Mac mini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

Flag’s 創客‧自造者工作坊 用 AI 影像辨識學機器學習

為了解決Mac mini的問題，作者施威銘研究室 這樣論述：

　　不同於常見機器學習皆是由 Python 語言實作, 本書使用 JavaScript 語言於瀏覽器實作機器學習, 搭配著名的 JS 機器學習函式庫 ml5.js 可以更快速且便利地達成 AI 網頁應用, 對於許多熟悉 JS 語言的前端工程師或使用者更為親近, 實驗過程使用 p5.js 程式庫, 讓沒有太多程式設計基礎的使用者也可以更輕鬆將結果視覺化, 再搭配使用 p5.js web editor 線上開發環境, 只需要使用瀏覽器就可以開始輕鬆設計網頁, 不需要在自己的主機建構繁瑣的開發環境, 再搭配 Python 編寫控制板程式, 將應用結合至感測器或實體輸出裝置, 實現更完整的機器學習

應用實例。   　　本書一開始會先介紹機器學習概念與 p5.js web editor 線上開發環境基本操作, 接著直接體驗使用 ml5.js 中的現有模型, 實作可以辨識特定物件的影像分類器。   　　除了網頁實作神經網路外, 可再串連硬體控制板, 藉由控制板輸出預測結果, 比如使用物件偵測來判斷是否有人出現, 對應的 OLED 顯示器模組就會出現迎賓文字或相關訊息；或是語音辨識讓玩家用語音來控制遊戲, 遊戲結束後會通知控制板啟動振動馬達回饋給玩家。   　　最後會使用 ml5 程式庫實際訓練自己的神經網路模型, 首先為利用控制板蒐集感測器資料, 再透過神經網路訓練解決迴歸問題, 如藉由溫度

感測器的訊號, 找出感測值與實際溫度的關係, 做出自製即時電子溫度計, 再結合可以即時顯示畫面去背效果的 U-Net 模型, 就可以使用環境溫度來改變虛擬背景特效。   　　接著為解決分類問題的神經網路, 使用現成的 Facemesh 模型找出臉部特徵點, 分別蒐集臉部不同的角度資料進行訓練, 最終得到一個可以辨識是否打瞌睡的模型, 再串接實體蜂鳴器在打瞌睡時, 發出警報聲提醒使用者。   　　最後訓練的神經網路為卷積神經網路, 透過蒐集配戴口罩與否的不同照片作為訓練資料, 經過卷積神經網路訓練後, 就可以用此模型來判斷畫面中的人是否有正確配戴口罩, 再結合模擬門鎖的伺服馬達, 建構出一套口罩

門禁系統的概念。   　　本產品除實驗手冊外，實驗過程中有任何問題或是建議都可以在 Facebook 粉絲專頁《旗標創客‧自造者工作坊》中留言，即有專人為您服務。   　　本產品 Windows / Mac 皆適用　 　　操作本產品需要視訊鏡頭及麥克風 (筆電內建或 USB 外接 webcam 皆可) 　 本書特色   　　● 用 JavaScript 升級網頁添加機器學習能力 　　● 結合硬體展現機器學習成果實作物聯網應用 　　● 從感測器蒐集資料、訓練模型到應用完整學習

Mac mini進入發燒排行的影片

發展台灣修訂版主觀記憶抱怨量表： 台中地區常模信效度研究之初探

為了解決Mac mini的問題，作者古宜婷 這樣論述：

研究背景與目的：主觀記憶抱怨(subjective memory complaints, SMC)為可能預測後續阿茲海默病型失智症臨床前期之客觀認知功能變化的指標，目前台灣尚未有良好的相關評估量表。本研究嘗試進行主觀記憶抱怨量表(Subjective Memory Complaints Questionnaire, SMCQ)的中文化修訂版，並考驗其心理計量特性，用以發展為在台灣適用的評估工具並建立台中地區性常模，初步探討人口學變項、憂鬱以及執行功能變項對該量表結果之影響。研究方法：本研究共招募100名45歲以上台中地區受試者，依內政部人口比例資料進行分層隨機取樣，男性共47名，女性共53名

，平均年齡為59.93歲（範圍落在45-86歲），平均教育年數為11.10年（範圍為6-18年），另招募10名輕度認知缺損患者(mild cognitive impairment, MCI)，同時從常模樣本中根據人口學變項與之匹配的對照組10名，以供進一步檢驗修訂版SMCQ的建構效度。研究結果：修訂版SMCQ量表具有良好的信度（內部一致性為.81、間隔一個月後進行的再測信度為.95），探索式因素分析顯示量表由日常記憶問題、近期與嚴重記憶問題和長期記憶問題三種主觀記憶抱怨所組成，其中，日常記憶問題與所有客觀認知功能測驗表現呈負相關(r = .23-.39)。近期與嚴重記憶問題與視覺記憶和注意力／

處理速度表現呈負相關(r = .20-.25)。憂鬱則與三個因素均呈正相關(r = .23-.31)。年齡與量表總分(b = .09, p < .05)和日常記憶問題得分(b = .06, p < .01)呈正相關。且MCI患者在修訂版SMCQ的得分顯著高於常模組(p < .05)。在控制人口學變項的影響後，計算並提供修訂版SMCQ的百分等級對照表。結論：修訂版SMCQ量表具有良好的心理計量特性，可供臨床工作者評估SMC的不同面向。

Flag’s 創客‧自造者工作坊 超入門!AI 聲音姿態影像辨識大應用

為了解決Mac mini的問題，作者施威銘研究室 這樣論述：

　　實作 AI 的門檻已逐漸降低, 也不再是專業研究人員才能觸碰的領域, 本套件排除了需要具備專業知識與能力才能實作 AI 應用的障礙, 直接應用既有的機器學習服務 Teachable Machine, 僅需要簡單幾步驟即可訓練自己的分類器模型, 再利用網路服務來橋接開發板及各項硬體, 便利且迅速完成各種應用及實驗。 　　本產品會帶領讀者使用 Teachable Machine 服務一步步來建立自己的機器學習模型, 內容囊括『聲音辨識』、『姿態辨識』以及『影像辨識』三類, 完成模型後再匯入到我們已經準備好的應用網頁, 直接實現 AI 辨識實作應用, 例如先建立不同表情分類

, 再根據分類拍攝相對應的表情樣本, 經過訓練後即可得到分類自己表情的模型, 匯入預先準備好的實驗網頁, 即完成了透過網頁和 webcam 來辨識心情的分類器, 接著學習 Python 程式語言讓開發板取得網頁辨識結果, 再根據結果控制硬體, 如 LED 條燈, 就可以將使用者的心情透過 LED 燈不同的特效來表現, 若將配戴口罩與否的照片訓練後做成分類器, 再搭配蜂鳴器發出警示音, 即可完成口罩偵測警報系統；搭配 IFTTT 物聯網服務還可以做成只有特定的人物才能讀取 LINE 訊息。 　　另外還有聲音辨識可以訓練成自己專屬的台語小老師, 隨機出題考考你, 答對了就會放音樂；聲控心情特效燈

, 只要說出你的心情, 就可以切換氣氛 LED 燈！姿態辨識鬧鐘讓你設定起床的時間到, 一定要起身對著鏡頭做出特定動作才能解除！若將自己不熟練的瑜珈動作製作成模型, 搭配網頁立刻就變成了瑜伽小老師, 隨機出題陪你不斷練習～ 　　還有不需自己訓練模型也可以實現的語音辨識 API, 只要念出音樂簡譜上的數字, 就可以讓蜂鳴器幫你唱出正確的音調, 豐富多樣的 AI 實作且不用先學會 AI。 　　本產品除實驗手冊外，實驗過程中有任何問題或是建議都可以在 Facebook 粉絲專頁《旗標創客‧自造者工作坊》中留言，即有專人為您服務。 　　本產品 Windows / Mac 皆適用　 　　操作本產品

需要視訊鏡頭 (筆電內建或 USB 外接 webcam 皆可) 本書特色   　　● 實作 AI 不用先會 AI 　　● 簡單步驟就可以訓練自己的模型 　　● 模型上傳雲端使用超便利 　　● 機器學習概念超入門 　　● AI 入門必學 Python 語言 　　● AI 辨識整合硬體大應用 　　● AI 聲音辨識 　　● AI 姿態辨識 　　● AI 影像辨識   　　組裝產品料件: 　　D1 mini 相容控制板 × 1 片 　　全彩 RGB LED 燈條 × 1 條 　　Micro-USB 傳輸線 × 1 條 　　公對公杜邦線 × 1 排 　　無源蜂鳴器 × 1 個 　　麵包板 × 1 片

混合網狀與星狀拓樸的極低功耗無線感測網路

為了解決Mac mini的問題，作者莊易達 這樣論述：

物聯網技術愈來愈普及，感測節點數量大幅上升，網路拓樸成為無線網路技術必備功能之一，而網路覆蓋率、拓展性與可靠性為無線網路技術發展的重點。為克服佈線困難和成本問題，部分感測節點採用電池供電，因此低功耗同樣是重要的技術議題。網狀拓樸採用符合6LoWPAN協定與IEEE 802.15.4標準架構，成為上述網路拓樸的一項解決方案，但網狀拓樸相較於其他簡單星狀與樹狀拓樸的功耗高許多。為了保有網狀拓樸的優點並達到低功耗目標，本論文採用混合網狀與星狀拓樸的極低功耗無線感測網路，使網路同使保有兩者架構的優點。同時採用載波偵聽多路存取和分時多工架構，使網狀拓樸節點保有高效且即時的通訊，並讓以電池供電的感測節點

具備低功耗優點，提升電池壽命，有效降低維護成本。由於實際環境中存在許多干擾，使得具備可靠性的無線傳輸面對一定的挑戰，為此本論文提出混合自適應傳輸速率控制和傳輸功率控制演算法。經過長時間測試結果顯示：透過控制演算法可以有效對抗環境干擾影響，在具備可靠性的無線傳輸同時，演算法依據通訊狀況和環境干擾適時降低傳輸功耗，以獲得極低功耗的表現，演算法兼顧通訊可靠性，並以極低功耗維持感測節點運作。在功耗數據分析結果顯示，具備演算法的節點最高節省約95%的傳輸功耗，而整體功耗節省約37%，同時PER保持在1%左右，證明本論文所提演算法具備抗雜訊能力和達極低功耗成效。