無私胸懷　打造臺灣奇蹟-2024／2025 《產業人物》雜誌

類似書籍推薦給您

【簡介】 "典藏津津有味的產業故事，《2024／2025產業人物雜誌》精彩內容涵蓋產業政策、人才培育、人物特寫、焦點企業、綠能永續、企業社會責任、焦點企業、公協會，及基金會里程碑。 《產業人物》雜誌總編輯王麗娟表示，回顧2023年，臺灣人均GDP達到3萬2,327美元（約新台幣105萬元），擁有自由民主、鼓勵創新及成功的半導體產業，並且建立了全球矚目的三大科學園區，國科會主委吳誠文強調，如今臺灣正透過強化科技外交，並以「智慧科技大南方產業生態系推動方案」，邁向「人工智慧之島」，她強調，臺灣是許多國家的重要夥伴。 本期雜誌封面人物為國立陽明交通大學前校長吳重雨，他以無私胸懷，從交大傳奇的307實驗室、到推動成立 CIC、產學合作、擴大培養全臺灣 IC 設計人才的規模，是如今臺灣 IC 設計產業僅次於美國，居全球第二，吳重雨校長是關鍵人物。 吳重雨校長被譽為臺灣 IC 設計產業與科技發展的重要推手，今年雜誌專訪吳重雨校長和他指導的六位博士生高徒，包括智成電子總經理黃振昇、國立中央大學特聘教授鄭國興、國立陽明交通大學講座教授柯明道、晶神醫創副總經理邱進?、聯發科技董事長與執行長室顧問陳志成、及晶焱科技總經理姜信欽。引領讀者回顧臺灣培養 IC 設計人才、成就臺灣奇蹟的源頭。 影響臺灣半導體產業發展的關鍵人物施敏院士（Dr. S.M. Sze）2023 年11 月6 日安詳辭世，享年87 歲。今年雜誌以特別專題，回顧半導體宗師的貢獻及影響力，並追思他的創新與啟發。國際電子電機學會（IEEE）特別以施敏院士之名設立教育獎（Simon Min Sze Education Award），永遠緬懷其傳奇一生。 本期雜誌報導多家傑出企業的創新突破與市場表現，包括崇越科技、益華Cadence、印能科技、台灣光罩、新代集團、亞果生醫、經寶精密等、 ● 崇越科技2023年獲國家永續發展獎，2024年獲亞太永續行動獎(銅獎)及台灣永續行動獎(銀獎)，四大支柱，全方位推動ESG。 ● 新代集團邁向30週年，打響全球工具機控制器品牌SYNTEC，協助客戶實現工業4.0、智慧製造及智能互聯。 ● 應用材料公司是半導體與顯示器設備大廠，2024年第三季業績創歷史新高，除了持續投資臺灣，更全方位培育未來人才。 ● 印能科技，先進封裝高手現身！克服製程挑戰，以技術實力取得高良率及穩定性，支持AI及各種尖端創新，贏得全球客戶肯定。 ● 獲NVIDIA執行長黃仁勳公開讚揚的益華(Cadence)，透過在設計工具內建AI引擎，輔以機器學習，支持客戶實現高算力！ ● 經寶精密以客製化、少量" 【目錄】

Photoshop設計達人必學工作術 (1版)

類似書籍推薦給您

【簡介】 ※附範例檔，請至五南官網本書頁面下載參考※ Photoshop是Adobe家族的產品之一，由於它提供許多的繪圖工具、影像編修功能，又有自動化處理功能、特效濾鏡、路徑繪製、色版控制、文字樣式設定等功能，功能之強大使它成為美術設計師和網頁設計師所愛用的軟體之一。 本書是專為設計初學者量身打造的全方位學習指南。從基礎概念的點陣圖與向量圖、色彩模式，到進階的影像編修、圖層管理，內容涵蓋全面且深入淺出。並配有實用的課後習題，讓你能夠透過實作鞏固所學。 本書的範例操作部分，如個性化專業名片設計、創意宣傳單、新年賀卡製作等，特別適合學校及補習班的基礎課程使用，讓學生在實作中學習，快速提升Photoshop的應用技巧。此外，對於進階功能及商場上經常運用的技巧，本書也有詳實說明，讓你在職場上應付自如，快速成為設計高手。 不論你是設計新手，還是希望提升技能的設計師，本書都將是你不可或缺的參考資源。透過這本書，你將能夠在最短的時間內掌握Photoshop的精髓，創作出專業且具創意的設計作品。趕快加入我們的設計世界，讓你的作品脫穎而出！ 【目錄】 前言　設計生手的色彩入門課 0-1 點陣圖與向量圖 0-2 解析度 0-3 色彩模式 0-4 版面尺寸設定 0-5 裁切與出血 0-6 檔案格式的選用 0-7 著作權概念 第一章　工作場域初體驗 1-1 認識工作環境 1-2 工具大集合 1-3 輔助工具 課後習題 第二章　輕鬆上手的操作基本功 2-1 文件的建立與開啟 2-2 圖像的取得 2-3 影像尺寸調整 2-4 物件的選取與編輯 2-5 填色與彩妝 2-6 檔案儲存與轉存 課後習題 第三章 　影像編修不求人 3-1 影像色彩的調整 3-2 影像的仿製與修復 課後習題 第四章　唯美造型運用的進階技巧 4-1 形狀繪圖與路徑繪圖 4-2 色版的運用 課後習題 第五章　玩轉圖層的亮點心法 5-1 影像圖層編輯 5-2 文字圖層編輯 5-3 圖層的樣式／填滿／調整 5-4 圖層遮色片 5-5 圖層構圖 課後習題 第六章　不藏私的特效濾鏡合成術 6-1 濾鏡的使用技巧 6-2 自動化功能 課後習題 第七章　一手掌握完美輸出的匠心計 7-1 圖形資料的匯出 7-2 輸出網頁元件 7-3 影像列印 課後習題 第八章　速學客製化專業名片 8-1 設定名片尺寸與出血 8-2 為人像做去背景處理 8-3 以形狀繪圖工具建立單色與漸層色塊 8-4 以文字工具輸入文字 8-5 轉存CMYK色彩模式 第九章　民俗采風的吸睛傳單 9-1 設定版面尺寸及底色 9-2 編排圖片位置 9-3 加入向量圖形與宣傳文字 9-4 加入圖層樣式 第十章　完美體驗的版面設計眉角 10-1 背景底圖轉存 10-2 正常狀態按鈕去背轉存 10-3 滑入狀態按鈕去背轉存 10-4 按鈕座標設定 第十一章　迎春送福的年節賀卡巧思 11-1 設定賀卡尺寸和底色 11-2 網屏圖案製作 11-3 財神圖案的去背與樣式設定 11-4 標題與祝福語製作 11-5 簽名檔的加入 第十二章　創意插圖就該這樣玩 12-1 設定插圖尺寸 12-2 影像去背景處理 12-3 漸層底色與圖案設定 12-4 為花朵加入銳利化濾鏡 12-5 標題文字沿路徑排列 12-6 字元面板設定內文字 第十三章　手把手摺頁式廣告傳單設計 13-1 設定摺頁尺寸 13-2 新增與套用段落樣式 13-3 以「調整邊緣」功能合成多張相片 13-4 標題／副標題的設定 13-5 複製圖層到其他檔案中 13-6 編排相片與複製圖層樣式 第十四章　打造滾滾錢潮的人氣網頁 14-1 網頁規劃 14-2 製作網頁內容區 14-3 製作「主題旅遊」 14-4 製作「高雄風景導覽」 14-5 製作標題區和頁尾區 14-6 以「切片工具」切片影像 課後習題解答

機器學習演算法動手硬幹：用PyTorch+Jupyter最佳組合達成 (1版)

類似書籍推薦給您

【簡介】 ★★★【機器學習】+【演算法】★★★ ★★★★★【PyTorch】+【Jupyter】★★★★★ 一步一腳印、腳踏實地 機器學習經典演算法全面講解 我們平常視為理所當然的L1、L2、Softmax，Cross Entropy，都是基礎的機器學習所推導出來的，很多人以為不需要學的機器學習演算法，才是站穩腳步的基本大法！ 本書就是讓你可以用Python來真正真槍實戰上手機器學習。從最基礎的資料清理、特徵工程開始，一直到資料集遺漏值的研究，包括了特徵變換、建構，降維等具有實用性的技巧，之後說明了模型是什麼，接下來全書就是各種演算法的詳解，最後還有一個難得的中文自然語言處理的案例，不像一般機器學習的書千篇一律MNIST手寫辨識、人臉辨識這麼平凡的東西，難得有深入「機器學習」的動手書，讓你真的可以在人工智慧的領域中走的長長久久。 大集結！聚類演算法 ✪K-means 聚類 ✪系統聚類 ✪譜聚類 ✪模糊聚類 ✪密度聚類 ✪高斯混合模型聚類 ✪親和力傳播聚類 ✪BIRCH 聚類 技術重點 ✪資料探索與視覺化 ✪Python實際資料集特徵工程 ✪模型選擇和評估 ✪Ridge回歸分析、LASSO回歸分析以及Logistic回歸分析 ✪時間序列分析 ✪聚類演算法與異常值檢測 ✪決策樹、隨機森林、AdaBoost、梯度提升樹 ✪貝氏演算法和K-近鄰演算法 ✪支持向量機和類神經網路 ✪關聯規則與文字探勘 ✪PyTorch深度學習框架 【目錄】 01 Python 機器學習入門 1.1 機器學習簡介 1.2 安裝Anaconda（Python） 1.3 Python 快速入門 1.4 Python 基礎函數庫入門實戰 1.5 機器學習模型初探 1.6 本章小結 02 資料探索與視覺化 2.1 遺漏值處理 2.2 資料描述與異常值發現 2.3 視覺化分析資料關係 2.4 資料樣本間的距離 2.5 本章小結 03 特徵工程 3.1 特徵變換 3.2 特徵 3.3 特徵選擇 3.4 特徵提取和降維 3.5 資料平衡方法 3.6 本章小結 04 模型選擇和評估 4.1 模型擬合效果 4.2 模型訓練技巧 4.3 模型的評價指標 4.4 本章小結 05 假設檢驗和回歸分析 5.1 假設檢驗 5.2 一元回歸 5.3 多元回歸 5.4 正規化回歸分析 5.5 Logistic 回歸分析 5.6 本章小結 06 時間序列分析 6.1 時間序列資料的相關檢驗 6.2 移動平均演算法 6.3 ARIMA 模型 6.4 SARIMA 模型 6.5 Prophet 模型預測時間序列 6.6 多元時間序列ARIMAX模型 6.7 時序資料的異常值檢測 6.8 本章小結 07 聚類演算法與異常值檢測 7.1 模型簡介 7.2 資料聚類分析 7.3 資料異常值檢測分析 7.4 本章小結 08 決策樹和整合學習 8.1 模型簡介與資料準備 8.2 決策樹模型 8.3 隨機森林模型 8.4 AdaBoost 模型 8.5 梯度提升樹（GBDT） 8.6 本章小結 09 貝氏演算法和K- 近鄰演算法 9.1 模型簡介 9.2 貝氏分類演算法 9.3 貝氏網路資料分類 9.4 K- 近鄰演算法 9.5 本章小結 10 支持向量機和類神經網路 10.1 模型簡介 10.2 支援向量機模型 10.3 全連接神經網路模型 10.4 本章小結 11 連結規則與文字探勘 11.1 模型簡介 11.2 資料連結規則探勘 11.3 文字資料前置處理 11.4 文字聚類分析 11.5 《三國演義》人物關係分析 11.6 本章小結 12 深度學習入門 12.1 深度學習介紹 12.2 PyTorch 入門 12.3 卷積神經網路辨識草書 12.4 循環神經網路新聞分類 12.5 自編碼網路重構圖像 12.6 本章小結 A 參考文獻