GitHub 資料庫的問題，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

戰術+技術+程序 - ATT＆CK框架無差別學習

為了解決GitHub 資料庫的問題，作者張福,程度,胡俊 這樣論述：

☆★☆★【ATT&CK框架第一本繁體中文書！】★☆★☆ 完整了解ATT&CK框架，建立屬於自己的最強之盾！ 　　在這個混亂的數位世界中，會不會常常擔心自己的網站、平台、雲端主機，甚至是公司內網被駭客攻擊？需不需要常常去看資安匯報，看看在Windows、Linux上又有哪些服務的新漏洞又被發現？生活越方便，應用越複雜，產生的漏洞就更多，甚至連GitHub都不再安全！有沒有高手或專家，能把整個攻擊的工具、技術、測試、應用、防護、流程都整合到一個框架中？有的！MITRE ATT&CK就是你要的答案。這個整合了所有資安應用的框架，早已成為全球各大公司用來防護檢測系統的必用

工具。現在這個只存在於高手大腦中的超棒產品，終於有中文書了。本書是全球第一本繁體中文的ATT&CK書籍，將整個框架的整體架構、應用、實作，流程用最清楚的語言完整介紹一遍，並且有真正紅藍隊員必讀的攻防戰略及技術。防範漏洞及駭客不再依賴你攻我防的小戰場，將整個資安戰略拉抬到新的高度，建立永續安全的服務就靠ATT&CK。 　　本書看點 　　✪精解ATT&CK框架的全貌 　　✪容器及K8s時代的ATT&CK戰略 　　✪各式銀行木馬、蠕蟲的防範實戰 　　✪10大最常見攻擊的ATT&CK防範技術 　　✪WMI、Rootkit、SMB、瀏覽器、資料庫植入的攻防技術

　　✪ATT&CK Navigator、Caret、TRAM專案實作 　　✪威脅情報、檢測分析、模擬攻擊、評估改進的應用實例 　　✪ATT&CK的威脅狩獵完整攻防介紹 　　✪MITRE Sheild三階段的模擬實作 　　✪完整ATT&CK評測流程  

GitHub 資料庫進入發燒排行的影片

LSTM模型對國立大專院校用電量進行預測–以國立陽明交通大學光復校區為例

為了解決GitHub 資料庫的問題，作者莊國誠 這樣論述：

這篇論文首先將光復校區所有智慧電表紀錄到的累計用電度數數據取出並進行數據預處理，包含數據合併、數據轉換及數據清理，將數據內部有問題的數據用空值取代。接著會將經過預處理後的光復校區北區及南區數據進行異常數據檢測及數據填補。最後用LSTM模型預測北區及南區未來30天的用電量，很多能源管理方法都需要以未來用電量為基準，所以選擇用電量預測作為應用。用LSTM模型預測未來30天用電量，會比較輸入1筆到最多2年的數據時的預測結果，以及分成三種輸入參數不同的模型，分別是單純用電量預測模型、代表人員活動的學期參數模型及代表天氣狀況的天氣參數模型。預測出來後再以圖像化及RMSE值來呈現。在不同輸入設定下各個模

型通常只要有約7筆數據就有不錯的預測結果；學期參數模型則以分成學期間平日、假日及寒暑假四種時間區間預測結果最佳；天氣參數模型中單純用溼度預測結果最佳。用以訓練的數據集只要有一年的數據量就足夠進行預測，更多數據對預測結果影響不大。關鍵字：用電量數據、數據預處理、LSTM、用電量預測、用電量圖像化

Martin Fowler的企業級軟體架構模式：軟體重構教父傳授51個模式，活用設計思考與架構決策

為了解決GitHub 資料庫的問題，作者MartinFowler 這樣論述：

★★★榮獲素有IT書籍奧斯卡金像獎之稱的第13屆Jolt獎★★★   ✎與一群專家級貢獻者David Rice、Matthew Foemmel、Edward Hieatt、 Robert Mee以及Randy Stafford共同合作，Martin Fowler之必讀經典✎   [名家名著] 25 Martin Fowler的企業級軟體架構模式 Patterns of Enterprise Application Architecture   　　陳傳興、張立顗　翻譯 　　黃忠成　審校 　　陳仕傑(91)　專文推薦   　　企業級軟體開發的實踐因許多新技術的出現而受惠。物件導向程式語言（如

Java和.NET）與新工具和新技術的日趨普及，讓我們有能力建置更穩固與強健的應用程式，但它們並不容易實作。開發人員在企業級應用程式中總是會面臨相同的困境、遭遇同樣的難題，因為他們尚未充分領會到資深前輩們的架構經驗和失敗教訓。 　　 　　本書介紹的，正是企業級軟體開發人員所面臨的種種嚴峻挑戰。企業級應用程式（如預約系統、供應鏈程式、金融系統等等）的挑戰是獨特的，與桌上型電腦系統和嵌入式系統同行所面臨的挑戰截然不同。因此，企業級開發人員往往必須自行挖掘解決方案。   　　本書作者Martin Fowler是全球知名的物件導向大師、軟體重構教父，他發現，儘管技術發生了變化──從Smalltalk到

CORBA，再到Java與.NET──相同的基本設計概念仍然可以調整並應用來解決這些常見的問題。在一群專家級貢獻者的幫助下，Martin將40多種重複出現的解決方案淬鍊成為模式，並提供完整的脈絡，讓讀者能夠在面對困難的設計決策時做出正確的選擇，最終寫成這本不可或缺的解決方案手冊，它適用於任何的企業級軟體平台。   　　本書實際上是兩本書合二為一。第一個部分是開發企業級應用程式的簡單教學，讀者可以從頭到尾閱讀，以熟悉本書的範圍及章節安排。第二個部分則是本書的主軸，是關於模式本身的參考手冊，Martin為每一個模式都提供了用法和實作資訊，並搭配Java或C#程式碼的詳細範例。書中還利用豐富的UML

圖形來進一步解釋這些概念。   　　你將從本書學會： 　　・將企業級應用程式劃分為多個分層 　　・組織商業邏輯的主要方法 　　・深入處理物件與關聯式資料庫之間的對應 　　・使用MVC模式來組織Web的呈現 　　・處理跨越多個交易的資料的並行問題 　　・設計分散式物件介面 　　・來自David Rice、Matthew Foemmel、Edward Hieatt、Robert Mee、Randy Stafford的專家級分享

以生成式深度學習達成多語者跨語言之語音轉換

為了解決GitHub 資料庫的問題，作者劉祈宏 這樣論述：

本論文透過延伸前人研究[1]，使用文字不相關的非平行語料將語音轉換應用至多目標上，可將語音分離出文字內容與語者資訊。並藉由生成對抗式訓練，使得轉換之聲音更加自然。藉由本實驗室收集的台語語料，並結合公開語料集VCTK Corpus[2]同時混合訓練，以達成單一模型多語言跨語者之語音轉換。透過此技術收集知名人士的聲音，其可能在公開場合上鮮少或不曾公開發表過台語演說，藉由本研究的成果，我們可以將一般人的台語演講，轉換成此【目標語者】的聲音。藉由大家熟悉的聲音，增加台灣的年輕人對使用臺語的意願。在實驗設計與評估上，也分別從不同面向探討。在實驗的部分，我們從不同人數的訓練，資料片段長度的選擇以及單一性

別進行探討，在評估方面，我們分別使用主觀評估與客觀評估，分別採用平均評價計分(Mean Opinion Score, MOS)，以及梅爾倒譜失真度(Mel-cepstral distortion, MCD)作為衡量標準，兩者皆顯示藉由生成對抗式訓練之模型有較好的結果。同時我們也使用Spleeter[3]，將歌唱類聲音進行樂音分離，進行樂音分離後使用本文之模型進行語音轉換，並可取得初步之效果。此外，我們也時實現一個基於卷積神經網路之台語關鍵詞辨識，能夠辨識約30字詞。