introductory statist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

以機器學習與深度學習進行近紅外光譜與全域 OCT 影像之分析

為了解決introductory statist的問題，作者Bitewulign Kassa Mekonnen 這樣論述：

在過去數十年間，機器學習與深度學習已為複雜的光譜分析以及臨床與研究應用之醫學影像分析帶來史無前例的機會。本篇論文針對以上議題進行深入探討，主要內容包含以下兩個部分：第一部分聚焦在探討如何自難以區分辨識的體外糖水溶液之近紅外光譜（波長範圍 900 – 2200 nm）中定量得出糖水溶液之濃度。由於機器學習與深度學習已在各個領域中有了廣泛的應用，但在近紅外光譜分析方面的探討仍然不多，因此，本文將深入探究近紅外光譜分析方面的困難與挑戰。藉由各種糖水溶液樣本的濃度與其近紅外光譜的正確量測，作為機器學習與深度學習模型之訓練，以及分析辨識重要的訊號特徵，我們可達到正確的濃度預測。在迴歸問題方面，我們嘗試

了數種機器學習模型，用以辨識難以區分的近紅外線光譜，從中我們得知 Support Vector Machine Regression (SVMR)、Extra Trees Regression (ETR)、以及 Principle Component Analysis Neural Network (PCA-NN) 可達到最佳的預測精準度，其 correlation coefficient R 可達 0.99 以上，而且其 determination of coefficient R2 可達0.985 以上。此外，藉由重要的訊號特徵分析，我們可以展現各模型的預測穩定性。本文的研究顯示模型的表

現深受其所學習到的訊號重要特徵所影響，如果模型在不同組的訓練資料中所學習到的高比重的特徵有很大比例一致，該模型的預測表現則相對較穩定。在分類問題方面，我們實作了不同層數的 Convolutional Neural Network (CNN) 模型並連接兩層Fully Connected Neural Network 作為分類器，來進行自不同糖水溶液濃度（濃度範圍為 50 mg/dl – 430 mg/dl）中量測的近紅外光譜之多重類別（即多種水溶液之濃度）分類。我們的結果顯示，對於未知濃度的水溶液，我們的模型也可以將其歸類到最接近的濃度類別。因此，我們的模型具備相當的穩定性與預測能力。論文的第

二部分聚焦在準確地自 FF-OCT 人類皮膚活體影像中分離出紅血球細胞與微血管網路的影像。由於自動化由 FF-OCT影像中擷取出紅血球與微血管網路，對於醫師在臨床上診斷、治療、以及追蹤各種皮膚疾病的進程能帶來幫助，因此我們採用了深度學習的方法來發展此一自動化的程序。要訓練一個深度學習模型，需要大量的訓練資料，然而，要準備大量且標示過的訓練資料，卻需要耗費大量的時間與大量的專家人力。為了克服此困難，我們嘗試了數據擴充 (data augmentation) 與模擬產生資料的方式來累積足夠的訓練資料。以紅血球影像擷取而言，我們採用了數據擴充的方式，首先以人工的方式自原始 FF-OCT 影像中擷取出

數個紅血球影像，其條件設定為每顆紅血球的半徑必須為 6 – 8 μm，然後再將其隨機拼貼入 OCT 背景影像中，藉此產生大量訓練資料。模型訓練完成後，我們採用「交集 / 聯集比」(mean IoU) 的方法來評估模型預測的準確性。我們的結果顯示我們的模型可以成功自真實 OCT 影像中擷取出單一紅血球影像。在另一方面，由於標示 OCT 影像中的微血管網路相對上困難許多，我們發展了一套自動化產生模擬 OCT 皮膚內微血管網路之三度空間影像，它可同時產生人工合成的類 FF-OCT 皮膚內微血管網路影像作為模型的輸入，以及其相對應的微血管網路真實分佈 (ground truth) 資料，以作為模型的訓

練資料。為了評估這些合成影像的品質，我們採用了 U-Net 深度學習模型，以我們合成的影像作為訓練資料來訓練模型，並將訓練好的模型拿來測試真實 OCT 影像，看是否能正確擷取出微血管網路分佈。我們的結果顯示由人工合成的資料所訓練出的模型在擷取真實 OCT之微血管網路影像時可以達到一定的正確率，證實我們的方法可以大量產生有用的訓練資料，可用於模型訓練以及相關的研究。以此為基礎，我們可進一步改進模型，以達到精準擷取皮膚內微血管網路影像之目的。

石門水庫入流量推估不確定性分析

為了解決introductory statist的問題，作者林致弘 這樣論述：

台灣由於地形及氣候條件的限制，造成降雨時空間分布不均。在台灣，只有20%左右的水可以被人民使用，因此水資源的分配已成為政府的一個重要議題。由於水資源的短缺，水庫是台灣最重要的水利設施，如果可以提供未來水庫入流量的模擬值，那麼對於水資源的調控將有會很大的幫助。因此有必要建立一個基於降雨逕流模型的水庫入流量推估模型。由於水文模擬的過程充滿各種不確定性，所以勢必以序率 (stochastic) 的架構來討論水庫入流量。本文的研究區域為石門水庫，為台灣北部重要的水庫。主要提供農業用水、公共用水、發電和防洪等，是一個多功能的水庫。每年的11月至隔年5月為台灣枯水期，而一期稻作的耕種期間則為每年的1月至

7月，由於兩者時間重疊，常常造成上半年水情吃緊，所以本研究將針對枯水期的水庫入流量進行探討。本研究以SWAT模式 (Soil and Water Assessment Tool) 進行石門水庫入流量的推估；使用氣象繁衍模式生成單點的降雨量，並利用Copula函數建構的石門水庫上游雨量站的多變量分布，模擬上游集水區的降雨分佈。兩者搭配使用，可以提供水庫入流的不確性區間。在此不確定性的架構下，水庫入流量可被表示為一個機率密度函數。該入流量的機率密度函數，可以提供政府機關制定決策時的依據，對於未來可能發生的洪旱災提早做準備。期望本研究對於台灣未來的水資源調控有所幫助。