finereport教學的問題，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

資料可視化能力與視覺素養之研究

為了解決finereport教學的問題，作者邱裔喬 這樣論述：

資訊爆炸時代改變人們的溝通方式，有效的傳遞資訊是重要課題，Rosling(2006)提出將統計數據圖像化，方便理解數據資料，龐雜的資料藉由圖像的詮釋有助於人們吸收內容，因此採用資料可視化的溝通方法日形重要。研究目的在於探討資料可視化與視覺素養現況、以及探討「媒體學習」、「資料可視化」與「視覺素養」之關係。研究方法採用美國大學與研究圖書館協會(ACRL)高等教育視覺素養能力標準與加州大學聖塔芭芭拉分校的教授Sorapure(2019)提出資料可視化的四個關鍵要素，發展研究問卷，共發放308份問卷，回收272份有效問卷，並以相關分析、獨立樣本t檢定、單因子變異數分析、與多元迥歸分析等統計方式進行

資料分析。研究結論：1.女性的視覺素養之「解釋圖表」與「遵循法律」高於男性；2.資料可視化之「影像」的偏好是影響視覺素養的重要因素；3.教育程度越高在媒體學習與資料可視化能力越高；4.受測者「評估圖表」、「創造圖表」的視覺素養較弱。研究建議：1.加強資料可視化之應用的教育；2.加強視覺素養中「評估圖表」、「創造圖表」能力。研究結果可做為學術界與產業界發展之參考。

利用統計製程控制與機器學習建立風力發電機之預測性維修：以彰工風力發電站為例

為了解決finereport教學的問題，作者王奕夫 這樣論述：

台灣擁有良好風電場域，妥善運用天然風能是能源轉型(Energy Transition)為發展再生能源的重要關鍵。本研究提出有效的故障診斷與預測性維修之分析模型，可提高整體風力發電之效率。透過解析台電公司2015年1月1日至2017年12月31日逾280萬筆風力發電機感測數據，以統計製程控制分析風力發電機異常因素，建立監控機制。同時，以機器學習研究方法，建立預測性維修模型。為了達成上述目的，首先我們彙整台電公司提供之風力發電機感測數據與檢修表格，並藉由統計製程控制的以下多面向進行分析。先將檢修表 (check sheet)重新加以彙整，除了去除雜訊(如故障訊息欄位之內容不一致)之外，將原檢修表

中87項故障因素，整併為30項。接著藉由柏拉圖(Pareto)、散佈圖(Scatter)、要因圖(Case and Effect Diagram)，將檢修表格加以分類、分群，並歸類出風力發電機模組之異常類型。此外，利用管制圖建立監控圖表。透過標準差之概念檢查各特徵數據，是否偏離管制狀態(標準差)，藉以達成異常狀態監控之目的。至於預測性維修方面，係以機器學習為研究方法。首先，針對分類異常數據，以DBSCAN分類法，將風力發電機異常數據從正常數據中分離出來，並將其標注，由原本21項異常因素，加以歸類並降維(Dimension Reduction)至10項異常因素。再進一步萃取出(Extract)風

機艙中各主要零件溫度過高之背後原因(共4項異常特徵)，其中高速端軸承之異常特徵，最高溫度大約高於正常數據7°C。接著利用隨機森林與決策樹演算法，建立異常狀態之預測模型，並且以K-fold cross-validation方法檢驗。研究結果其準確率顯示：決策樹為92.68%；隨機森林為91.98%。此證明本研究模型可針對風機故障診斷與預測性維修，有效提出預警，可有助於改善設備良率(Quality)，並減少風力發電機停機時間，有效提高稼動率(Availability/ Uptime)。