搜尋結果
2021年3月12日 · 儲能系統從原材料到系統可以分為七層，有些會拆分成更少或更多，我建議不需要花時間糾結在分幾層上，這種糾結拿來搞學術可以取得相當的成就，但這裡主要是為了讓你方便理解。 我們將專注在最廣泛應用的鋰電池儲能系統，如果你想要了解更多其他種類的儲能電池，你可以回頭看綠學院的系列文章。 我們現在立刻來替儲能系統開箱！ 請先花一分鐘看下面這張圖： 儲能系統。 資料來源：盛齊綠能. 儲能系統第一層：原材料及電池材料. 儲能系統需要電池作為基礎。 原材料主要是礦區，電池材料指的是正極、負極、電解液、隔膜，圖一沒有顯示出來，倒是在《 如何判斷電池技術大突破是世紀大騙局還是真革命？ 》一文有各種材料與原理的完整說明。 這裡基本上各家都已經有了各自的站位，競爭較不易，且上游的資本密集度很高，要在這裡存活，口袋得很深。
2019年8月13日 · 2019-08-13. 分享本文. 【為什麼我們要挑選這篇文章】機器學習是人工智慧背後的基礎技術，透過機器學習，電腦可以自動分析數據並進行預測，優化系統的性能。 現在有哪些常見的機器學習演算法？ 各有什麼優缺點？ 下文列出工程師常用的機器學習演算法，熟悉它們，將提升你的 coding 高度。 （責任編輯：郭家宏） 「《科技報橘》徵才中！ 跟我們一起定位台灣產業創新力 >> 詳細職缺訊息. 快將你的履歷自傳寄至 jobs@fusionmedium.com 」 說到分類演算法，相信學過機器學習的人都能講出一兩個。 可是，你能夠如數家珍地說出所有常用的分類演算法，以及他們的特徵、優缺點嗎？ 例如，你可以快速地回答下面的問題嗎： KNN 演算法的優缺點是什麼？
3 天前 · 高雄福華大飯店. 當「AI」與「淨零轉型」 成為台灣搶占全球產業供應鏈的關鍵因素. 根據 Economist Impact 及 DP World 在世界經濟論壇公布的《Trade in Transition 2024》報告指出，有 98% 的受訪企業已利用 AI 革新供應鏈營運管理。 當 AI 應用進入供應鏈已是必然，製造業如何打通各個數據孤島，才能在 AI 應用大爆發與碳有價時代，串聯及釋放數據的真正價值，並在全球產業供應鏈搶占一席之地？
2019年11月5日 · 所謂 「自我思考」指的是能夠自主掌控狀況的思考方式。 自己選擇、自己判斷，並付諸行動，無論結局好壞都由自己承擔，並讓整個過程成為進步的養分。 圖片來源：《誰讓你總是先說好》，由時報文化提供。 「我從這件事上得到哪些收穫？ 」像是對方的言行舉止為何讓自己難過、當下所能採取的行動，認真思考後也許便能找到「巧妙拒絕他人的方法」。 「問題在於我總是過於顧慮對方，明明自己已經忙不過來了卻還是接受對方的請求，不但搞得焦頭爛額，事後還會自我厭惡。 下次應該好好告訴對方自己的狀況，並且試著拒絕看看。 如此一來，討厭的人反而為我們上了寶貴一課。 遇到討厭的事、被人利用、覺得「別人讓我難受」時，其實多半都能找到解決方法。 如果沒有從中得到收穫，就很難消化心中的悶悶不樂，也無法因此成長。
2022年8月15日 · 強調個人對其資料之自主控制權，表面上很能符合當代重視個人自主選擇的思維，但 GDPR 的實際運作結果卻顯示，以個人同意為前提的資料蒐集利用，其實對數位平台巨頭來說輕而易舉，因為網路使用者為了能使用這些平台的免費服務，往往輕易就點選 ...
2021年4月9日 · 本文 3 大重點：1. 房地產業靠攏科技，科技業也擁抱房地產。 2. 以演算法及大數據，建構客戶關係管理系統。 3.「給我菁英，否則不要」的經紀平台。 1. 房地產業靠攏科技，科技業也擁抱房地產. 科技的發展日新月異，當傳統產業結合科技的應用，便會迸發出嶄新的業態。 例如傳統的銀行業自從結合科技應用後，便發展出「無人銀行」、「行動銀行」及純粹線上的「網路銀行」。 除了產生「金融科技（FinTech）」這個新名詞外，以往耗費大量人力的作業轉由科技所取代，以往廣設實體分行以攫取市場的作法，也轉而發展友善的線上功能，以擄獲消費者的心。 除了銀行業外，還有傳統的房地產業，也因為運用科技手段，讓以往靠著營業員沿街發傳單，貼廣告的銷售型態，變得更快速，更有效率。
2021年7月27日 · 機器學習「建模」流程可以分成四大步驟，從最初 資料取得 、 資料前處理 （又分成資料清理、特徵工程）、 模型最佳化 （包含參數最佳化及結構最佳化）、到 實際應用 （包含進行預測與模型解釋）。 在這過程中，讓資料科學家們耗費最多時間和精力、也最需要 AutoML 代勞的部分，就是資料前處理與模型最佳化。 根據《富比士》統計 註1 ，分析過程中，資料科學家花費約 80% 時間在進行資料的處理和清理，因為只有乾淨、良好的數據用於機器學習，資料科學家才能確保自己建造的模型能夠預測出有價值的東西，所以資料前處理這個步驟可說至關重要。 也因此在導入 AI 的公司裡，花在「取得訓練用的數據（Training Sets）」的時間才是佔絕大多數。
