自然語言的問題，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

全格局使用PyTorch：深度學習和圖神經網路 實戰篇

為了解決自然語言的問題，作者李金洪 這樣論述：

熟悉基礎，精通實戰。 　　接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家

耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書特色 　　～GNN 最強實戰參考書～ 　　●使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 　　●高級NLP模型訓練及微調、BE

RTology、CBOW、Skip-Gram、Torchtext、spaCy 　　●文字使用模型TextCNN來把玩IMDB資料庫 　　●高階工程師才會用的Mist啟動函數、Ranger最佳化器 　　●正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer  

自然語言進入發燒排行的影片

應用於物件偵測與關鍵字辨識之強健記憶體內運算設計

為了解決自然語言的問題，作者江宇翔 這樣論述：

近年來，由於不同的應用都能夠藉由和深度學習的結合而達到更好的結果，像是物件偵測、自然語言處理以及圖像辨識，深度學習在終端設備上的發展越來越廣泛。為了應付深度學習模型的龐大資料搬移量，記憶體內運算的技術也在近年來蓬勃發展，不同於傳統的范紐曼架構，記憶體內運算使用類比域的計算使儲存設備也同樣具備運算的能力。儘管記憶體內運算具有降低資料搬移量的優點，比起純數位的設計，在類比域進行計算容易受到非理想效應的影響，包括元件本身或是周邊電路的誤差，這會造成模型災難性的失敗。此篇論文在兩種不同的應用領域針對記憶體內運算進行強健的模型設計及硬體實現。在電阻式記憶體內運算的物件偵測應用當中，我們將重點放在改善模

型對於非理想效應的容忍度。首先，為了降低元件誤差的影響，我們將原本的二值化權重網路改變為三值化權重網路以提高電阻式記憶體中高阻態元件的數量，同時能夠直接使用正權重及負權重位元線上的電流值進行比較而不使用參考位元線作為基準。其次，為了避免使用高精度的正規化偏差值以及所導致的大量低阻態元件佈署，我們選擇將網路中的批次正規化層移除。最後，我們將運算從分次的電流累加運算改為一次性的運算，這能夠將電路中非線性的影響降到最低同時避免使用類比域的累加器。相較於之前的模型會受到這些非理想效應的嚴重影響導致模型無法運作，我們在考慮完整的元件特性誤差，周邊電路誤差以及硬體限制之下，於IVS 3cls中做測試，能夠

將平均精確度下降控制在7.06\%，在重新訓練模型後能更進一步將平均精確度下降的值降低到3.85\%。在靜態隨機存取記憶體內運算的關鍵字辨識應用當中，雖然非理想效應的影響相對較小，但是仍然需要針對周邊電路的誤差進行偏壓佈署補償，在經過補償及微調訓練後，在Google Speech Command Dataset上能夠將準確率下降控制在1.07\%。另外，由於語音訊號會因為不同使用者的資料而有大量的差異，我們提出了在終端設備上進行模型的個人化訓練以提高模型在小部分使用者的準確率，在終端設備的模型訓練需要考量到硬體精度的問題，我們針對這些問題進行誤差縮放和小梯度累積以達到和理想的模型訓練相當的結果

。在後佈局模擬的結果中，這個設計在推論方面相較於現有的成果能夠有更高的能源效率，達到68TOPS/W，同時也因為模型個人化的功能而有更廣泛的應用。

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

為了解決自然語言的問題，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。

以監督式機器學習探討電子病歷中非結構化資料對早期預測中風後功能復原後果之價值

為了解決自然語言的問題，作者宋昇峯 這樣論述：

中風是導致成人殘障的重要原因，中風功能復原後果的精準預測，能協助病人及家屬及早準備後續照顧事宜，衛生政策制定者也能依此預測結果適切規劃人力與資源，以投入中風病人的急性後期與中長期照護。目前的中風功能復原後果預測模型皆是以結構化資料建立，甚至最新使用數據驅動方式發展的機器學習預測模型依然是以結構化資料為主。相對的，照顧病人所製作的大量敘述式病歷文字紀錄，即非結構化資料，反而甚少被使用。因此，本研究的目的，即是使用監督式機器學習來探討非結構化臨床文字紀錄於急性缺血性中風後之初期預測功能復原後果之應用價值。在6176位2007年10月至2019年12月間因急性缺血性中風住院之病人中，共3847位病

人符合本研究之收案/排除條件。我們使用自然語言處理，萃取出住院初期之醫師紀錄及放射報告中之臨床文字紀錄，並且實驗了不同文字模型與機器學習演算法之組合，來建構中風功能復原後果的預測模型。實驗發現使用醫師紀錄時，操作特徵曲線下面積為0.782至0.805，而使用放射報告時，曲線下面積為0.718至0.730。使用醫師紀錄時，最好的組合為詞頻-倒文件頻加上羅吉斯迴歸，而使用放射報告時，最好之組合為基于轉換器的雙向編碼器表示技術加上支持向量機。這些基於純文字的機器學習預測模型並無法勝過傳統的風險模型，這些傳統模型的曲線下面積為0.811至0.841。然而，不管是以曲線下面積、重分類淨改善指標、或整合式

區辨改善指標來評估，臨床文字紀錄中的資訊的確可以增強傳統風險模型的預測效能。本研究之結論為，電子病歷中的非結構化文字經過自然語言處理後，不僅可以成為另類預測中風功能復原後果的工具，更可以增強傳統風險模型的預測效能。透過演算法來自動擷取並整合分析結構化與非結構化資料，將能提供醫師更好的決策支援。