網站推薦的問題，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 - 基礎篇

為了解決網站推薦的問題，作者李金洪 這樣論述：

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。   　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。   　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 　　〇 在非結構化領域，GNN 可以用在圖

型和文字等領域。 　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。   　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！   　　〇 使用 Graph 概念取代傳統的歐氏空間神經元 　　〇 最好用的 PyTorch + Anaconda + Jupyter 　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 　　〇 了解基礎的啟動函數、損失函數、L1/

L2、交叉熵、Softmax 等概念 　　〇 NLP 使用神經網路處理 + 多頭注意力機制 　　〇 Few-shot/Zero-shot 的神經網路設計 　　〇 空間域的使用，使用 DGL、Networkx 　　〇 利用 GNN 進行論文分類   本書特色   　　～GNN 最強入門參考書～ 　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感 　　● 理論和程式結合，便於讀者學以致用 　　● 知識系統，逐層遞進 　　● 內容貼近技術趨勢 　　● 圖文結合，化繁為簡 　　● 在基礎原理之上，注重通用規律 　

網站推薦進入發燒排行的影片

植基於自動化社群網路論壇內容探勘技術之輿情分析-以航運股為例

為了解決網站推薦的問題，作者呂承恩 這樣論述：

隨著網際網路發展普及，使得資訊網路對於人類的生活是更佳的親密，文字逐漸成為網路世界裡最常被溝通的媒介，人們亦透過社群網路表達對於股市議題的意見與看法，這些大量的討論議題成為了資訊大熔爐。在網路上，人們可持個人意見來相互探討股市議題，因每個人的立場不同，而產生了帶著鮮明個人情緒之討論，因此社群網路論壇之輿情分析探討有充分的必要性。本研究以增廣中文意見詞詞典 (ANTUSD) 為建立詞庫之基礎，並借助中研院斷詞系統將評論內容進行字詞拆解，藉由比對詞庫中所有字詞及所提出之意見詞，計算出評論情緒值，是以，字詞辨識及中文語法規則是情緒分析的充分必要條件，本研究透過自然語言處理問題，進行文字間的極性關係

處理文字間的極性關係分析，並辨識出正面或負面等情緒。此外，為了更進一步地提升系統評價的能力，藉由批踢踢股票版上之留言所使用之字詞出現頻率來調整原資料庫內之權重值，並搭配隔日航運各類股日報酬率計算皮爾森相關係數，並透過相關統計數據來確認系統評估獲利之能力，其中，主升期間2的貨櫃類股前一日的正向輿論情緒值與隔日收盤的負向報酬成顯著相關，主跌期間2的散裝類股前一日的正向輿論情緒值與隔日收盤的正向報酬成顯著相關，主跌期間2的航空類股前一日的正向輿論情緒值與隔日收盤的負向報酬成顯著相關，這顯示本研究在社群網路論壇內容探勘技術之輿情分析具有一定程度的貢獻。

全中文自然語言處理：Pre-Trained Model方法最新實戰

為了解決網站推薦的問題，作者車萬翔,郭江,崔一鳴 這樣論述：

★★★★★【全中文自然語言處理】★★★★★ 還在對huggingface上的預訓練模型(bert-base)等都是針對歐美語系感到困擾嗎？ 本書就是為中文世界讀者專屬打造的，讓你一窺中文模型的自然語言處理！ 　　自然語言處理(NLP)號稱「人工智慧皇冠上的珍珠」，是AI世界中最先進也是應用最廣的領域。從早期的知識模型，到中間的統計模型，一直到最新的神經網路模型，早已服務於你所看到的任何大型系統，包括Google的關鍵字排名、Google翻譯、購物網站推薦系統、Siri/OK Google等，都是NLP產出的精華。如果你還以為CNN、GAN等圖型處理的AI架構很有趣，換到NLP領域中，你

會發現更多驚奇！ 　　本書從預訓練模型的角度對理性主義和經驗主義這兩次重要的發展進行了系統性的論述，能夠幫助讀者深入了解這些技術背後的原理、相互之間的聯繫以及潛在的局限性，對於當前學術界和工業界的相關研究與應用都具有重要的價值。本書由中文自然語言處理的首席單位「哈爾濱工業大學」完成，其在Huggningface的Transformer模型上有貢獻多個純中文模型，由這些專家親著的內容，絕對是你想了解中文NLP專業的第一選擇。 　　本書技術重點 　　✪詞的獨熱表示、詞的分散式表示、文字的詞袋表示 　　✪文字分類問題、結構預測問題、序列到序列問題 　　✪NLTK 工具集、LTP 工具集、大規模預

訓練資料 　　✪多層感知器模型、卷積神經網路、循環神經網路、注意力模型 　　✪情感分類實戰、詞性標注實戰 　　✪Word2vec 詞向量、GloVe 詞向量 　　✪靜態詞向量預訓練模型、動態詞向量預訓練模型 　　✪預訓練語言模型、GPT、BERT 　　✪模型蒸餾與壓縮、DistilBERT、TinyBERT、MobileBERT、TextBrewer 　　✪生成模型、BART、UniLM、T5、GPT-3、可控文字生成 　　✪多語言融合、多媒體融合、異質知識融合 　　✪VideoBERT、VL-BERT、DALL·E、ALIGN 本書特色 　　◎不只英文，還有中文模型的自然語言處理 　　以

往的自然語言處理專書多以處理歐美語系為主，令使用中文為母語的我們甚感遺憾，如今，本書就是你第一本可深入了解「中文模型的自然語言處理」最棒的書籍！ 　　◎中文自然語言處理的首席單位專家親著 　　本書由中文自然語言處理的首席單位「哈爾濱工業大學」完成，其在Huggningface的Transformer模型上有貢獻多個純中文模型，由這些專家親著的內容，絕對是你想了解中文NLP專業的第一選擇。 　　◎精美圖表、專業講解 　　本書內含作者精心製作的圖表，有助於讀者理順思緒、更好地學習自然語言處理的奧妙。

臺灣電子商務產業公司經營績效之分析

為了解決網站推薦的問題，作者陳翰泓 這樣論述：

隨著資訊科技的發展與宅經濟的興起造就消費者的網路購物習慣，造就參與電子商務的經營方式對於零售業者日益重要，甚至可能是未來主流的消費模式。因此，本研究以2017第一季至2021年第二季共18季作為研究期間，包含34家電商與零售相關業務之企業為研究對象，檢視企業的經營績效。研究方法包括以DEA分析取得電子商務業者之營運績效效率值，並透過Pearson相關性分析、獨立樣本t檢定、單因子變異數分析以及Tobit迴歸分析等研究方法，分析與比較相關業者的經營績效差異，以及檢測影響經營績效之可能因素。實證結果如下。首先，整體樣本下的電商業者的營運績效在研究期間皆維持在成長趨勢。其次，純電商業者之經營績效相

對上顯著優於只有部分電商業務企業與實體零售業者。最後，在Tobit迴歸分析中，本研究發現流動比率、營業毛利率、營業利益成長率、營業資產報酬率、董監持股百分比與利基型經營模式等六項因素皆對經營績效有正向的影響。