評估模型好壞的問題，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

長勝：靠運氣贏來的，憑實力也不會輸回去，常春藤名校「模型思維」課程指定必讀

為了解決評估模型好壞的問題，作者MichaelJ.Mauboussin 這樣論述：

布局運氣，是提高勝率的必要手段 運用統計分析、機率思考，打造腦內的「贏家模組」 能力可以靠努力逐步養成，但運氣只能求神拜佛嗎？ 本書入選史丹佛、普林斯頓大學等28家名校的「模型思維」（Model Thinking）課程書目， 教你在做商業、投資，人生決策時， 評量能力與運氣對成敗的影響力，借力使力，搶得致勝先機！ 　　把一件事情做成，或獲得任何意義上的成功， 　　到底多少來自「實力」，又有多少來自「運氣」？ 　　實力與運氣單純只是反義詞，還是冥冥之中自有相關性？ 　　策略投資專家、暢銷書《魔球投資學》作者莫布新 　　完整解讀：個人能力與運氣在不同狀況下，對成敗的影響， 　

　教我們如何利用「運氣－能力」光譜，獲得邁向成功的方程式。 　　想通以下幾個問題的答案，就能獲得長勝的模型思維—— 　　為什麼網球選手的表現普遍穩定，足球隊的成績卻起起伏伏？ 　　為什麼跳槽後的表現，往往不如從前？ 　　為什麼猴子射飛鏢選中的標的，比專職投資人的績效還好？ 　　為什麼高智商不等於高成功率？ 　　為什麼小公司比較容易帶來破壞式創新產品？ 　　為什麼能力越強的人，越重視運氣？ 　　本書運用統計分析、機率思考，為讀者解析這些問題背後的底層邏輯。 　　【有沒有一種思維方式，可以確保所投注精力，獲得可預期回報？】 　　我們在生命中的各種經驗，結合了能力與運氣所產生的結果。比數相差

一分，籃球員在哨聲響起前一刻出手，球碰到籃框沒進，導致球隊輸掉總冠軍。藥廠開發高血壓用藥，結果最後變成解決勃起障礙的熱銷藥品。投資者買了一家公司股票，沒過多久就因為公司被溢價收購而賺了一大票。不同程度的能力、好運和壞運，是形塑我們人生的事實要素。但我們卻不太知道該如何區分兩者，更不清楚它們各自占多大比重。 　　策略投資專家、暢銷書《魔球投資學》作者莫布新，在本書提出一條能力與運氣之間的連續光譜，供我們分析眼前的所有選項中，個人能力與運氣的相互影響（諸如歌手與球員的選秀、選擇投資標的、大學志願選填，甚至是該付高階經理人多少薪水）。他提出具體建議，協助我們增加優勢，在不確定性的世界中，最大程度掌

握確定性。 各界好評 　　．霍華‧馬克斯（Howard Marks）｜橡樹資本管理創辦人、《投資最重要的事》作者 　　．傑克．柯弗特（Jack Covert）｜財經書網「800CEO 閱讀」創辦人 　　．丹尼爾．品克（Daniel Pink）｜《動機，單純的力量》作者 　　．菲利普‧泰特洛克（Philip Tetlock）｜賓州大學教授，《超級預測》共同作者 　　．托馬什・湯古茲（Tomasz Tunguz）｜紅點創投創始人 　　．詹姆斯‧蒙帝爾（James Montier）｜《這才是價值投資》作者 　　．保羅‧迪波德斯塔（Paul DePodesta）｜紐約大都會隊球員開發與球探部門副總

裁 　　－－－－　一致好評推薦 　　．「在《長勝》一書中，莫布新讓我們了解個人能力與運氣的差異；更重要的是，我們可以判斷兩者對某個結果究竟貢獻了多少。他提醒我們，在運氣扮演重要角色的活動中，例如投資，我們其實不能完全用結果來評估績效。此外不能忽略的是，他指出，實踐者面對運氣，『應該抱著泰然處之的態度。』我非常喜歡這句話！」－－霍華‧馬克斯（Howard Marks）｜橡樹資本管理公司董事長暨創辦人；《投資最重要的事》作者 　　．「莫布新似乎完全了解如何有技巧地拆解個人能力與運氣。他也知道這件事很容易搞砸；他用了很多很棒的故事（從音樂實驗室、棒球休息室，一直到紐約證交所）。他把抽象的統計帶到

了現實生活裡。」－－菲利普‧泰特洛克（Philip Tetlock）｜賓州大學教授，合著有《超級預測》 　　．「《長勝》是一本非常有智慧、且充滿洞見的書，裡面有許多有趣的故事和嚴謹的分析。只要你面對的事情包含了運氣與個人能力（多數人都是如此），你會發現，讀了這本書之後，會讓你茅塞頓開。」詹姆斯‧蒙帝爾（James Montier）｜《這才是價值投資》作者 　　．「很少人願意承認、或願意接受一件事：運氣在我們的生命中扮演重要角色。麥可‧莫布新不僅知道個人能力與運氣的不同；更重要的是，他提出一個思考架構，可以幫助我們應付現實狀況。這是一本很重要的書。」－－保羅‧迪波德斯塔（Paul DePod

esta）｜紐約大都會隊球員開發與球探部門副總裁（亦是《魔球》電影及書籍中關鍵人物之一，曾任洛杉磯道奇隊總經理） 　　．「我非常享受閱讀莫布新所寫的《長勝》。這是本富機智且有見地的書。」——丹尼爾．品克（Daniel Pink）｜《動機，單純的力量》作者 　　．「這是本很有趣的書，迫使我反思自己的投資決策過程。」－－托馬什・湯古茲（Tomasz Tunguz）｜紅點創投創始人 　　．「如果你喜歡麥可．路易士《魔球》中融合數據與說故事的敘事方式，你將會喜歡這本書。」——傑克．柯弗特（Jack Covert）｜財經書網「800CEO 閱讀」創辦人 　　．「對於任何想要讓風險極小化的投資者及

商業決策者，本書絕對值得閱讀。」——《金融時報》（Financial Times） 　　．「對於運動迷和投資者而言，這本書中有太多令人為之鼓舞的內容。」——《經濟學人》（The Economist） 　　．「在《長勝》一書中，莫布新探討運氣與能力所帶來的貢獻，並討論為何藉由『運氣—能力光譜』的方式來解釋過去的成果，能幫助領導者做出更好的決策。這是重新看待商業領導非常有用的方式。他觀察到，當人們往上攀爬到組織高階的過程中，大多較注重運氣而非能力，這也帶出一個很有趣的問題，亦即領導者如何持續成長與加強自我的能力。領導者可以做的是，理解自己的決策終究對財富帶來多少影響。」——《星期天時報》（Th

e Sunday Times）

評估模型好壞進入發燒排行的影片

基於標籤基因組和深度強化學習在大量離散動作之動態電影推薦演算法

為了解決評估模型好壞的問題，作者張淙垣 這樣論述：

由於現今社會全世界使用者產生的數據量日趨龐大，如何從大量資料中提取出有用的特徵，並將其產生價值就非常重要，推薦演算法也因此蓬勃發展，透過新的技術達到更加的效能及推薦結果。在本論文中，我們提出了一種新型態的推薦演算法模型，以深度強化學習做為基礎，定義其架構及相關參數，根據不同使用者點擊不同電影並產生的評分，進行對使用者的個性化推薦，搭配線上模擬環境進行預訓練，且針對在大量的電影系統下的問題進行改良，期望提升效能並做出良好的推薦。在實驗部分，本研究採用開源資料集MovieLens進行電影推薦，並以獎勵分數、點擊率、標準化折現累積收益、Top-k準確率及回合平均步數五個指標來評估模型好壞，實驗設計

包括評估Deep Q Network與Dueling Deep Q Network架構的表現，調整不同實驗參數及動作選擇方法，並分別在大量離散動作空間下及冷啟動問題下進行實驗，與不同協同過濾的推薦方法比較結果，最後測試非訓練集中使用者的推薦。實驗結果中，在大量動作下與傳統的DQN演算法比較我們的方法能在早期收斂且提升20倍以上的速度，與user based、item based的knn以及Bayesian Personalized Ranking比較顯示，在多項指標中表現較佳且能動態更新模型，此方法即使在系統完全沒見過的使用者下也能給出不錯的推薦，在驗證和測試資料集中都沒有過度擬合的問題，證明

此模型的通用性。

超圖解 資料科學Data Science：數據處理 入門中的入門，強化處理力&判讀力×資料倫理

為了解決評估模型好壞的問題，作者上藤一郎 這樣論述：

身處在資料化社會， 每天都面對排山倒海而來的資訊，我們究竟該如何應對？ 　　每天一睜眼，抓起手機一看，又是滿滿當當的資訊浪潮來襲；不僅如此，送小孩上學、到公司工作，下班與家人聊天，我們無時不刻都在與周遭的人分享情報、使用情報。 　　情報「資料化」其實是一門近在你我身旁的科學， 　　在資訊及通訊科技（ICT）高度發展的今日，這樣的時代早已經到來，而且越卷越快速，任何人都無法避免面對這股浪潮。 　　比如什麼是大數據？大數據又該如何運用？運用的倫理界線在哪裡？等等問題，我們的日常周遭充斥著各式各樣的資料。如果少了資料，就連一般的生活都無法順利運作。「資料科學」即是研究現代社會不可或缺的「

資料」之科學。 　　「懂資料」並「運用資料」的資料科學知識能力在未來AI世代越來越顯其重要性，本書將在本書的章節中一一介紹，以當代和未來社會中，分析佔據我們生活越來越多時間的「資料處理」的過程，以及我們該用什麼心態和方法面對。 　　本書是一本「入門用的入門書」，使用大量的插畫與圖表進行簡單易懂的解說，讓讀者能夠粗略掌握資料科學的概要。本書不使用困難的公式，因此也很推薦給看到公式就頭痛的人。 名人推薦 　　了解AI與資料科學的最佳入門書！ 　　【學界、業界專業人士好評推薦】 　　國立高雄大學電機系教授及人工智慧研究中心顧問、前執行長｜吳志宏 　　Google機器學習開發專家 | 吳柏翰(

Jerry Wu) 　　高雄大學特聘教授、財團法人人工智慧法律國際研究基金會執行長 | 張麗卿 　　翱翔智慧創辦人 | 張竣貿 　　Google語音助理技能開發者 | 游紹宏 　　中央研究院資訊創新科技研究中心主任及特聘研究員 | 黃彥男 　　（按姓氏筆畫排序）  

A Novel NMF-Based Movie Recommendation with Time Decay

為了解決評估模型好壞的問題，作者楊鈞元 這樣論述：

現今最流行處理大量數據集的方法之一是矩陣分解(MF)技術，矩陣分解常用於在推薦系統中，因為其預測用戶興趣有著非常高的準確度。特別是非負值矩陣分解(NMF)已經被證明能夠非常有效利用多變量數據集的分解。然而即使是NMF技術，也無法完全捕捉到時間對於用戶喜好的影響程度。本研究利用使用者因為時間影響而對喜好的改變，我們提出兩個基於傳統NMF的創新推薦系統 Dec_NMF，透過有效的時間影響，考慮使用者對於喜好的改變。Dec_NMF 包含了人類喜好行為隨著時間改變的概念，考慮使用者目前喜好的偏好，並將評分時間過長的資訊做衰減的處理。本研究立用了三種線性以及三種非線性函數來調整評分，設定不同的潛在因素

數量，透過均方誤差、均方根誤差、平均絕對誤差指標來評估模型好壞，並使用準確度、精密度、召回率與F1方法衡量模型的效能。實驗結果表明提出的方法中，在大部分的狀況優於傳統非負值矩陣分解。此外我們將所提出的模型應用在MovieLens資料集上，來演示所提出模型的有效性。