classification演算法的問題，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

銷售 AI 化!看資料科學家如何思考, 用 Python 打造能賺錢的機器學習模型

為了解決classification演算法的問題，作者MasanoriAkaishi 這樣論述：

　　【世界發生劇變！銷售 AI 化勢在必行！】 　　AI 議題已經講了好多年，然而絕大多數的企業仍然沿用老路子做生意，亂槍打鳥式的銷售方式也沒甚麼進步。然而時代不同了，既然有 AI 這個好工具為何不用？因為不懂不會所以不知該如何開始？眼睜睜看著 Google、Facebook 靠著 AI 化的銷售技術大賺特賺！ 　　其實，AI 不是大企業才能作，中小企業也可以，但不是全面做，而是挑選適合的做。最容易做到且很快就能換成實績的就是行銷、業務的銷售工作，只要利用自身累積的銷售與客戶等資料就行，讓 AI 自動找出其中隱藏的銷售密碼，並直接運用在工作中驗證，這就是本書的主軸：銷售 AI 化，讓機器

學習來幫忙。 　　【AI 不是打高空，要落實在工作中】 　　許多工程師學了 AI 技術，卻不知道如何讓技術落地！其實開發以銷售為目的的 AI 並不需要高深的技術，只要用機器學習就能辦到。書中範例使用的都是真實企業產生的工作資料，例如要預測潛在客戶時，可讓 AI 從客戶職業、年齡與過去的銷售實績等資料自動學習，找出資料間的關係建出模型並做出預測，我們就可以對商品或客戶擬定策略去執行計畫。也可以依據過去幾年的每日銷量，考慮節假日的影響，利用 Facebook 提供的時間序列套件去預測未來一段時間的銷量等等。 　　重要的商用實作範例包括： 　　●銷售成交預測 　　●銷量或來客數預測 　　●季節週

期性變化預測 　　●推薦商品提案 　　●根據客群制定銷售策略 　　本書由世界 500 大企業 Accenture (埃森哲) 公司的 AI 集團資深總監親自執筆，規劃出開發 AI 專案的標準流程，從選擇適合引入工作中的 AI 開始，一路到訓練資料的取得、資料加工、選擇演算法及建立 AI 模型之後的評估與調整等 9 大步驟。即使沒有開發過 AI 專案經驗的人也不用擔心，只要跟著動手做，就能看到成果。 　　書中的案例會實作監督式學習與非監督式學習中「分類」、「迴歸」、「時間序列」、「關聯分析」、「分群」、「降維」等各種演算法，讓讀者依照問題的類型選擇適用的處理模式。而且每個專案都不馬虎，從頭做

到尾一遍一遍演練 SOP，將流程深深印入腦海，熟悉每個步驟之後才能順利應用到自己的專案。 　　【邁向資料科學家之路】 　　書中提供的所有 Python 程式都是可以運用在實務工作上的原型，每個人都可以利用這些原型建出自己想要的機器學習模型。了解如何從實務觀點建立 AI，藉由本書了解整個專案的開發流程以及 Python 程式的實作方式，也等於邁出成為資料科學家的第一步。 　　許多書籍在教導讀者建出 AI 模型後就結束了，但資料科學家最有價值之處就在於建出預測模型後該如何因應提出的需求做調整，本書也會詳細介紹數種調整模型的方法與策略。 　　【適合的讀者程度】 　　無論是 MIS、程式設計師、

業務或行銷主管、只要具備 Python 程式基礎就可以開始。AI 專案常用的 NumPy、Pandas 與 Matplotlib 等必備 Python 套件，也會在書附講座中一一介紹供讀者練習。開發環境是雲端的 Google Colaboratory，只要能上網就能用，省去在自己電腦安裝軟體的麻煩。 本書特色   　　1. 世界 500 大 Accenture (埃森哲) 公司 AI 集團資深總監親自執筆 　　2. 實用性最高！能實際運用在提高公司的銷售績效。 　　3. 一點都不難！只要具備 Python 語言基礎就能上手。 　　4. 由施威銘研究室監修，在適當的地方補充說明幫助讀者理解。

機器學習的統計基礎：深度學習背後的核心技術

為了解決classification演算法的問題，作者黃志勝 這樣論述：

　　「作者在上市 IC 公司上班，每天面對 real world problems。探索如何建立輕量深度學習網路以及發展更有效率的學習方式是他每天的工作。這是一本學理及實務兼具的好工具書。」 － 中央研究院資訊科學研究所所長 廖弘源博士 推薦 　　[搭起 AI 與統計的橋樑] 　　原本統計學與人工智慧是兩個完全不同的領域，然而兩者在近代都有了新的發展進而產生連結。在人工智慧中導入機率與統計的觀念，讓電腦具有自己找出數據之間的關聯性並試圖解決問題的能力，因而出現機器學習 (machine learning) ，再加上電腦計算能力的大幅提升，解決多層類神經網路和大數據之間聯

繫性的可能，進而衍生出現今最熱門的深度學習 (deep learning)。 　　不過，大部分電腦相關科系出身的人並不熟悉統計學，因此在更上一層樓的時候容易遇到障礙。有鑒於此，小編在推出《機器學習的數學基礎》(天瓏專業書店年度暢銷第一名) 一書之後，就積極開發 AI 與統計學相關的書籍。在尋尋覓覓之後請到擅長統計與機器學習的黃志勝博士出馬撰寫《機器學習的統計基礎》，首要之務就是讓讀者不要視統計為畏途，因此在書中設計大量範例以降低學習難度，務求讀得懂、做得出來才容易吸收，進而搭好統計與機器學習的橋樑。如果自覺數學已經還給老師了也不用擔心，可以將本書搭配《機器學習的數學基礎》一併完整學習。 　

　[學會統計，由混亂到清晰] 　　本書從讀者在高中就學過的集合與機率論開始，帶您快速複習一遍，並將容易混淆之處多多舉例說明，並將以前似懂非懂的隨機變數、機率分布等觀念再解釋得更清楚。接下來就進入專有名詞特別多的統計學，這也是造成許多人暈頭轉向之處。特別是樣本估計、信賴區間、顯著水準、信心水準、t-分布、假設檢定...等讓人一個頭兩個大的主題，更是務求清楚明瞭。當然本書不可能把完整的統計學全都搬進來，此處只介紹機器學習、深度學習需要用到的統計基礎知識，縮短您的學習時間。 　　然後就進入機器學習的重頭戲，從資料前處理到迴歸、分類模型的建立，以及當數據的特徵數過多時的 PCA、LDA 統計降維法

。從類神經網路開始進入深度學習的範疇，包括前向傳遞、梯度下降法與倒傳遞學習法的手算實作，幫助讀者一步步建立深度學習的演算邏輯，並利用參數常規化解決模型過擬合 (over-fitting) 的問題。最後，導入模型評估，例如二元、多元分類模型評估指標、迴歸模型評估指標、4 種交叉驗證的方法，做為判斷模型好壞的參考依據。 　　相信讀者認真看完本書後，一定能建立起機器學習結合統計學的硬底子。當然這只是開端，期望讀者以本書為基石繼續前行。 本書特色 　　1. 打好機率與統計的基礎，快速釐清讓人容易暈頭轉向的統計理論。 　　2. 藉由大量範例說明，務求讀得懂、做得出來，才容易吸收。 　　3. 作者提

供專屬讀者天地，以及機器學習方面的文章供後續學習。  

基於眼動電波之人機介面滑鼠控制系統

為了解決classification演算法的問題，作者蔡秉錡 這樣論述：

現今全臺癱瘓人口約為三十六萬人，其主要的症狀為行動性、靈巧性以及自主控制功能之喪失。人機介面(Human-Computer Interface, HCI) 的原理為使用者及電腦間之溝通提供橋梁，使用者經視覺之刺激或回饋後得以利用不同控制媒介來操控電腦。本研究以眼動電波(Electrooculogram, EOG) 當作控制訊號，配合有別於以往的兩種電極配置，開發一基於眼動電波特徵之辨識系統演算法，並結合圖形使用者介面來進行滑鼠控制之模擬。本研究共招募十二位常人受試者，其中六位受試者進行了眼動電波之量測，接著利用這些資料進行了演算法的開發，另外六位則進行了將演算法與使用者介面整合的滑鼠控制系統

之測試，最後以精確率、準確率以及花費時間作為指標，評估演算法於兩種電極配置之系統效能。結果顯示，在測試Winking Detection與Peak Detection演算法於兩種電極配置部分，精確率在所有受試者上的表現都達到了100%，Classification演算法的準確率於兩種電極配置皆達到了83%以上，而每位受試者完成一項任務的花費時間也於15~35秒內不等。此外利用T檢驗(Student’s t test)比較兩種電極配置之效能，p-value於Classification演算法之準確率的部分為0.13，於花費時間的部分為0.23，可得知兩電極配置所做出之結果並無顯著差異。結論，本研

究成功發展一套基於眼動電波之人機介面滑鼠控制系統，能使常人受試者利用眼動電波控制圖形使用者介面，並且證實兩種電極配置之系統效能結果並無顯著差異。往後應實際邀請四肢癱瘓病人對系統進行測試，以提升系統可靠性。