N gram 介紹的問題，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

Google翻譯實作：機器翻譯NLP基礎及模型親手打造

為了解決N gram 介紹的問題，作者肖桐,朱靖波 這樣論述：

★☆★☆★【全中文自然語言處理】★☆★☆★ 有了多拉A夢翻譯年糕誰還要找翻譯社？人人都可以當口譯哥！ 旅遊網紅用手機環遊世界溝通無礙！ 　　當Google翻譯像空氣一樣自然的存在時，我們仿佛忘了機器翻譯走了幾百年，篳路藍縷有多麼的艱辛。身為使用者在享受這些科技的成果時，技術人員則更好奇些神奇應用底層的科學是如何發展出來的。熟悉史丹佛CS224n NLP課程的人，一定對大師Chris Manning對機器翻譯的重點十分讚嘆。本書就是堪比大師NLP和機器翻譯的真正鉅作。從機器翻譯的歷史、數學原理、理論細節、實作理論、參考資源、最新發展、從最細節到最宏觀的高度都放入書中。NLP是AI上皇冠上

的一個明珠，機器翻譯更是最能展現NLP技術的極緻精華。從事NLP的技術人員、資料科學家、神經網路演算法科學家，如果想要真正進入NLP的世界，本書將會是20年來最重要，最完整、最能精進技術的一個重要提升。 　　本書技術重點 　　✪理性主義及資料主義 　　✪統計語言建議 　　✪詞法/語法分析，以機率圖/分類器模型 　　✪科學方法評估翻譯品質 　　✪以詞、扭曲度/繁衍度、短語、句法模型的翻譯方法 　　✪Google大殺器：神經機器翻譯建模 　　✪循環神經網路模型/注意力機制，卷積神經網路模型 　　✪Transformer，自注意力機制 　　✪神經網路翻譯模型訓練/推論/結構最佳化 　　✪小型裝置上

的神經網路機器翻譯 　　✪多模態/多層次機器翻譯 　　✪當代機器翻譯的應用及佈署 本書特色 　　◎機器翻譯簡介 　　說明了從理性主義一直進入到資料主義的過程。接下來說明統計語言建模的基礎，進一步進入詞法語法分析的原理，其中並穿插了翻譯品質的評鑑標準。 　　 　　◎統計機器翻譯 　　介紹了以詞、扭曲度、繁衍度、短語、句法為基礎的機器翻譯原理及實作。 　　◎近代機器翻譯的新世代 – 神經機器翻譯 　　介紹了神經網路及神經語言的建模、循環神經網路模型、卷積神經網路模型及自注意力機制的模型。 　　◎神經翻譯系統的細節 　　包括模型訓練及最佳化，模型的推論，更有針對神經網路系統的結構精進，以及使

用低資源的神經網路(如資料蒸餾)，以及多模態、多層次的機器翻譯，也介紹了新一代神經網路的應用及發展。  

N gram 介紹進入發燒排行的影片

探討影響台灣腹膜透析患者腹膜透析健康識能之預測因子

為了解決N gram 介紹的問題，作者劉昱伶 這樣論述：

現今醫療新知快速翻轉所帶來的挑戰在全球逐漸趨同，包括人口高齡化議題、疾病併發病及其照護、以及醫療成本控制問題。其中腹膜透析已廣泛用於末期腎臟病的長期治療，然而相關知能仍需要隨著醫療保健知識不斷更新時代的步伐不斷更新。若缺乏或未及時更新腹膜透析相關健康識能，易衍生包括腹膜透析治療的多重障礙、患者腹膜透析技術操作不正確、以及併發症如產生腹膜炎的臨床議題。本研究旨在探討影響腹膜透析患者腹膜透析健康識能之預測因子並了解與導致腹膜炎感染之相關性。本研究之腹膜透析健康識能問卷乃參考本Shih等編製台灣接受血液透析治療患者健康識能評估問卷加以修改而成。110名符合本研究條件的受訪者被納入收案。研究結果發現

腹膜透析健康識能的得分高低與人口學特性各變項皆無顯著關聯，而腹膜透析感染經驗與腹膜透析健康識能亦無顯著相關。期望本研究結果可做為未來進行腹膜透析患者相關衛教時之參考，了解影響腹膜透析健康識能因素，以提供個別性衛教，增強患者的自尊和合作能力，降低腹膜炎之風險，進而減少個案住院率、死亡率與醫療成本。

機器學習算法競賽實戰

為了解決N gram 介紹的問題，作者王賀劉鵬錢乾 這樣論述：

本書是算法競賽領域一本系統介紹競賽的圖書，書中不僅包含競賽的基本理論知識，還結合多個方向和案例詳細闡述了競賽中的上分思路和技巧。   全書分為五部分：第一部分以算法競賽的通用流程為主，介紹競賽中各個部分的核心內容和具體工作；第二部分介紹了使用者畫像相關的問題；第三部分以時間序列預測問題為主，先講述這類問題的常見解題思路和技巧，然後分析天池平臺的全球城市計算AI 挑戰賽和Kaggle平臺的Corporación Favorita Grocery Sales Forecasting；第四部分主要介紹計算廣告的核心技術和業務，包括廣告召回、廣告排序和廣告競價，其中兩個實戰案例是2018騰訊廣告算法大

賽——相似人群拓展和Kaggle平臺的TalkingData AdTracking Fraud Detection Challenge；第五部分基於自然語言處理相關的內容進行講解，其中實戰案例是Kaggle 平臺上的經典競賽Quora Question Pairs。 本書適合從事機器學習、數據挖掘和人工智能相關算法崗位的人閱讀。 王賀（魚遇雨欲語與餘） 畢業于武漢大學電腦學院，碩士學位，研究方向為圖資料採擷，現任職於小米商業演算法部，從事應用商店廣告推薦的研究和開發。是2019年和2020年騰訊廣告演算法大賽的冠軍，從2018年至2020年多次參加國內外演算法競賽，共獲得五

次冠軍和五次亞軍。 劉鵬 2016年本科畢業于武漢大學數學基地班，保研至中國科學技術大學自動化系，碩士期間研究方向為複雜網路與機器學習，2018年起多次獲得機器學習相關競賽獎項，2019年至今就職于華為技術有限公司，任演算法工程師。 錢乾 本科就讀於美國佐治亞理工大學，研究方向包括機器學習、深度學習、自然語言處理等，現就職于數程科技，工作方向為物流領域的智慧演算法應用，任大資料技術負責人。 第 1 章　初見競賽 1 1．1　競賽平臺 2 1．1．1　Kaggle 2 1．1．2　天池 6 1．1．3　DF 7 1．1．4　DC 7 1．1．5　Kesci 7 1．1．6　

JDATA 8 1．1．7　企業網站 8 1．2　競賽流程 8 1．2．1　問題建模 8 1．2．2　資料探索 9 1．2．3　特徵工程 9 1．2．4　模型訓練 9 1．2．5　模型融合 10 1．3　競賽類型 10 1．3．1　資料類型 10 1．3．2　任務類型 11 1．3．3　應用場景 11 1．4　思考練習 11 第 2 章　問題建模 12 2．1　賽題理解 12 2．1．1　業務背景 12 2．1．2　資料理解　 14 2．1．3　評價指標 14 2．2　樣本選擇 20 2．2．1　主要原因 20 2．2．2　準確方法 22 2．2．3　應用場景 23 2．3　線下評估策略 2

4 2．3．1　強時序性問題 24 2．3．2　弱時序性問題 24 2．4　實戰案例 25 2．4．1　賽題理解 26 2．4．2　線下驗證 27 2．5　思考練習 28 第 3 章　資料探索 29 3．1　數據初探 29 3．1．1　分析思路 29 3．1．2　分析方法 30 3．1．3　明確目的 30 3．2　變數分析 32 3．2．1　單變數分析 33 3．2．2　多變數分析 37 3．3　模型分析 39 3．3．1　學習曲線 39 3．3．2　特徵重要性分析 40 3．3．3　誤差分析 41 3．4　思考練習 42 第 4 章　特徵工程 43 4．1　數據預處理 43 4．1．1　

缺失值處理 44 4．1．2　異常值處理 45 4．1．3　優化記憶體 46 4．2　特徵變換 47 4．2．1　連續變數無量綱化 47 4．2．2　連續變數資料變換 48 4．2．3　類別特徵轉換 50 4．2．4　不規則特徵變換 50 4．3　特徵提取 51 4．3．1　類別相關的統計特徵 51 4．3．2　數值相關的統計特徵 53 4．3．3　時間特徵 53 4．3．4　多值特徵 54 4．3．5　小結 55 4．4　特徵選擇 55 4．4．1　特徵關聯性分析 55 4．4．2　特徵重要性分析 57 4．4．3　封裝方法 57 4．4．4　小結 58 4．5　實戰案例 59 4．5．1　

數據預處理　 59 4．5．2　特徵提取 60 4．5．3　特徵選擇 61 4．6　練習 62 第 5 章　模型選擇 63 5．1　線性模型 63 5．1．1　Lasso 回歸 63 5．1．2　Ridge 回歸 64 5．2　樹模型 64 5．2．1　隨機森林 65 5．2．2　梯度提升樹 66 5．2．3　XGBoost 67 5．2．4　LightGBM 68 5．2．5　CatBoost 69 5．2．6　模型深入對比 70 5．3　神經網路 73 5．3．1　多層感知機 74 5．3．2　卷積神經網路 75 5．3．3　迴圈神經網路 77 5．4　實戰案例 79 5．5　練習 80

第 6 章　模型融合 81 6．1　構建多樣性 81 6．1．1　特徵多樣性 81 6．1．2　樣本多樣性 82 6．1．3　模型多樣性 82 6．2　訓練過程融合 83 6．2．1　Bagging 83 6．2．2　Boosting 83 6．3　訓練結果融合 84 6．3．1　加權法 84 6．3．2　Stacking 融合 86 6．3．3　Blending 融合 87 6．4　實戰案例 88 6．5　練習 90 第 7 章　用戶畫像 91 7．1　什麼是用戶畫像 92 7．2　標籤系統 92 7．2．1　標籤分類方式 92 7．2．2　多管道獲取標籤 93 7．2．3　標籤體系框

架 94 7．3　使用者畫像資料特徵 95 7．3．1　常見的資料形式 95 7．3．2　文本挖掘演算法 97 7．3．3　神奇的嵌入表示 98 7．3．4　相似度計算方法 101 7．4　用戶畫像的應用　 103 7．4．1　用戶分析　 103 7．4．2　精准行銷 104 7．4．3　風控領域 105 7．5　思考練習 106 第 8 章　實戰案例：Elo Merchant Category Recommendation（Kaggle） 107 8．1　賽題理解 107 8．1．1　賽題背景 107 8．1．2　賽題數據 108 8．1．3　賽題任務 108 8．1．4　評價指標 109

8．1．5　賽題FAQ 109 8．2　探索性分析 109 8．2．1　欄位類別含義 110 8．2．2　欄位取值狀況 111 8．2．3　資料分佈差異 112 8．2．4　表格關聯關係 115 8．2．5　數據預處理 115 8．3　特徵工程 116 8．3．1　通用特徵 116 8．3．2　業務特徵 117 8．3．3　文本特徵 118 8．3．4　特徵選擇 119 8．4　模型訓練 119 8．4．1　隨機森林 119 8．4．2　LightGBM 121 8．4．3　XGBoost 124 8．5　模型融合 127 8．5．1　加權融合 127 8．5．2　Stacking 融合 1

27 8．6　高效提分 128 8．6．1　特徵優化 128 8．6．2　融合技巧 130 8．7　賽題總結 134 8．7．1　更多方案 134 8．7．2　知識點梳理 135 8．7．3　延伸學習 135 第 9 章　時間序列分析 138 9．1　介紹時間序列分析 138 9．1．1　簡單定義 138 9．1．2　常見問題 139 9．1．3　交叉驗證 140 9．1．4　基本規則方法 141 9．2　時間序列模式 142 9．2．1　趨勢性 142 9．2．2　週期性 143 9．2．3　相關性 144 9．2．4　隨機性 144 9．3　特徵提取方式 144 9．3．1 歷史平移 1

45 9．3．2　窗口統計 145 9．3．3　序列熵特徵 145 9．3．4　其他特徵 146 9．4　模型的多樣性 146 9．4．1　傳統的時序模型 147 9．4．2　樹模型 147 9．4．3　深度學習模型 148 9．5　練習 150 第 10 章　實戰案例：全球城市計算AI挑戰賽 151 10．1　賽題理解 151 10．1．1　背景介紹 152 10．1．2　賽題數據 152 10．1．3　評價指標 153 10．1．4　賽題FAQ 153 10．1．5　baseline 方案 153 10．2　探索性資料分析 157 10．2．1　數據初探 157 10．2．2　模式分析

159 10．3　特徵工程 162 10．3．1　數據預處理 162 10．3．2　強相關性特徵 163 10．3．3　趨勢性特徵 165 10．3．4　網站相關特徵 165 10．3．5　特徵強化 166 10．4　模型選擇 166 10．4．1　LightGBM 模型 167 10．4．2　時序模型 168 10．5　強化學習 170 10．5．1　時序stacking 170 10．5．2　Top 方案解析 171 10．5．3　相關賽題推薦　 172 第 11 章　實戰案例-Corporación Favorita Grocery Sales Forecasting 174 11．1

　賽題理解 174 11．1．1　背景介紹 174 11．1．2　賽題數據 175 11．1．3　評價指標 175 11．1．4　賽題FAQ 176 11．1．5　baseline 方案 176 11．2　探索性資料分析 181 11．2．1 數據初探 181 11．2．2　單變數分析 184 11．2．3　多變數分析 188 11．3　特徵工程 190 11．3．1　歷史平移特徵 191 11．3．2　視窗統計特徵 192 11．3．3　構造細微性多樣性 193 11．3．4　高效特徵選擇 194 11．4　模型選擇 195 11．4．1　LightGBM 模型 196 11．4．2　LST

M 模型 196 11．4．3　Wavenet 模型 198 11．4．4　模型融合 199 11．5　賽題總結 200 11．5．1　更多方案 200 11．5．2　知識點梳理 201 11．5．2　延伸學習 202 第 12 章　計算廣告 204 12．1　什麼是計算廣告 204 12．1．1　主要問題 205 12．1．2　計算廣告系統架構 205 12．2　廣告類型 207 12．2．1　合約廣告 207 12．2．2　競價廣告 207 12．2．3　程式化交易廣告 208 12．3　廣告召回 208 12．3．1　廣告召回模組 208 12．3．2　DSSM 語義召回 210 12

．4　廣告排序 211 12．4．1　點擊率預估 211 12．4．2　特徵處理 212 12．4．3　常見模型 214 12．5　廣告競價 219 12．6　小結 221 12．7　思考練習 221 第 13 章　實戰案例：2018 騰訊廣告演算法大賽——相似人群拓展 222 13．1　賽題理解 222 13．1．1　賽題背景 223 13．1．2　賽題數據 224 13．1．3　賽題任務 226 13．1．4　評價指標 226 13．1．5　賽題FAQ 227 13．2　探索性資料分析 227 13．2．1　競賽的公開資料集 227 13．2．2　訓練集與測試集 227 13．2．3　廣

告屬性 229 13．2．4　使用者資訊 229 13．2．5　資料集特徵拼接 230 13．2．6　基本建模思路 232 13．3　特徵工程 232 13．3．1　經典特徵 232 13．3．2　業務特徵 234 13．3．3　文本特徵 235 13．3．4　特徵降維 237 13．3．5　特徵存儲 238 13．4　模型訓練 238 13．4．1　LightGBM 238 13．4．2　CatBoost　 238 13．4．3　XGBoost 239 13．5　模型融合 239 13．5．1　加權融合 239 13．5．2　Stacking 融合 239 13．6　賽題總結 240 13．

6．1　更多方案 240 13．6．2　知識點梳理 241 13．6．3　延伸學習 241 第 14 章　實戰案例-TalkingData AdTracking Fraud DetectionChallenge 243 14．1　賽題理解 243 14．1．1　背景介紹 243 14．1．2　賽題數據 244 14．1．3　評價指標 244 14．1．4　賽題FAQ 244 14．1．5　baseline 方案 245 14．2　探索性資料分析 247 14．2．1 數據初探 247 14．2．2　單變數分析 249 14．2．3　多變數分析 254 14．2．4　資料分佈 255 14．3

　特徵工程 256 14．3．1　統計特徵 256 14．3．2　時間差特徵 257 14．3．3　排序特徵 258 14．3．4　目標編碼特徵 258 14．4　模型選擇 259 14．4．1　LR 模型 259 14．4．2　CatBoost 模型 259 14．4．3　LightGBM 模型 260 14．4．4　DeepFM 模型 261 14．5　賽題總結 264 14．5．1　更多方案 264 14．5．2　知識點梳理 265 14．5．3　延伸學習 266 第 15 章　自然語言處理 268 15．1　自然語言處理的發展歷程 268 15．2　自然語言處理的常見場景 269 1

5．2．1　分類、回歸任務 269 15．2．2　資訊檢索、文本匹配等任務 269 15．2．3　序列對序列、序列標注 269 15．2．4　機器閱讀 270 15．3　自然語言處理的常見技術 270 15．3．1　基於詞袋模型、TF-IDF．的特徵提取 270 15．3．2　N-Gram 模型 271 15．3．3　詞嵌入模型 271 15．3．5　上下文相關預訓練模型 272 15．3．6　常用的深度學習模型結構 274 15．4　練習 276 第 16 章　實戰案例：Quora QuestionPairs 277 16．1　賽題理解 277 16．1．1　賽題背景 277 16．1．2

　賽題數據 278 16．1．3　賽題任務 278 16．1．4　評價指標 278 16．1．5　賽題FAQ 278 16．2　探索性資料分析 279 16．2．1　欄位類別含義 279 16．2．2　資料集基本量 279 16．2．3　文本的分佈 280 16．2．4　詞的數量與詞雲分析 282 16．2．5　基於傳統手段的文本資料預處理 284 16．2．6　基於深度學習模型的文本資料預處理 284 16．3　特徵工程 285 16．3．1　通用文本特徵 285 16．3．2　相似度特徵 287 16．3．3　詞向量的進一步應用——獨有詞匹配 290 16．3．4　詞向量的進一步應用——詞

與詞的兩兩匹配 290 16．3．5　其他相似度計算方式 291 16．4　機器學習模型和模型的訓練 291 16．4．1　TextCNN 模型 291 16．4．2　TextLSTM 模型 292 16．4．3　TextLSTM with Attention 模型 293 16．4．4　Self-Attention 層 295 16．4．5　Transformer 和BERT 類模型 296 16．4．6　基於 representation 和基於 interaction 的深度學習模型的差異 298 16．4．7　一種特殊的基於 interaction 的深度學習模型 303 16．4．8

　深度學習文本資料的翻譯增強 303 16．4．9　深度學習文本資料的預處理 304 16．4．10　BERT 模型的訓練 306 16．5　模型融合 310 16．6　賽題總結 310 16．6．1　更多方案 310 16．6．2　知識點梳理 310 16．6．3　延伸學習 311

常壓電漿噴射束製備銀銅合金薄膜之研究

為了解決N gram 介紹的問題，作者蔡志旻 這樣論述：

化學氣相沉積(Chemical vapor deposition，CVD)，為現在半導體製程薄膜階段主要方式，原因為優良的覆蓋率與可控制薄膜厚度，真空鍍膜的技術發展至今已經相當成熟，而本實驗將使用常壓電漿噴射束來替代傳統的真空電漿，且相較於傳統真空電漿，目前常壓電漿仍有許多可發展性。本實驗將利用氬氣與氫氣混合氣做為主要氣體，氬氣作為次要氣體，並且固定頻率、功率、速度、次數與距離等條件，將改變溶液濃度0.05M與0.1M以及5種不同比例分別為純銀、10%Cu90%Ag、50%Cu50%Ag、90%Cu10%Ag、純銅，在實驗開始時會先使用熱電偶溫度感測儀來量測電漿溫度以便挑選工作距離，接下來使

用光學放射光譜儀(OES)蒐集電漿鍍膜過程所產生出的物種以及自由基，再以場發射掃描式電子顯微鏡(SEM)對觀察表面沉積以及剖面觀測薄膜厚度並且搭配Mapping來更加方便觀測，再使用X光繞射儀(XRD)來檢測表面物種，以及使用X射線螢光光譜儀(XRF)來檢測表面物種比例，最後使用四點探針檢測表面電性，根據本實驗結果可得XRD時銀的峰值明顯偏右，為置換式固融銀的FCC與銅做結合變成類似NaCl的結構，應此氧化銅比例下降，在電性上可以量測到薄膜的電阻，與純銅電阻相差不遠，固本次使用常壓電漿束可成功製成具有良好導電性薄膜。