機器學習 趨勢的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列推薦必買和特價產品懶人包

全格局使用PyTorch：深度學習和圖神經網路 實戰篇

為了解決機器學習 趨勢的問題，作者李金洪 這樣論述：

熟悉基礎，精通實戰。 　　接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家

耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書特色 　　～GNN 最強實戰參考書～ 　　●使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 　　●高級NLP模型訓練及微調、BE

RTology、CBOW、Skip-Gram、Torchtext、spaCy 　　●文字使用模型TextCNN來把玩IMDB資料庫 　　●高階工程師才會用的Mist啟動函數、Ranger最佳化器 　　●正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer  

機器學習 趨勢進入發燒排行的影片

調控高分子給體二維共軛側鏈與設計共軛中心核與pi-架橋小分子受體結構與性質之系統性研究

為了解決機器學習 趨勢的問題，作者陳重豪 這樣論述：

此研究中，我們通過引入具有（苯並二噻吩）-（噻吩）（噻吩）-四氫苯並惡二唑（BDTTBO）主鏈的新型供體-受體（D/A）共軛聚合物製備了用於有機光伏（OPV）的三元共混物。在BDTTBO單體中BDT供體單元上修飾不同的共軛側鏈聯噻吩 (BT)、苯並噻吩 (BzT) 和噻吩並噻吩 (TT)（記為 BDTTBO-BT、BDTTBO-BzT 和 BDTTBO-TT）。然後，我們將 BDTTBO-BT 或 BDTTBO-BzT 或 BDTTBO-TT 與聚（苯並二噻吩-氟噻吩並噻吩）（PTB7-TH）結合起來，以擴大太陽光譜的吸收並調整活性層中 PTB7-TH 和富勒烯的分子堆積，從而增加短路電流密

度。我們發現參入10%的BDTTBO-BT高分子以形成 PTB7-TH：BDTTBO-BT：PC71BM 形成三元共混物元件活性層可以將太陽能元件的功率轉換效率從 PTB7-TH 的二元共混物元件 9.0% 提高到 10.4%： PC71BM 轉換效率相對增長超過 15%。於第二部分，我們比較在BDTTBO單體中BDT供體單元上修飾硫原子或氯原子 取代和同時修飾硫原子和氯原子取代的側鏈聚合物供體與小分子受體光伏的功率轉換效率 (PCE) 的實驗結果與由監督產生的預測 PCE。使用隨機森林算法的機器學習 (ML) 模型。我們發現 ML 可以解釋原子變化的聚合物側鏈結構中的結構差異，因此對二元共混

系統中的 PCE 趨勢給出了合理的預測，提供了系統中的形態差異，例如分子堆積和取向被最小化。因此，活性層中分子取向和堆積導致的結構差異顯著影響 PCE 的預測值和實驗值之間的差異。我們通過改變其原始聚合物聚[苯並二噻吩-噻吩-苯並惡二唑] (PBDTTBO) 的側鏈結構合成了三種新的聚合物供體。同時修飾硫原子和氯原子取代的側鏈結構用於改變聚合物供體的相對取向和表面能，從而改變活性層的形態。 BDTSCl-TBO:IT-4F 器件的最高功率轉換效率 (PCE) 為 11.7%，與使用基於隨機森林算法的機器學習預測的 11.8% 的 PCE 一致。這項研究不僅提供了對新聚合物供體光伏性能的深入了解

，而且還提出了未明確納入機器學習算法的形態（堆積取向和表面能）的可能影響。於第三部分，為了理解下一代材料化學結構的設計規則提高有機光伏（OPV）性能。特別是在小分子受體的化學結構不僅決定了其互補光吸收的程度，還決定了與聚合物供體結合時本體異質結 (BHJ) 活性層的形態。通過正確選擇受體實現優化的OPV 元件性能。在本研究中，我們選擇了四種具有不同共軛核心的小分子受體——稠環核心茚二噻吩、二噻吩並茚並茚二噻吩（IDTT）、具有氧烷基-苯基取代的IDTT稠環核心、二噻吩並噻吩-吡咯並苯並噻二唑結構相同的端基，標記為 ID-4Cl、IT-4Cl、m-ITIC-OR-4Cl 和 Y7，與寬能帶高分子

PTQ10 形成二共混物元件。我們發現基於 Y7 受體的器件在所有二元混合物器件中表現出最好的光伏性能，功率轉換效率 (PCE) 達到 14.5%，與具有 10.0% 的 PCE 的 ID-4Cl 受體相比，可以提高 45%主要歸因於短路電流密度 (JSC) 和填充因子 (FF) 的增強，這是由於熔環核心區域中共軛和對稱梯型的增加，提供了更廣泛的光吸收，誘導面朝向並減小域尺寸。該研究揭示了核心結構單元在影響有源層形態和器件性能方面的重要性，並為設計新材料和優化器件提供了指導，這將有助於有機光伏技術的發展。最後，我們比較了具有 AD-A´-DA 結構的合成小分子受體——其中 A、A´ 和 D 分

別代表端基、核心和 π 價橋單元—它們與有機光伏聚合物 PM6 形成二共混物元件。 增加核苝四羧酸二亞胺 (PDI) 單元的數量並將它們與噻吩並噻吩 (TT) 或二噻吩吡咯 (DTP) π 橋單元共軛增強了分子內電荷轉移 (ICT) 並增加了有效共軛，從而改善了光吸收和分子包裝。 hPDI-DTP-IC2F的吸收係數具有最高值（8 X 104 cm-1），因為它具有最大程度的 ICT，遠大於 PDI-TT-IC2F、hPDI-TT-IC2F和 PDI-DTP-IC2F。 PM6:hPDI-DTP-IC2F 器件提供了 11.6% 的最高功率轉換效率 (PCE)；該值是 PM6:PDI-DTP-

IC2F (4.8%) 設備的兩倍多。從一個 PDI 核心到兩個 PDI 核心案例的器件 PCE 的大幅增加可歸因於兩個 PDI 核心案例具有 (i) 更強的 ICT，(ii) 正面分子堆積，提供更高的和更平衡的載波遷移率和 (iii) 比單 PDI 情況下的能量損失更小。因此，越來越多的 PDI 單元與適當的髮色團共軛以增強小分子受體中的 ICT 可以成為提高有機光伏效率的有效方法

PyTorch深度學習實作：利用PyTorch實際演練神經網路模型

為了解決機器學習 趨勢的問題，作者VishnuSubramanian 這樣論述：

　　PyTorch是Facebook於2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發佈的一個全新的機器學習工具套件，一經推出便受到業界廣泛關注和討論，目前已經成為機器學習從業人員首選的一款研發工具。 　　本書是使用PyTorch建構神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網路的構成、神經網路的高階知識、機器學習基礎知識、深度學習在電腦視覺上的應用、深度學習在序列資料和文字當中的應用、生成網路、現代網路架構，以及PyTorch與深度學習的未來走向。 　　本書適合對深度學習領域感興趣且希望一探PyTo

rch究竟的業界人士閱讀。具備其他深度學習框架使用經驗的讀者，也可以透過本書掌握PyTorch的用法。 　　本書範例檔： 　　github.com/PacktPublishing/Deep-Learning-with-PyTorch

透過基於基因本體之整合性分析識別卵巢上皮性腫瘤發病機轉的失調基因功能體

為了解決機器學習 趨勢的問題，作者蘇國銘 這樣論述：

上皮性卵巢癌（EOCs）在晚期或復發的婦科惡性腫瘤中常是致命的和頑固的，其中漿液性佔絕大多數而卵巢清亮細胞癌（OCCC）是僅次於漿液性上皮性卵巢癌的第二常見的上皮性卵巢癌。即便經過腫瘤減積手術後加上化學藥物治療後仍有不少的患者有著較差的預後或是復發，故整體而言，對於卵巢癌的治療仍是一個相當大的挑戰。此外，邊緣性卵巢腫瘤(BOT)，包括漿液性 BOT與黏液性BOT，是屬於介於良性與惡性之間的卵巢疾病，雖然大部分的預後不差但是也有與卵巢癌不同的組織病理學特性。本研究使用以基因本體(GO)為基礎加上機器學習輔助運算的綜合分析去探討卵巢清亮細胞癌以及漿液性卵巢腫瘤包含漿液性邊緣性卵巢腫瘤與漿液性卵巢

癌的GEO資料庫中失調的基因體、功能途徑，藉以去識別重要的差異表達基因(DEG)。首先在卵巢清亮細胞癌的整合性分析中，發現無論是早期抑或是晚期，與免疫功能相關尤其是活化補體系統的替代途徑的功能失調在腫瘤發生佔有相當重要的關聯性，而補體C3與補體C5也影響了疾病無惡化存活期(Progression-free survival, PFS)和整體存活率(Overall survival, OS)且免疫染色結果是有意義的。而在漿液性卵巢腫瘤的分析中發現，SRC基因和功能失調的芳烴受體(AHR)結合路徑(Binding pathway)確實影響PFS和OS，而且與上皮細胞間質轉化(Epithelial-

mesenchymal transition, EMT)相關的鋅指蛋白SNAI2在腫瘤發生過程中有重要角色，並顯示出從漿液性 BOT 到卵巢癌有著逐漸上升的影響趨勢。未來，標靶治療可以專注於這些有意義的生物標誌並結合精確監測，以提高治療效果和患者存活率。