Cross entropy vs ent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
國立臺灣師範大學 華語文教學系 謝佳玲所指導 邱郁婷的 台美臉書粉絲專頁之互動策略及商務華語教學應用 (2020),提出Cross entropy vs ent關鍵因素是什麼,來自於社群媒體、粉絲專頁、互動策略、後設論述、商務華語。
而第二篇論文國立陽明交通大學 統計學研究所 盧鴻興所指導 范崇淵的 基於自我監督式學習對3D 腦部MRI 影像之分類 (2020),提出因為有 深度學習、自我監督式學習、對比學習、卷積神經網路、阿茲海默症、核磁 共振影像的重點而找出了 Cross entropy vs ent的解答。
台美臉書粉絲專頁之互動策略及商務華語教學應用
為了解決Cross entropy vs ent 的問題,作者邱郁婷 這樣論述:
因社群媒體之互動特質,許多企業開始於社群媒體上行銷,其中臉書(Facebook)的粉絲專頁能強化企業與客戶之連結和互動(Coursaris,Van Osch, & Balogh, 2013; Dorčák, Pollák, Mudrík, & Nastišin, 2014; Negri, 2018)。有鑑於此,本文將台灣、美國連鎖超市之粉絲專頁作為研究對象,根據Hyland(2005)後設論述架構分析、對比兩者之互動策略標記,統計五類互動策略之使用頻率,並探討溝通目的是否會影響互動策略標記之使用,最後將研究結果應用至商務華語教學。本文之華語語料為台灣連鎖超市的粉絲專頁貼文,而英語語料則為美國
連鎖超市的粉絲專頁貼文,華語語料和英語語料各收集300筆。此外,依溝通目的之不同,本文將貼文分為利益型以及非利益型貼文,華語語料中的利益型貼文較多,而英語語料則以非利益型貼文為多數。本文研究結果顯示,台灣、美國連鎖超市都在粉絲專頁貼文中使用了豐富的互動策略標記,但華語語料之語言形式比英語語料更為多元;華語語料的平均標記數量和句子數量皆多於英語語料,但互動策略標記於句子內的分布密度比英語語料更低;在各類互動策略標記的使用上,華語和英語之趨勢相同,使用頻率由低至高皆為規避、增強、態度、自我、參與標記;與非利益型貼文相比,利益型貼文中的平均標記數、平均句數皆更多,但台灣連鎖超市傾向於非利益型貼文中更
密集地使用互動策略標記,而美國連鎖超市則在利益型貼文中更密集地使用標記。整體來看,不論華語或英語,且無論何種內容類型之貼文,參與標記中的祈使句皆是最常見的互動策略,且規避標記都是較少使用的。本文將研究結果應用於商務華語教學,希望培養學習者於社群媒體上使用華語與他人互動之能力。
基於自我監督式學習對3D 腦部MRI 影像之分類
為了解決Cross entropy vs ent 的問題,作者范崇淵 這樣論述:
深度學習的分法像是卷積神經網路在影像分類上有很大的成就,但在訓練深度學習的模型中我們需要大量的資料與標籤,而給予資料標籤需要大量成本。現今開始有一些方法試著去解決這類問題,像是自我監督式學習試著從單純影像的角度去學習個影像間的不同。在此篇論文裡,我們使用來自 Google Brain team 的自我監督式學習方法 SimCLR 應用在醫學影像上,且從 ADNI (Alzheimer’s Disease Neuroimaging Initiative) 取得 AD,CN,MCI 三個類別的核磁共振影像,並使用 ResNet 3D 18 當作骨幹網路使模型成 3D 版本進而提取更多核磁共振影像
的特徵,最後我們創建一個演算法將 SimCLR 和下游分類任務的訓練結合在一起。在實驗結果上,給定不同比例 (80%,70%,50%) 的有標籤資料,我們的自我監督式學習模型 SimCLR + classifier 表現是比監督式學習模型 ResNet 3D 18 來的更好,並且將兩個模型利用集合學習後,給定 80% 有標籤資料的平均準確率更是達 0.912,只比監督式學習模型給定完整有標籤資料的準確率低了 0.004。