oid轉檔的問題，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

博客來獨家套書 老師希望你別再用錯的 英語易混淆字+英文單字跟我學 字首、字根、字尾【2書+2片朗讀MP3】

為了解決oid轉檔的問題，作者LiveABC編輯群 這樣論述：

　　《英文單字跟我學 字首、字根、字尾》 　　4大高效學習法，從根打造英語力！ 　　→字彙解析，理解字彙結構及組合。 　　→字源說明，解析單字來源典故。 　　→延伸補充，聯想提醒及用法說明。 　　→綜合比較，使用時機及相關補充。 　　找到正確的方式，背單字也可以很輕鬆！ 　　許多人推薦可以從了解英語的字根、字首、字尾來累積字彙量，是因為英文中有許多字是由字根加上字首、字尾所構成的，舉例來說，macrobiotic是由字首macro-(長的)+字根bio(生命)+形容詞字尾tic所組成，表示「長壽的」意思。因此只要對這些詞義及規則有基本了解，找到正確的學習方式，就可以大量且迅速的累積英文

字彙，就算遇到不認識的單字，也可以從這些原則來推敲單字的意思。 　　單字拆開看，用理解代替死背！ 　　本書收錄超過1,250 個實用的單字，將單字分為名詞、動詞、形容詞和副詞四類，分別說明其常見字首、字根和字尾的意思和用法，然後把能夠拆解的單字以「字首 + 字根 + 字尾」、有如公式般呈現，幫助讀者了解單字的組成。另外，在各篇章的最後有「綜合比較」單元，列出意思相近而可能造成混淆的字首或字尾，或利用表格、對照等方式呈現重要字首和字尾的用法和比較，幫助讀者融會貫通之前學到的重點。最後還有方便你查詢單字「索引」與有系統整理學習重點的「附錄」。 　　朗讀MP3+點讀筆雙效學習，聽說能力大幅提昇！

　　本書附有專業外師所錄製的MP3音檔，同時支援點讀功能(點讀筆必須另外加購)，可以依照自己的學習喜好來選擇使用，主要都能幫助加強英語的聽說能力，不受學習的時間與地點限制，能有效提升學習效率。透過這本精心規畫、用心製作的書，我們希望不只能幫你學會實用的英文單字，更能深入認識它們、樂在學習中，用理解取代死背來拓展字彙量，成為你學習英文的一大助力！ 　　《老師希望你別再用錯的英語易混淆字》 　　worth & worthy 是什麼在「值得」？ 　　skinny, slim & thin 都是瘦，到底怎麼「瘦」呢？ 　　bite & sting 是被蜜蜂「叮」還是被蚊子

「咬」？ 　　hope & wish 哪一種「希望」會成真？ 　　say, speak, talk & tell「說說看」哪裡不一樣？ 　　arrive, come & reach 「到達」怎麼用才對？ 　　傻傻分不清的這些字，很常用錯場合而造成語義不清！ 　　6大分類總整理，讓你不再用錯字、會錯意！ 　　1.拼法相似字比一比 　　2. 近義字程度比一比 　　3. 特定單字不混淆 　　4. 說話者語氣比一比 　　5. 中英翻譯比一比 　　6. 正確用法不混淆 　　精準用字不出錯，英語溝通更順暢！ 　　生活中有一些看似簡單的用字大家都會，但如何用的精準呢? 來看看以下

兩個情境：①進到公司看到兩個同事在「談話」，跟他們「說」早安後，他們跟我「講」了個笑話。要用talk、say 還是tell 呢？②我們放學「後」約在公園「後面」打籃球如何？要用after 還是behind。除了上面這兩個情境之外，有些你本來就會的單字卻可能在對話的當下說錯，例如你知道「空的」是empty，但如果把空白處（blank space）說成empty space 就會鬧笑話了。因此精準的用字，不僅可以讓溝通更順暢，也更貼近所要表達的意思。 　　收錄最常用的英語混淆字彙，讓你不再用錯字、會錯意! 　　本書收錄240 組英語學習者最常搞混的易混淆字，為了方便讀者學習，各組易混淆字依照單字

的使用方式分為：「拼法相似字比一比」、「近義字程度比一比」、「特定單字不混淆」、「說話者語氣比一比」、「中英翻譯比一比」及「正確用法不混淆」等六個Section。 　　每組字都是以表格方式編排，目的是讓讀者可以一目了然單字的比較，搭配使用情境和用法小提醒，清楚易懂。表格下方的例句特別把各組混淆字和對照的中譯做套色處理，讓讀者一看就能明白該組字彙的相異之處。如果遇有特殊片語或句型時還會另外標示做解釋，加強對句意的理解。另外，針對主題內容還會適時補充延伸學習，例如在cap & hat 單元除了介紹兩個字的不同，還補充其他常見的帽子說法，搭配圖像學習可加強單字記憶。而每個Section 後

附加的測驗題，有三種不同的題型讓讀者測試自己的學習能力。最後，書末還附上單字索引，方便讀者查詢想了解的單字。 　　朗讀MP3+點讀筆雙效學習，聽說能力大幅提昇！     　　本書附有專業外師所錄製的MP3音檔，同時支援點讀功能(點讀筆必須另外加購)，可以依照自己的學習喜好來選擇使用，主要都能幫助加強英語的聽說能力，不受學習的時間與地點限制，能有效提升學習效率。希望本書輕鬆的編排搭配詳盡的解析，可以幫助你徹底學會常見的易混淆字，加強溝通能力、提升英語實力。

英文單字跟我學 字首、字根、字尾【書+朗讀MP3(掃描QR CODE聆聽或線上下載)】

為了解決oid轉檔的問題，作者LiveABC編輯群 這樣論述：

　　4大高效學習法，從根打造英語力！ 　　●字彙解析，理解字彙結構及組合。 　　●字源說明，解析單字來源典故。 　　●延伸補充，聯想提醒及用法說明。 　　●綜合比較，使用時機及相關補充。 　　找到正確的方式，背單字也可以很輕鬆！ 　　許多人推薦可以從了解英語的字根、字首、字尾來累積字彙量，是因為英文中有許多字是由字根加上字首、字尾所構成的，舉例來說，macrobiotic是由字首macro-(長的)+字根bio(生命)+形容詞字尾tic所組成，表示「長壽的」意思。因此只要對這些詞義及規則有基本了解，找到正確的學習方式，就可以大量且迅速的累積英文字彙，就算遇到不認識的單字，也可以從這些原則

來推敲單字的意思。 　　單字拆開看，用理解代替死背！ 　　本書收錄超過1,250 個實用的單字，將單字分為名詞、動詞、形容詞和副詞四類，分別說明其常見字首、字根和字尾的意思和用法，然後把能夠拆解的單字以「字首 + 字根 + 字尾」、有如公式般呈現，幫助讀者了解單字的組成。另外，在各篇章的最後有「綜合比較」單元，列出意思相近而可能造成混淆的字首或字尾，或利用表格、對照等方式呈現重要字首和字尾的用法和比較，幫助讀者融會貫通之前學到的重點。最後還有方便你查詢單字「索引」與有系統整理學習重點的「附錄」。 　　朗讀MP3+點讀筆雙效學習，聽說能力大幅提昇！ 　　本書附有專業外師所錄製的MP3音檔，同

時支援點讀功能(點讀筆必須另外加購)，可以依照自己的學習喜好來選擇使用，主要都能幫助加強英語的聽說能力，不受學習的時間與地點限制，能有效提升學習效率。透過這本精心規畫、用心製作的書，我們希望不只能幫你學會實用的英文單字，更能深入認識它們、樂在學習中，用理解取代死背來拓展字彙量，成為你學習英文的一大助力！  

利用健保資料庫時間區段之預測中風發生事件

為了解決oid轉檔的問題，作者葛婷婷 這樣論述：

目的：本研究希望利用生成卷積神蹟網絡CNN(Convolutional Neural Network)深度學習演算法，以台灣「全民健康保險研究資料庫」(National Health Insurance Research Database, NHIRD)之電子健康病歷(Electronic Health Record, HER)進行回朔性研究(Retrospective Study)並建立中風預測模型初探中風可能發生最佳預測時間及與中風高關聯之用藥、疾病資訊。對於未來中風預防與早覺提供預防建議，故本研究目的：1. 利用巨量資料分析建立中風事件深度學習預測模型，並評估模型之預測能力及中風事件

重要預測指標2. 解釋預測模型，並對於中風事件發生前的用藥及就診紀錄進行特徵分析方法：全民健康保險研究資料庫承保抽樣歸人檔(LHID2005)為主要資料來源，使用1999~2013年健保資料庫的門診及住院申報檔以首次中風住院患者為研究對象。研究族群(cohort)係以，篩選出20-99歲首次確診為中風(control)患者組n=16,804；以及中風組的10倍及4倍建立對照組即非中風組n=169,902/n=67,222。以ICD-9-CM碼代表疾病診斷結果及藥品的使用情況，作為特徴進行建模分析。以兩年為觀察期資料為例，針對研究族群在觀察期的每一週進行診斷代碼及藥物碼資料提取，分別建立個人1

04週之以二進制向量，分診斷(n=708)及用藥(n=429)1137*104之矩陣。使用卷積法(CNN)的類神經網路訓練及驗證首次中風事件預測準確性；再以Chi-squire、Odds Ratio等分別於模型全局因子以及單因子對結果引響之相關性評比分析獲得個變數間的重要性。本研究設定預测提早半年的結果，因此以首次中風事件被診斷標示的前半年起算的往前一年、半年及六個月做訓練。中風（case）組：選取2003-2012年1月1日至12月31日數據：20-99歲首次確診為中風患者，1999-2002年有中風診治史者，即在此之前已被有中風事件相關診斷代碼（[ICD-9-CM] 430.xx-438.

xx）將被刪除。非中風（Control ）組:從2012年首次住院登記中隨機抽取20-99歲未發生中風的患者（實驗組的10倍及4倍）建立對照組。結果：預測中風事件之模型表現：檢視提早兩年、一年、半年觀察及三個月的觀察，中風發生事件預測的AUROC為0.91~0.82因子分析：對於中風發生前的用藥與就診之診斷疾病做重要因子分析，使用Chi-Squire及Odds Ratio的結果類似重要性高到低前的前五名疾病為：1. ICD_9 250糖尿病；2. ICD_9 401高血壓；3. ICD_9 402高血壓性心臟病；4. ICD_9 414 心臟病；5. ICD_9 585慢性腎衰竭 ；前五名用藥

則為：A02AF 配有排氣藥的抗酸藥（Antacids with Antiflatulents）2. B01AC 抗血小板聚集藥，不包括肝素（Platelet aggregation inhibitors excluding heparin）3 A10BB磺胺類，脲衍生物（Sulfonamide, urea derivatives）4. C08CA 二氫吡啶衍生物（Dihydropyridine derivatives）5. C09AA血管緊張素轉化酶抑制抑制藥（Angiotensin-converting enzyme）結論：本研究除使用研究族群之疾病與藥物之有與無的二元分類外，並考慮了前述

兩項的變數群體的個別重要性，並找出潛在個人就醫紀錄中的共病來進行中風預測，採用巨量的數據運算，不須藉由專家的醫學知識對案例一一進行檢視，亦不需傳統風險因素的信息，如糖尿病、吸煙、家族史資訊，僅需個人過去一年在台灣國家健康保險研究數據庫之就醫診斷結果，即可使用本研究的模型及重要因子對可能發生中風事件進行預測。本研究期提升疾病預測的準確率，幫助早期預測哪些患者可能會發展中風，從而使臨床醫生可以在高危患者發病之前進行干預，同時避免了對低危個體的不必要篩查。