雨量預測的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

人人都能學會用AI：不懂統計，不懂程式，一樣可以勝出的關鍵職場力

為了解決雨量預測的問題，作者野口竜司 這樣論述：

進入AI社會，我會失業嗎？身為文組的人，如何藉由AI提高自己的工作能力呢？想要成為AI人才應該從什麼地方開始著手強化能力呢？   這本書的目的就是要消除這種不安和疑問。作者強調無需知道程式語言，也不會用到統計，讓AI就像Excel一樣，成為一項任何人都能使用的工具。不管是文組還是理組，Excel是很多人都會使用的表格計算軟體。也許這樣說有點誇張，但是就和Excel一樣，AI也正在成為許多人都能夠使用的常用工具。說起來就在不久之前，AI世界還是由理科和技術類的「理科AI人才」主導的世界。但是隨著AI技術的普及，在任何人都能夠輕鬆使用AI的今日，相較於「如何製作AI」，「如何使用AI 」成為更重要

的課題。因此，理解商業現實面與站在第一線商務現場的文科AI人才變得更加重要。   本書分成七個章節介紹成為「文科AI人才」所需的內容。作者認為若能確實掌握本書的內容，就能加入「文科AI人才」的行列。無論是作為參與AI專案的事前準備，或是要去AI很強的公司面試時，當成面試對策，公司內招募AI部門的對策等等，本書也是很好的參考書。另外，這本書是按照以下三個原則撰寫。這三項原則就是「不涉及程式設計、統計、數理方面的內容」、「儘量不使用AI的專業術語」、「盡可能地介紹更多案例」。 作者簡介野口竜司畢業於立命館大學政策科學學院。自己亦身為「文科AI人才」，並推動各種AI企劃。致力於推動AI商務和企業的

AI本土化。在大學就讀期間即參與來自京都的IT創投計畫。擔任子公司的總經理和董事，並在推薦系統、大數據、AI、海外商務等領域開展新事業，之後加入ZOZO集團。亦為大企業與初創公司提供AI培訓和AI推廣的諮詢服務。譯者簡介蔡斐如台灣新竹人，最喜歡的一句話是：「It''s painful, but not hard.」。 前言 成為AI人才吧！ 第一章 在AI時代中不至於丟掉飯碗 別怕「因AI失業」，而是準備好從事「AI職務」 學習「與AI共事」的技巧 五種「共事型態」   第二章 AI在人文領域的應用職業 要從「建立AI」轉而「使用AI」 能靈活運用AI的「文科AI人才」日趨重要 「文科AI

人才」的工作內容為何？ 成為「文科AI人才」四步驟   第三章 STEP① 把AI基礎的關鍵用語背下來   AI、機器學習、深度學習的差異 三種學習方式──監督式／非監督式／強化學習 AI活用4×2 ＝8型 「辨識型」AI要這樣用 「預測型AI」要這樣用 「對話型AI」要這樣用 「執行型AI」要這樣用 按出現頻率背誦基礎AI用語   第四章 STEP② 概略理解建立AI的方法 AI是掌握特徵的高手 瞭解「預測型AI」的建立方法 瞭解「辨識型AI」的建立方式 瞭解「對話型AI」的建立方式 瞭解「執行型AI」的建立方式   第五章STEP③ 磨練自己的AI企劃能力 AI企劃的「百案發想挑戰」

確保「變化量與可行性」 5W1H提升AI企劃內涵   第六章STEP④澈底瞭解AI──按行業 × 活用類型的四十五個案例 【流通、零售】 日本TRIAL 運用自行研發的AI攝影機，運用使用者辨識功能促銷與補貨 日本LAWSON根據AI規劃展店 日本JINS由AI推薦合適風格 日本三菱商事和LAWSON運用AI節省超商用電   【EC、IT】 日本ZOZO 活用AI的「搜尋類似品項功能」，網站停留時間增為四倍 日本LOHACO 以聊天機器人「Manami」回應五成客戶諮詢   【時尚】 法國Heuritech從社群媒體照片預測時尚流行趨勢 美國The take AI 偵測影片內的服飾，列出相

似商品，並可直接購買 日本STRIPE INTERNATIONAL INC.以需求預測AI，持續縮減庫存至原有八成 日本ZOZOUSED導入二手衣鑑價AI   【娛樂、媒體】 日本經濟新聞 以AI讀取一百年份的紙本報紙，精準度達九十五％ 日本福岡軟銀鷹販售浮動價格AI門票 中國國營媒體新華社AI合成女主播 日本富士通新聞摘要AI系統   【運輸、物流】 日本佐川急便AI自動輸入託運單資料 日本日立製作所與三井物產用AI制定配送計畫，實現智慧物流 中國京東（JD.com）自動化物流倉儲，比人工多十倍處理能力   【汽車、交通】 日本NTT DOCOMO 發展AI計程車，載客需求預測精準度達九十三

〜九十五％ 日本豐田汽車雙重安全保障：自動駕駛與駕駛輔助系統   【製造、資源】 韓國LG以針對家電設計的AI輔助日常生活 日本普利司通推動AI工廠，大量生產高品質輪胎 日本JFE Steel以人物偵測AI保障作業員安全   【不動產、營造】 日本大京集團計劃導入AI管理員 日本西松建設導入能記得生活習慣的智慧住宅AI   【外食、食品、農業】 日本Kewpie Corporation以AI食品原料檢查設備挑出不良品 日本電通以AI評斷野生鮪魚品質 日本SoftBank出資的Plenty能調整農作物風味的AI室內農場 LINE Corporation日本分公司能處理餐廳預約的日文語音AI服務

中國 京東（JD.com）運用機器人自動化烹飪、上餐、點餐、結帳   【金融、保險】 日本Seven Bank搭載人臉辨識的次世代ATM 日本JCB 以AI輔助保險銷售，根據使用紀錄鎖定潛在顧客 日本瑞穗銀行開始驗證活用AI的個人化服務   【醫療、長照、專業人士】 日本EXAWIZARDS 與日本神奈川縣合作，著手實證測試「預測長照需求等級」AI 日本Ubie提升醫療第一線工作效率的AI問診 日本GVA TECH AI-CON：「輔助立定與審閱契約書的AI服務」   【人才、教育】 日本SoftBank以AI提升新人招募效率 日本atama plus最佳化每個人的學習 日本AEON會話教室等

以AI評價英語發音   【客服中心】 日本Kanden CS Forum以AI預測客服中心話務量 日本transcosmos預測準備離職者，半年就讓離職者減半 日本KARAKURI保證準確率九十五％的聊天機器人 日本So-net 導入語音辨識AI，提升客服專員工作效率   【生活服務、警衛、公共事業】 日本埼玉市運用空拍照片比對AI，調查固定資產稅 日本ALSOKAI自動偵測需要協助者 日本氣象協會每小時降雨量預測   第七章 文科AI人才將改變社會 AI為「消費者、公司、工作者」所帶來的改變 引領AI社會的Amazon 在AI × 各產業推動變革的日本SoftBank 日本銀行正因AI變化中

文科AI人才將帶領整個社會   結語   第一章 為了不在AI社會中失業 別怕「因AI失業」，而是準備好從事「AI職務」 「因AI失業」是無法改變的事實 網路、電視、雜誌等，天天都在討論「AI會搶走我的工作嗎？」（圖表1-1）。很抱歉，事實就是「很多工作都會被AI取代」。我們就別逃避了，接受這個事實吧。重要的是，接受事實後，我們該做什麼準備、採取什麼行動，好往下一步邁進。 與其停滯在「與AI對抗」的狀態，我們應該把心態轉換成「與AI共事」。 若因AI失去工作，那就轉而「挑戰新時代的新職務」吧。回顧歷史，當出現新技術且融入社會後，雖然會有某些職務就此消失，但同時也會出現前所未見、運用新技術

的新職務。 ˙冰箱發明後，賣冰的人失業了，卻發展出「電器行」職業。˙汽車發明後，馬車伕失業了，卻發展出「計程車駕駛」「車輛銷售」工作。˙IT普及後，整理資料的庶務工作消失了，卻發展出與IT相關的工作。 如前述例子，在「工業革命」「汽車化」「資訊革命」這種重大技術演進時間點，都有「既有職務消失，同時也發展出新職務」的現象。能確定的是，AI也將重演歷史。 「AI職務」會越來越多 我認為，在AI時代一樣會發展出許多新職務。如前述，資訊革命後，隨著網際網路普及化，資訊相關的職務也越來越多。當被問到「您從事什麼工作？」時，回答「資訊類」的人也快速增加。AI也是一樣，在未來回答「我是做AI相關工作」的人一

定也會快速增加。 就像「資訊類」中還細分各種職務，「AI相關」這個大類別下，也會細分各式衍生職種。大家不用擔心，雖然有些職務因AI消失，但那些空缺，一定也有AI衍生出的各式職種隨後補上。只是， 最危險的，是害怕因AI失業，而執著現職，裹足不前。 我們一定要小心別陷入這種心態。與其擔心「我的工作會不會被取代啊？」，不如思考「如何運用累積的技能與業界知識，與AI共事」。即， 別怕「因AI失業」，著手準備從事AI職務吧！ 學習「與AI共事」的技巧 為何日本人會如此不安 前面說「不怕因AI失業」，但我們對AI的恐懼究竟從何而來？大家都有各自理由，但我聽到的大多是像「感覺就很厲害啊」「來路不明的東西」「

不知為何但就是害怕」這種籠統的理由，我認為可以歸納成「對未知事物的恐懼」。

雨量預測進入發燒排行的影片

應用卷積神經網路於雲影像降雨預測

為了解決雨量預測的問題，作者蕭偉泓 這樣論述：

降雨預測是發展智慧農業重要的一環。古代人靠觀天象辨風雲預測天氣，現代人則是依靠氣象預報進行降雨預測。但是，這些預測降雨的解決方案大都不夠精準與即 時，無法滿足農民們實際的需求。因此，如何發展更即時，符合智慧農業快速發展的 降雨預測是目前極為重要的課題。本文利用有效的資通訊和人工智慧 AI 技術，結合 大數據分析，提出一套能預測下五分鐘後天氣狀況的降雨預測方法，對可能的災害進 行即時預防。本研究提出的 VGG-Cloud 預測模型，是以 VGG16 卷積神經網路模型 為基礎，結合遷移學習的 Layer Transfer 技術，保留或改進了其中的部分架構及參數， 再以收集到的天氣雲圖進行實際模型

訓練而得。實驗結果顯示，本文提出的 VGG- Cloud 模型是能夠成功地將 VGG16 的圖像特徵學習的機制轉移到雲層圖像的特徵計 算上;並且在有限天氣圖像數據的情形下，VGG-Cloud 模型成功預測出 5 分鐘後沒 下雨天氣狀況的準確率為 81%，而成功預測出 5 分鐘後下雨天氣狀況的準確率亦可 達 80%。所以，整體來說，VGG-Cloud 相較於 VGG16 模型，預測準確率由 72%提高 到 81%，改善了 12.5%;模型參數運算需求量也大幅減少了 99.98%，大大提升了運 算效率以及用 Edge Computer 實現模型訓練的可能性。這些結果也驗證了本論文所提 方法的有效性

和實用價值。