平時照顧好健康 病了就要好好看醫生吃藥論文書籍站
國立臺灣大學 電機工程學研究所 莊曜宇所指導 潘日南的 深度學習於生醫影像及多體學數據之應用 （2021），提出neco中置電機關鍵因素是什麼，來自於深度學習、法醫學、乳癌亞型、基因印記、DNA序列資料、病理切片影像。
而第二篇論文國立臺北科技大學 電機工程系 宋國明、王順源所指導 林文賓的 多種機器學習模型預測城市PM2.5之分析比較 （2021），提出因為有 機器學習、懸浮微粒、線性迴歸演算、K-近鄰演算法、支援向量機、決策樹、隨機森林、多層感知器、徑向基函數神經網路、均方根誤差、平均絕對誤差的重點而找出了 neco中置電機的解答。
深度學習於生醫影像及多體學數據之應用
為了解決neco中置電機 的問題，作者潘日南 這樣論述：
在過去十年間，人工智慧（ＡＩ、機器學習（ＭＬ）、最佳化、預測及影像辨識）研究流程的開發與使用有快速的發展且被廣泛應用於各個研究領域之中。而將人工智慧的研究方法應用到高通量數據的生醫研究中（如影像以及多體學資料）可對該大數據資料有更深層的理解，亦能夠用於改善許多公共衛生的議題。深度學習為機器學習的一個最新的子類別，旨在讓機器學習能更接近人工智慧的底層概念。本研究欲建立高效能且可應用於分類及辨識目標物之深度學習方法，並使用病理切片影像及ＤＮＡ定序資料開發三種不同的深度學習流程。於第一項研究中，一套新穎且基於深度學習的預測流程可使用混雜不同個體的ＤＮＡ定序資料達到偵測及分類各序列來自哪個個體的功能
。為證明此技術同樣可用於其他不同的資料中，該模型的開發流程亦使用了來自不同定序技術所產生的資料集：（1）目標區間定序、（2）全外顯子定序（ＷＥＳ）。在第一個資料集中，利用目標的27個短片段重複序列及94個單核苷酸多型性，製備混雜不同個體的ＤＮＡ樣本，並使用此深度學習流程去區分出每個個體並可達到95-97％準確率。第二個資料集則使用乳癌患者的ＷＥＳ資料進行，且可完全正確地（100％）預測病患之疾病亞型。此外為克服每個序列之間長度的變異，本研究使用一新滑動窗口（sliding window）方法可大幅提升模型效能。總結來說，本研究提出一項能適用於不同次世代定序平台上的完整工作流程，同時包含序列資料
處理及使用深度學習進行預測。爲結合病理切片影像之易取得性和來自乳癌患者的70個基因印記的復發風險分數，第二項研究提出一深度學習模型，僅使用病理切片影像進行乳癌復發率的預測，提供一快速、低成本以及健全之乳癌復發率預測工具，幫助醫師進行治療計畫的評估。本研究使用六個預訓練模型（ＶＧＧ16、ＲesNet50、ResNet101、Inception_ResNet、EfficientB5、Xception）進行遷移式學習，並使用準確率、精確率、召回率、F1 分數、混淆矩陣以及AUC進行模型效能評估。在驗證資料中，Xception有最優異的表現，在patch-wise方法中有0.87％的準確率;且在pat
ient-wise方法中，高風險及低風險類別分別有0.90及1.00之準確率。總結來說，這項研究證明了在病理切片影像未標注特定區域的情況下，建立高效能之人工智慧模型預測癌症復發率之可行性。利用深度學習方法預測乳癌分子亞型可提供一便利之乳癌診斷策略，且可降低進行mRNA表達量分析以及免疫組織化學染色法鑑定亞型的成本。我們期望使用上一項研究中的70個基因印記影像所訓練的模型權重進行兩階段遷移式學習並應用到病理切片影像上，並作為我們的最後一項研究。我們使用來自四個預訓練模型（ＶＧＧ16、ResNet50、ResNet101、Xception）的權重以及TCGA-BRCA的資料集做四種乳癌亞型的預測模
型。此外，使用Imagenet權重的ResNet101被用於與上述模型進行比較。在分類結果上，此兩階段遷移式學習有優異的表現，ResNet101在slide-wise的預測準確率達到0.913。此深度學習模型亦用於與另一常用的乳癌分類工具Genefu進行比較，在比較的結果中，深度學習模型有與Genefu媲美的表現且在特定乳癌亞型中有更優異的預測能力。深度學習技術已在許多研究中使用，並被整合到現今的醫療照護系統之中，以增進疾病的診斷以及預後的判定。美國食品藥物管理局已制定完善的機器學習協議，用於管理深度學習及人工智慧工具的應用，並更進一步成為模型開發、資料集建立和部署到醫院的黃金標準。最後，此類
的人工智慧工具將使整個醫療照護系統更不易受到緊急狀況的影響，否則在現今的體系下較無法得到最好的處置。
多種機器學習模型預測城市PM2.5之分析比較
為了解決neco中置電機 的問題，作者林文賓 這樣論述：
本研究以移動式空氣品質監測裝置蒐集城市區PM2.5，細懸浮微粒)汙染濃度觀察監測。監測器材由NodeMCU-32S微控制器、PMS5003-G5(懸浮微粒感測器)及Ublox NEO-6M V2(衛星定位模組)組成。感測裝置將測得細懸浮微粒數據及衛星定位座標位置資訊蒐集至後端處理器進行資料彙整，透過數據分析及機器學習預測，期望可更準確的得到各區域的汙染程度。本研究在台灣北部地區三個都會區據點，將固定型監測站及移動式測量裝置測得之汙染物數據，透過多種機器學習模型，分別為線性迴歸演算(LR) 、K-近鄰演算法(KNN) 、支援向量機（SVM）、決策樹（DT）、隨機森林(RF)、多層感知器(MLP
) 、徑向基函數神經網路(RBF)，進行學習及訓練過程，預估模擬未來可能發生之結果，並以均方根誤差(RMSE)作為標準。比較各種機器學習誤差值優劣差異，學習模型以RMSE比較，LR演算於訓練集的誤差為2.825344，於測試集的誤差為2.829950；KNN演算於訓練集的誤差為1.164337，於測試集的誤差為1.209348，SVM迴歸演算於訓練集的誤差為0.902167，於測試集的誤差為1.001152，DT演算於訓練集的誤差為0.528232，於測試集的誤差為0.867799。RF演算於訓練集的誤差為0.707579，於測試集的誤差為0.842367。MLP演算於訓練集的誤差為1.037
210，於測試集的誤差為1.106484。RBF演算於訓練集的誤差為1.227775，於測試集的誤差為1.251484。比較上述各種學習結果得到，「決策樹」及「隨機森林」模型演算法，在訓練集及測試集上，皆有較準確的表現。為了驗證學習模型的泛化適應性能力，本研究實施2個時段實地量測數據做為驗證。七種模型第一時段數據驗證的誤差值從大到小排列為：SVM迴歸 > KNN迴歸>線形迴歸>多層感知機>決策樹>隨機森林>徑向基函數神經網絡；七種模型第二時段數據驗證的誤差大小比較：決策樹> 多層感知機>徑向基函數神經網絡> KNN迴歸> SVM迴歸>線形迴歸> 隨機森林 。在不同的時間採集的資料用於驗證的結
果也會不同，決策樹模型則是所提出方法中誤差平均是較大的，從實驗結果中的城市PM2.5預測曲線比較結果可知，「隨機森林」和「徑向基函數神經網絡」模型演算法，都較好的實現了對城市PM2.5的趨勢進行預測，可協助我們預測城市地區的PM2.5分布嚴重程度，不同的數據蒐集分布特性，也會產生有不同的機器學習效果，線性迴歸演算本研究中，也表現出其預估的能力。透過在本研究中，期望能提供更準確的觀察空氣品質變化，後續並作進一步蒐集污染物來源相關資料分析，以改善淨化都市空氣為目標，更積極有效率的地來避免人們因汙染空氣的因素，引發呼吸道等方面的疾病發生。