no/w輕量化的問題，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

應用機器學習於永磁同步馬達轉子溫度預測之研究

為了解決no/w輕量化的問題，作者儲玉瑄 這樣論述：

　　工業4.0自動化產業興盛，電動車產業為現代主要趨勢，則多數廠商配置永磁同步馬達（PMSM）作為汽車的核心驅動系統，當驅動馬達時會因轉子溫度變化而影響系統效能，如何有效控制溫度變化，實現馬達高效率控制策略，確保PMSM於安全運作與最大使用率的狀態，可降低內部零組件的壽命耗損和提升整體運轉效率。　　本研究使用Kaggle提供的PMSM溫度資料集的轉子溫度作為主要探討，因此欲透過傳統迴歸分析與機器學習方法之模型對轉子溫度進行預測，分別使用貝氏嶺迴歸、隨機森林、XGBoost及LightGBM模型，並將上述各預測方法比較之各模型績效。經由各預測方法比較之各模型績效後，得知最佳預測模型為XGBoo

st模型，以利未來將本研究提供於電動車產業配置PMSM的研發與技術，能施以預測性維護馬達溫度狀態，進而防止關鍵性設備故障與停機。

基於機器學習的模型做喜好推薦應用於W公司媒合平台研究

為了解決no/w輕量化的問題，作者陳建安 這樣論述：

現在是資訊爆炸的時代，在行動裝置與網頁端推出服務越來越多樣化，當我們瀏覽網頁時，輸入資訊搜尋相關資料，同時也會想知道有沒有相關的或是針對我們輸入的關鍵字做出的推薦，如果能利用使用者在網頁或是手機端中留下的資料，追蹤進行蒐集與處理，並以此基礎下做出進一步的喜好推薦。藉由科技發展與創新，有著越來越多的公司與政府單位開始重視數據的運用，政府企業對於數據的來源、收集與整理、以及對演算法模型的預測能力也越來越重視，正因為如此慢慢開始使用自動化機器取代傳統人工的操作去推薦，也期望達到精準的個人化喜好推薦，而加入機器學習的推薦系統，不論是公司或是使用者其實都得到很多好處。有許多人投入推薦的改善與研究，進一

步得到更準確且有效的預測，例如Google、Amazon、阿里巴巴等公司開發的推薦系統搭配雲端運算也能為他們帶來了非常巨大的收益。本研究針對W公司媒合網站後台資料進行資料蒐集、資料處理以及後續分析，運用監督式機器學習商家與網紅的資訊及喜好評分數據來訓練學習，並預測喜好與否，本研究運用多個分類模型做比較，像是支援向量機、隨機森林、邏輯迴歸、極限梯度提升模型與輕量化梯度提升模型，目的在比較和找到最合適的分類器，應用於W公司網站平台，並以此進行分類方法的相關探討與研究，研究結果顯示在我們第三章提到的輕量化梯度提升機準確率有 85.98% 相對第二章提到的其他模型來的更高，也做了交叉驗證平均準確率有

78.57% ，代表該模型具有穩定度對於我們的喜好推薦有良好預測效果。