WAVE 模型 評價的問題，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

Google教你深度學習：中小企業如何利用會自己學習的電腦?

為了解決WAVE 模型 評價的問題，作者日經大數據 這樣論述：

你要聽特斯拉馬斯克的或是臉書祖克伯的？ 前者認為人工智慧（AI）會毁滅人類，後者說不會！ 其實你應聽Google的， 它提供平台讓中小企業也可以搭上人工智慧的特快車！ 　　將衝擊世界的人工智慧類型基本上是指會自己學習的電腦，也就是所謂的機器學習（Machine Learning）及深度學習（Deep learning），而非過去大家習慣的電腦依程式行事。前者是指機器自己由大量資料中，得出某結論，如給電腦一堆貓的圖片，他會自己替貓做定義，進而由一張被切割的照片中，判斷那是不是貓。而深度學習則是電腦自行處理多層結構的訊息，而進行判讀。 　　人工智慧用5000部影片，就可以自己學會讀唇語！

　　曾有研究單位利用「深度學習」學習唇語的判讀，他們將英國BBC電視頻道的多個節目系列、合計約五千小時的影片做為學習的資料。學習後的電腦，在兩百支影片測驗組合中，光靠唇部動作便成功解讀出大約百分之五十的單字。而即使是在法庭上擁有十年以上經驗的唇語術專家，在相同的測驗中也只能判讀四分之一左右的單字。 　　電腦具備自主學習及判斷能力的事實將對人類社會產生重大衝擊，本書不只以一般人能理解的方式說明人工智慧在技術方面的進展，更以大量的實例，說明目前全球各種規模的企業如何利用會「學習」的電腦，來改變企業的運作。例如客戶服務的工作，原本極為依靠人力，但是，現在只要投入大量過去的QA，電腦會自己學會如何

對應客戶；如語文的翻譯，電腦也可以自己由大量的翻譯資訊中學習，讓翻譯的品質提升。 　　善用人工智慧技術的企業，將在企業的經營上（至少成本的控制上），取得領先。問題是人工智慧的發展是否有很高的技術門檻？阻擋一般的中小企業於門外？其實不然。 　　中小企業也可以利用Google平台提供的應用程式介面，發展自己的深度學習運用 　　谷歌在其雲端服務「Google Cloud Platform（GCP）」中，將谷歌研究開發至今的深度學習成果透過兩種方式開放一般大眾使用（Google目前將人工智慧用在公司一千種服務以上）：一種是將機器學習訓練完畢的模型，以應用程式介面 (Application Pro

gramming Interface；API)方式提供服務。另一種是提供機器學習程式庫「開源機器學習系統（Tensor Flow）」。 　　應用程式介面（API）一般是指能將擁有特定機能的電腦程式由外部程式叫出使用的介面。透過應用程式介面與電腦程式連結，就可以直接利用其功能。 　　谷歌將許多不同種類具有「機器學習」或是「深度學習」能力的「模型」放在「谷歌雲端平台（GCP）」。中小企業可以利用應用程式介面，直接利用其功能。而這些「模型」已經經過基本的「訓練」，因此使用者只要提供少量的資料，就可以達成學習的目的。 　　因為有了應用程式介面（API）的提供，使得「機器學習」與「深度學習」為一般

企業所用的門檻大幅降低了。只需以程式介面（API）程式將「模型」叫出，就能使用圖像辨識與語音辨識的最新成果，真的很方便。 　　不過另一方面，許多太專業的運用，如人體器官病徵的辨識或是機械故障的預兆判斷等，無法以應用程式介面（API）套用現有的「模型」。谷歌所準備的機器學習程式庫「開源機器學習系統 TensorFlow」將派上用場。使用者可以下載程式，自行發展所需要的功能。「使用TensorFlow最大的好處，是只要以Python語言寫出簡單的程式碼，就能運用深度學習」。 　　本書不只告訴你人工智慧是什麼？將改變什麼？更告訴你可以做什麼，讓公司保持在科技的浪潮尖端。 本書特色 　　從定義

到駕御：讓你徹底搞懂將對人類產生鉅大影響的科技 　　本書在觀察大量企業的運用後，在第五章《架構活用篇》提出導入的深度學習的具體架構，讓讀者不只能懂，也能縮短運用時摸索的時間。本書發現人工智慧（機器學習、深度學習）的風潮席捲全球，不過其在企業運用的目的不外以下幾種：1、刪減成本。2、提高附加價值創造出新的商機。3、提升創意性。而在觀察幾百家企業的操作後，發現以刪減成本的目的最容易產生效果。 　　用案例讓讀者完全理解 　　對沒有技術背景的民眾而言，最關心的是人工智慧（機器學習、深度學習）要如何運用，本書以實際的案例說明相關問題： 　　■ 安藤HAZAMA――用以判斷隧道工程之岩盤硬度 　

　為了建設隧道工程時能兼具安全與效率，安藤HAZAMA與日本系統軟體共同開發的「隧道開挖面AI自動評價系統」。將挖掘隧道時最尖端之開挖面照片輸入後，該系統就會自動評價其岩盤的硬度、脆性等工學特性。透過人工智慧帶來的岩盤工學特性評價自動化，即使沒有專家或資深技師在場，也能給予正確的判斷。 　　在學習之際，將五百張左右的相片進行分割，製作成五萬張的相片資料。結合相片岩石所代表的彈性波速度，一起讓機器學習的結果，在拍攝開挖面相片後，就能得到彈性波的速度值。新系統在從開挖面的相片辨識其相對應的彈性波速度上，正確率大約有百分之八十五。 　　■ AUCNET IBS――從車輛相片就能鎖定款式 　　深

度學習特別適用於圖片的識別。從事支援中古車等業者間交易的AUCNET（位於東京都港區）系統開發子公司之AUCNET IBS就是圖片識別運用的例子。該公司運用深度學習技術，開發了能自動將車輛不同部位照片歸類上傳到網站的系統「konpeki（紺碧）」。二〇一六年十一月集團旗下的中古車經銷商FLEX（東京都港區）採用了這個系統，提升網站上資訊登錄作業的效率。 　　中古車經銷商經常需要為購入的中古車拍攝許多相片、進行上傳到自家網站或資訊網站的作業。車子的左斜前方、右斜前方、右側、左側、後方、還有車內的前座及後座、儀表板、導航等……。這些相片如果由店員手工整理的話，大概要花個五分鐘左右。Konpeki

系統只要經銷商店員將拍攝的相片登錄，就立刻能自動依部位別分類，輕鬆地上傳至中古車資訊網站。 　　它將車輛外部區分為十八種、内部區分為十二種。它也會將包含車輛的相片、但並非銷售對象的圖像（如廣告）區分出來。甚至還能鎖定某品牌、車名、款式，顯示平均銷售價格帶。 　　「konpeki（紺碧）」系統的開發便是採用了谷歌的「谷歌雲端平台（GCP）」上為了開發深度學習模型的程式庫「開源機器學習系統（Tensor Flow）」、讓機器學習大量圖像資料而成。 　　■ 以少量的訓練資料構築出車輛台數檢測的系統 　　Aerosense與大數據的BrainPad公司共同合作、運用了深度學習技術的作法。開發了

從空拍圖像中測出停車車輛數的系統。先從實驗結果來看的話，使用了深度學習的空拍圖辨識汽車模型，在顯示了一百一十六輛汽車的測試圖資料中，測岀結果為一百二十二輛。 　　Aerosense的汽車辨識模型，其特點在於其從空拍圖辨識汽車用的深度學習模型，並非是從零開始打造的。研發人員說明：「若要製作專用的模型，將需要大量的訓練資料。即使有一萬張也不夠吧！這次是運用了現有的模型，大約只有一百三十張的少量訓練資料，就顯示出其高精確度，很有價值。」 　　在深度學習模型的開發上，活用了谷歌的深度學習程式庫「TensorFlow」。利用TensorFlow中名為「Inception-V3」之一般圖像辨識模型，從

圖像資料中製作抽取了特徵值的向量。此時，使用約一百三十張的汽車空拍照作為訓練資料。抽取了特徵值的向量，再以一種名為SVM（支援向量機；Support Vector Machine）的機器學習進行學習，得出結果。 　　結合500家企業的導入經驗，系統化說明著手運用深度學習的方法 　　作者輔導了500家以上企業導入深度學習於工作之中，他用資料×目的的矩陣，描繪出活用展望圖，協助讀者理清頭緒，讓公司縮短導入摸索的時間。  

大數據的另一章!資料分析3.0時代，靠分析讀懂你的客戶，讓企業贏得競爭優勢

為了解決WAVE 模型 評價的問題，作者BillFranks 這樣論述：

亞馬遜網路書店5顆星評價 資料分析革命！驅動企業前進的新動力。 全方位解讀大數據的實戰應用，你絕對需要的一本書！ 如何具備後大數據時代精準決策分析3.0思維， 是你能看透大數據商機以及超越競爭對手的關鍵。 　　在現今變化多端的市場環境下，「能夠快速因應條件變化的能力」便是獲得成功的關鍵。本書內容說明如何將資料分析（包含大數據和小數據）中獲得的資料洞察與日 常營運緊密結合在一起。資料分析革命已經開始，我們必須要瞭解在資料分析時代如何透過「營運分析」來提升業務決策能力，以及如何參與其中。 　　在這本書中，你將學會如何理出頭緒、掃除障礙，然後積極利用目前的主流趨勢及流程，來確保能夠持續超越競

爭對手。內容全方位指導你如何經歷建立團隊、營造企業文 化、升級分析方法論、利用技術使企業向營運分析演變的過程，並詳細地講解使分析營運化對企業的改變為何，以及企業該如何朝向「更快更好更有效地做出決策」 的營運分析演變。 　　本書的寫作風格通俗易懂，適合任何背景的讀者閱讀，而且還提供了一個在所有類型的業務流程中嵌入分析流程的可擴充框架。想透過資料分析超越競爭對手的人，本書推薦給你！ 對本書的讚譽 　　「從資料和分析中獲取重要且持續的收益，正變得更像是一個企業自發的革命管理計畫，而不是一個技術專案。在本書中，Bill Franks利用自己在分析領域的實作經歷以及在高層管理團隊的諮詢經驗，幫助企

業領導者優雅地推動他們的企業，達到一個足以改變分析價值的遊戲規則的水平。」～Kathy Koontz，Nationwide客戶洞察與分析部助理副總裁 　　「如果你是一位高階管理人員，你就需要這本書。大部分與分析相關的書都晦澀難懂，就像一場技術性的論壇，但是企業領導者必須瞭解分析的價值、戰略和流程的完整的全局視角，瞭解可能陷入的陷阱，以及應如何避免它們。本書將企業領導者需要瞭解的全局情況清晰地呈現了出來。」～Eric Siegel，「預測性分析世界」創始人 　　「對於想有效利用大數據來解放企業的創新能力的業內人士來說，這是一本必讀之書。Bill精確捕捉到了即將到來的最迫切的大數據革命浪潮，這

場革命正在大規模地利用資料來使決策流程營運化，而不是僅僅利用資料驅動戰略層面的決策。這對業務部門來說是絕對的好資訊！」～Simon Zhang，LinkedIn商務分析部高階總監 　　「資料和分析本身不產生價值，只有當它們改變了業務方式後才產生價值。營運分析就是在可擴充、可重複的基礎上實作了這種革命，同時Franks提供了如何成功運用資料分析的路線圖。」～Blake Johnson，斯坦福大學管理科學和工程系顧問教授 　　「企業逐漸意識到大數據和資料分析能夠提供競爭優勢，同時他們正在研究如何使之變成現實。在本書中，Bill Franks對於如何使分析營運化提供了實用的指導，為企業決策奠定基

石。在闡釋這項革命、實作步驟和需要避免的誤區時，Bill發揮了他在這方面的專長 和熱情。企業領導們將非常感激Bill對這個重要卻被人誤解的話題進行揭祕。」～Jack Levis，UPS公司流程管理高階總監 　　「我非常欣賞Bill的這本新書。在這本書中，Bill再一次驗證了他獨特的能力—將一個複雜的技術話題的精髓部分傳達給每一位高階業務經理。正如Bill在 書中闡述的，分析革命正在發生，並有望從根本上改變業務的營運方式。這不是一個IT從業者的指導手冊，而是一個老練的業務經理的入門手冊。它用撥雲見日的 手法告知業務經理，對企業的業務流程中的分析營運化必須瞭解哪些知識。」～Mark A. Van

Sumeren，Owens&Minor公司戰略和業務發展部高階副總裁 　　「結識Bill多年，我很佩服他實作分析專案時務實且直截了當的方法。二十年的實際經驗讓Bill與眾不同，並使他成為分析領域的卓越領導者之一！」～Elpida Ormanidou，沃爾瑪Global People Analytics 副總裁 　　「Franks打造了又一個有實用見解及指引的力作，以實踐為標準並使它向前躍進了一大步。不僅資料科學家和資料管理人員會感激Franks所提供的商業價值，其他任何想推展資料驅動決策和營運分析的人都需要閱讀這本指南，進而在依據分析的業務方面更上一層樓。」～Jeff Tanne

r，《Analytics and Dynamic Customer Strategy》作者，Baylors創新業務合作實驗室總監 　　「就在幾年前，很多組織、部門、人員還對大數據半信半疑，並質疑資料分析是否真的很重要。如今，那些還沒有跨越鴻溝的人正在錯失大量的機會，他們顯得落伍又死 板。但是，大數據分析該從哪裡開始呢？雖然沒有一本書能夠回答有關大數據發生的所有問題，但是這本書提供了一個極好的框架。我由衷地推薦本書。」～Phil Simon，主講人和備受讚譽的《The Visual Organization》和《Too Big to Ignore》作者 　　「這是一本全方位的必備指導書，能指

導你成功實作營運分析、自動決策，並驅使資料分析深入到業務流程中。在大數據時代，對這一適時的話題而言，沒有比Bill Franks的書更好的指南了，它是大數據時代至關重要的戰略性競爭優勢。」～Gil Press，Forbes.com 內容貢獻者 　　這本書在「企業領導者需要做什麼、考量什麼，才能成功運用資料分析」方面提供了絕佳的觀點。企業決策方式正在發生改變，以前是由營運流程甚至是客戶來做決策，現在所有的一切都將是由資料分析所驅動！這一革命性的決策變化將成為業務的新規範。我極力推薦這本書作為非常好的入門書，指導我們應該如何利用營運分析，並預期從中得到什麼！」～Russell Walker，美國

西北大學凱洛格管理學院管理經濟學與決策科學臨床副教授 　　「如果你正在你的企業的大數據運動中艱難行進（誰不是呢？），那麼你必須閱讀這本書。Bill Franks透過他獨特的講故事能力，為你提供了具趣味性與洞察力的案例來分析全球各地的公司是如何透過營運分析來利用企業資料的。特別是，他專注於如何分配價值來更智慧地使用資料，這是在很多有關大數據的交流中所遺漏的。透過為那些想要改善大數據衝浪表現的人提供一個衝浪板，分享他對資料驅動的未來世界的遠見，Franks延續了他在《駕馭大數據》一書中所表現出的簡潔分析能力！」～Linda Burtch，Burtch Works Executive Recrui

ting 常務董事 　　「我們在Kaggle的一個重要經驗是，大數據不僅僅是建立先進的演算法。Bill寫了一本重要的書，講述了如何將分析應用於實作。」～Anthony Goldbloom，Kaggle創始人兼CEO

腦波與五大人格特質相關性研究

為了解決WAVE 模型 評價的問題，作者艾明緯 這樣論述：

由於近幾年來人工智慧開始盛行，也開始帶動腦機介面在市場上掀起熱潮，本研究目的希望透過腦機介面量測出的腦波資料，以及IPIP五大人格量表去分析人格特質與腦波之間的相關性。 本研究透過腦機介面Brain Link Pro，收集受試者在進行2分30秒的TRYBIT LOGIC遊戲時腦波中的Low Alpha波、High Alpha波、Low Beta波、High Beta波、Low Gamma波及High Gamma波數據，並與IPIP五大人格量表去進行人格特質的分析。透過Spearman相關係數找出各腦波與每個人格特質之間的相關性後，將各個腦波數據對應有相關的人格特質，依照平均分數將受試者

分成兩組，再藉由曼惠特尼U檢定去檢定兩組受試者腦波數據是否有差異，將有差異的腦波數據與人格特質，透過隨機森林分類器訓練模型並進行預測，找出腦波數據與人格特質之間的關係。