監督式學習應用的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

AI時代，設計力的剩餘價值：對象×流程×應用×能力塑造，人工智慧浪潮下的設計師生存攻略

為了解決監督式學習應用的問題，作者薛志榮 這樣論述：

AI歷史×深度學習×互動設計×技術運用×未來發展 人總有疲累、犯錯的時候，但是AI永遠乖巧聽話； 你說AI不懂創意，只能做死板的工作？ 隨著科技發展，AI人性化程度也愈來愈高， 再不懂得提升自己，最後只能被人工智慧所淘汰！ 跨界設計師甘苦談，讓前輩把經驗向你娓娓道來！ 　　【人工智慧在紅什麼？】 　　．AI的誕生 　　1956年8月，在達特茅斯學院舉行的一次會議上，來自不同領域（數學、心理學、工程學、經濟學和政治學）的科學家一起討論如何利用機器來模仿人類學習以及其他方面的智慧，「人工智慧」正式被確立為研究學科。 　　．人機互動的發展歷程 　　60年前，人工智慧和人機互動就像藍綠一樣是

勢如水火的兩大陣營？ 　　明斯基：「我們要讓機器變得智慧，我們要讓它們擁有意識。」 　　恩格爾巴特：「你要為機器做這些事？那你又打算為人類做些什麼呢？」 　　．機器學習和深度學習 　　機器學習是一門涉及統計學、神經網路、優化理論、電腦科學、腦科學等多個領域的交叉學科，它主要研究電腦如何模擬或者實現人類的學習行為，以便獲取新的知識或技能，細分為：監督學習、非監督學習、半監督學習、強化學習。深度學習是機器學習下面的一條分支， AlphaGo正是採用了深度學習算法擊敗了人類世界冠軍，並促進了AI其他領域（如自然語言和機器視覺）的發展。   　　【人工智慧如何影響設計？】 　　．從圖片到影像，Ado

be Sensei平臺幫助設計師解決在媒體素材創意過程中面臨的一系列問題，並將重複工作變得自動化。 　　．看動畫總覺得某些場景崩壞？自動描線的技術能夠自動辨識圖像，並確定圖像的具體輪廓，進而完成描線的工作，大大減輕畫師的負擔。 　　．圖文內容的排版涉及大量的專業知識，包括視覺傳達、色彩與美學、幾何構圖等， Duplo透過模組化和網格系統快速把內容放入尺寸各異的幾千種頁面中，解決不同螢幕尺寸下的圖文排版問題。 　　【AI衝擊！設計師該何去何從？】 　　既然AI如此方便，設計師的存在似乎就可有可無了？ 　　．最容易被取代的三大設計，看看自己符合了哪些！ 　　．深耕藝術設計、個性化設計、跨界思考…

…六種方法助你永保飯碗！ 　　【比人還通人性！談AI的實踐】 　　．AI設計八大原則：個性化、環境理解、安靜、安全「後門」、準確性和即時性、自我學習與修正、有禮貌、人格設定。 　　．產品設計三要素：透過增強記憶、訓練思考和預測行動，將人工智慧最佳化。 　　．從圖形使用者介面（GUI）到語音命令裝置（VUI），為什麼要將GUI轉換為VUI？ 　　【未來五年，人工智慧的發展】 　　．智慧城市 　　下水道設計不良，一遇到暴雨瞬間變水上威尼斯？ 　　每次上路總是提心吊膽，深怕遇到馬路三寶？ 　　警力資源嚴重不足！誰可以代替交警外出巡邏？ 　　交通、能源、供水、建築……數位監控平臺將接管城市管理的工

作！ 　　．商場 　　對商場上的惡性競爭感到厭倦了嗎？透過AI技術，有錢大家一起賺！ 　　讓不同性質的店家組成一個體系，推播優惠券製造雙贏效果。 　　．家園 　　在家裡擺上一幅霍格華茲的胖夫人畫像不再是夢？ 　　Atmoph Window不僅能隨意切換內容，還能配合主題發出相應聲音，彷彿身歷其境！ 　　★特別收錄：跨界設計師甘苦談、針對使用者的人工智慧系統底層設計 本書特色 　　本書從技術角度切入，介紹當前人工智慧的相關知識，再圍繞商業、產品、使用者需求等多個角度闡述人工智慧與設計的關係，提出人工智慧設計的相關見解，同時也結合了作者本身的學習和工作經驗，對設計師在AI時代下的發展規劃

給予相關建議。

監督式學習應用進入發燒排行的影片

一個有效的半監督式學習方法應用於入侵偵測系統

為了解決監督式學習應用的問題，作者許嘉榮 這樣論述：

入侵偵測系統被用以偵測進入系統內的網路流量是否為惡意攻擊，近年來許多入侵偵測系統的研究大多使用傳統的機器學習演算法或是深度學習進行分類器的訓練，這些監督式的分類演算法對訓練集中有出現過的已知攻擊皆能準確地分類正確，但對於未出現於訓練集內的攻擊容易將其誤判成正常流量，導致入侵偵測系統出現漏判而使系統受到攻擊而未能即時發現。本論文提出一個有效的半監督式學習方法應用於入侵偵測系統，稱為以k近鄰演算法為基礎的半監督式學習方法(k nearest neighbor based semi-supervised learning; kNN-SSL)。此方法藉由半監督式學習的方法透過kNN模型對部分資料集進

行重新標記，標記後的訓練集將於深度神經網路模型進行訓練。此方法可產生對攻擊的判斷更加嚴謹的分類器以改善未知攻擊偵測能力較低的問題。為了驗證本論文提出方法的有效性，在實驗中本研究藉由NSL-KDD資料集進行效能評估，並與其他八種機器學習方法進行比較。實驗結果證實kNN-SSL的準確率達到89.846%，相較於其他機器學習演算法上升了約9%，並在未知攻擊的偵測率高達86.766%，勝過了比較方法中最高的方法約31%，成功地提高了未知攻擊的偵測能力。

輕課程 寓教於樂 AI人工智慧概念含特徵小偵探桌遊包 - 最新版 - 附MOSME行動學習一點通：診斷

為了解決監督式學習應用的問題，作者吳聲毅,方嘉岑 這樣論述：

　　1.市面上第一本以不插電桌遊之方式，透過遊戲機制，學習人工智慧相關概念。 　　2.可以學習神經元、突觸、特徵量、機器學習、監督式學習、非監督式學習、強化學習等人工智慧概念。 　　3.除了人工智慧相關概念，亦可以從遊戲機制與卡牌中，了解人工智慧在生活中的應用。   　　●MOSME行動學習一點通功能 　　使用「MOSME 行動學習一點通」，登入會員與書籍序號後，可線上使用相關資源。 　　診斷：本書各章的「遊戲時間」單元可檢視學習成效，以及從卡牌遊戲中，了解人工智慧的應用。

非監督式深度學習之自動編碼器於表面紋理之異常單一分類檢測

為了解決監督式學習應用的問題，作者曾仰毅 這樣論述：

從工業製造以來一直到近年來的工業智慧化時代，表面瑕疵檢測一直受到相當程度的關注，提升產品良率為半導體產業、加工製造業的最大目標，目前又以工業智慧化為傳統工業提供轉型推力，因此近年來除了傳統自動光學檢測方法外亦有許多基於深度學習的監督式學習、半監督式學習以及非監督式學習方法應用於瑕疵檢測的研究。其中，包含使用攝影機取得影像，在影像空間計算梯度提取瑕疵，以及將其映射至特徵空間計算特徵群的距離將其分類。而近期其他研究使用的主要方法是傳統光學檢測搭配監督式學習方法，然而此種監督式學習方法需要耗費大量時間及人力去標註資料；再者，不同環境下瑕疵的種類其多樣性不可計數，除了資料標註的困難性外還面臨著瑕疵樣

本缺乏、類別不平衡等問題，因此要為瑕疵建模相當的困難。本論文提出之基於影像式自動編碼器深度學習模型的瑕疵檢測方法可以改善此問題，透過輸入單一正常類別影像訓練模型為正常影像建模，本論文得以透過此模型準確的判別出不屬於正常影像類別之瑕疵影像。本論文提出一種非監督式學習的異常檢測方法用以解決在瑕疵稀缺情況下，監督式學習因缺陷樣本不足無法運作之困境及標註資料所需的大量成本問題。本論文改善了許多非監督式方法將影像映射至特徵空間分類卻無法得知瑕疵位置的方式。而由於在影像空間分類瑕疵相比在特徵空間分類瑕疵更加困難，因其在影像空間中的資訊量遠多於特徵空間，使得要處理的訊息量大幅增加，透過本論文提出的方法提升生

成影像的品質使其可能在影像空間域分類瑕疵並完成定位。為了達成影像式異常檢測的目標，本論文提出一種以自動編碼器為架構之深度學習影像式異常檢測方法，基於影像空間下目標影像與生成影像的誤差圖用以估測異常與否。