7 受體的器件在所有二元混合物器件中表現出最好的光伏性能，功率轉換效率 (PCE) 達到 14.5%，與具有 10.0% 的 PCE 的 ID-4Cl 受體相比，可以提高 45%主要歸因於短路電流密度 (JSC) 和填充因子 (FF) 的增強，這是由於熔環核心區域中共軛和對稱梯型的增加，提供了更廣泛的光吸收，誘導面朝向並減小域尺寸。該研究揭示了核心結構單元在影響有源層形態和器件性能方面的重要性，並為設計新材料和優化器件提供了指導，這將有助於有機光伏技術的發展。最後，我們比較了具有 AD-A´-DA 結構的合成小分子受體——其中 A、A´ 和 D 分

別代表端基、核心和 π 價橋單元—它們與有機光伏聚合物 PM6 形成二共混物元件。 增加核苝四羧酸二亞胺 (PDI) 單元的數量並將它們與噻吩並噻吩 (TT) 或二噻吩吡咯 (DTP) π 橋單元共軛增強了分子內電荷轉移 (ICT) 並增加了有效共軛，從而改善了光吸收和分子包裝。 hPDI-DTP-IC2F的吸收係數具有最高值（8 X 104 cm-1），因為它具有最大程度的 ICT，遠大於 PDI-TT-IC2F、hPDI-TT-IC2F和 PDI-DTP-IC2F。 PM6:hPDI-DTP-IC2F 器件提供了 11.6% 的最高功率轉換效率 (PCE)；該值是 PM6:PDI-DTP-

IC2F (4.8%) 設備的兩倍多。從一個 PDI 核心到兩個 PDI 核心案例的器件 PCE 的大幅增加可歸因於兩個 PDI 核心案例具有 (i) 更強的 ICT，(ii) 正面分子堆積，提供更高的和更平衡的載波遷移率和 (iii) 比單 PDI 情況下的能量損失更小。因此，越來越多的 PDI 單元與適當的髮色團共軛以增強小分子受體中的 ICT 可以成為提高有機光伏效率的有效方法

新機器智能

為了解決機器 學習 模型 解釋的問題，作者 這樣論述：

人工智能領域一直以來堅信：只要人工智能系統能產生類似於人類的行為，它就是智能的。於是，我們看到了能夠打敗國際象棋冠軍的計算機棋手，能夠根據路況選擇行駛路線的無人駕駛汽車，能夠做手術的“醫生”……人們甚至開始擔憂：有朝一日，機器人會不會超越人類，進而奴役人類？ 在《新機器智能》一書中，科技界一代傳奇傑夫·霍金斯指出，如今的人工智能並不智能。要想創造眞正的機器智能，蕞快的途徑是理解大腦的工作原理，然後在計算機中模仿這些原理。霍金斯一生痴迷兩件事——計算機和大腦。早在幾十年前，他創建的Palm掌上電腦就在商業上取得了巨大成功，也成為現代智能手機的原型。但霍金斯一心想弄清楚大

腦的工作原理。經過數十年的不懈努力，他終於發現了其中的奧秘：大腦學習世界的一個模型，並使用這個模型來預測未來。人類的創造力、意識都是通過這個模型產生的。這一全新的智能理論框架被命名為“記憶-預測模型”，它改變了人們對智能的看法，也為開發眞正的機器智能奠定了堅實的基礎。 《新機器智能》主題宏達又足夠吸引人，深入探討了智能的核心問題：計算機真的智能嗎？大腦是如何工作的？為什麼弄清大腦的工作原理如此困難？如果不以行為來定義，那應該怎樣定義智能呢？“記憶-預測模型”的含義是什麼？如果你想了解自身、了解智能、了解機器智能，那麼一定不要錯過霍金斯的這一本里程碑式作品。 傑夫·霍金斯，科技界一代

傳奇，美國知名發明家、計算機科學家和神經科學家，于2003年當選美國國家工程院院士。Palm掌上電腦創始人，Numenta公司創始人。1992年創立Palm公司。1996年，該公司推出的創新產品PalmPolit一經上市便取得了創奇般的成功，18個月內銷量超過100萬台，將蘋果和微軟的同期產品遠遠甩在身後。多年來深耕對大腦的探索，致力於解釋大腦是如何工作的。他認為只有把人類智能弄明白，才能製造出像人類大腦一樣工作的機器智能，著有《千腦智能》《新機器智能》。 桑德拉·布萊克斯利，科學作家，《紐約時報》撰稿人。

應用文字探勘於業配文揭露偵測

為了解決機器 學習 模型 解釋的問題，作者洪御哲 這樣論述：

業配文是在廣告媒體內容中有目的地整合品牌或品牌說服性訊息，以換取贊助商的報酬。在網際網路與行動裝置的普及下，社群媒體快速成長，捧紅了許多「網紅」高影響力者，看上此高度個人化與可控制內容的特性，使廠商將資源投入在這些人身上，以獲取商品的曝光與銷售。但是業配文常常會有假分享真業配的問題，讓消費者認為是自己的真實體驗分享，而非商業贊助，可能誤導消費者進行消費，故本研究目的在於能否建立一個模型找出背後可能是未揭露的業配文章。首先，先搜集痞客邦百大部落客的資料，建立會揭露業配之部落客名冊，再搜集該部落客發表過的所有文章，藉由揭露文字標注業配文與非業配文。然後透過機器學習方法SVM、CNN與Google

所開發的深度語言模型BERT進行訓練與比較，最後以CNN平均得出最高的準確度83.625%，同時，在我們標注的未揭露業配文章資料中，CNN能夠偵測業配文的準確度為90.69%。最後，應用逐層相關傳播LRP解釋CNN模型，觀察哪些常出現業配文文字最可能被預測為業配文，比較模型與人為觀點，並藉此找出業配文的特徵，以提供給消費者進行判斷。