例行性活動引導示例：幼兒園資源手冊 (1版)

類似書籍推薦給您

【簡介】 　　本書收錄幼兒園例行性活動引導示例，由新北市教保輔導團輔導員共同設計活動，經專家指導後彙編成冊，期盼能藉由示例的分享，能提供現場幼兒園教保服務人員教學上的協助。 【目錄】 編輯的話 01 例行性活動的引導 30 後記 150 參考文獻 151 看更多

學習區123-2學習區運用 (1版)

類似書籍推薦給您

【簡介】 　　本書承續《學習區123-1 學習區初探》將學習區的目標、規劃、執行與引導作更進一步的介紹，內容分成四篇。第一篇學習區的目標，分成兩部分，第一部分說明學習區目標的設定依據、第二部分說明學習區分齡指標的設定。第二篇學習區環境規劃，分成三部分，第一部分說明如何規劃活動室的學習區、第二部分說明規劃學習區環境的整體性、第三部分是說明規劃學習區運作的環境。第三篇如何引導幼兒進入學習區，分成二部分，第一部分說明幼兒進入學習區前的準備、第二部分說明幼兒選擇學習區的方式：插牌、畫記等。第四篇學習區引導示例，以語文區、數學區、美勞區、積木區、組合建構區、扮演區、自然觀察區七個學習區進行示例說明，每個學習區提供了幼幼班、小班、中班、大班、混齡班五種形式的示例。　 【目錄】 第一篇 學習區素材的選擇 壹、 學習區的目標 貳、 幼兒的年齡 參、 幼兒的興趣 肆、 幼兒的能力 第二篇 學習區素材的擺放 壹、 擺放櫃體的選擇 貳、 素材擺放原則 參、 素材操作空間考量 第三篇 進入學習區的方式 壹、 插牌 貳、 劃記 第四篇 學習區的活動 壹、 學習區的遊戲 (一) 扮演區 (二) 積木區 (三) 組合建構區 (四) 美勞區 (五) 語文區 (六) 數學區 (七) 自然觀察區 (八) 生活自理區 貳、 作品展示區 參、 未完成作品保留區 第五篇 五、學習區的觀察與評量 壹、 學習區觀察 貳、 學習區幼兒學習評量後記 看更多

醫事檢驗師國考試題詳解. 2023年 (1版)

類似書籍推薦給您

【簡介】 醫事檢驗師國考涵蓋的科目相當廣泛，考生在複習時應先了解六大科包含哪些單元，每個單元又包含哪些重要內容。有了這樣最基本的認識後，再去看歷年國考題會發現，其實許多考題會跨科目出現，甚至考題會換句話說卻是考同一個觀念。因此只要熟讀、熟記重點整理，就能一次應用在多個科目中。 對於不擅長考試的考生，請不要因為考試範圍太廣就想放棄，要記得國考及格標準是六十分，表示總共480題中容錯題數是192題，再按照自己對各科熟悉程度去盡量降低自己的錯題數，朝這個目標去努力，相信各位讀者對考取執照會更有十拿九穩的把握。 對正在準備醫事檢驗師國考的讀者，編者提供幾個建議希望能幫助讀者使用本書時能更加游刃有餘： (1)從重點整理建立起觀念：開始寫國考題前，請先準備各科的重點整理、參考書 或講義，在第一次翻開時，將每個章節的重點整理簡單讀過一遍，讓求學時期記憶過的印象能恢復九成。 (2)從考古題掌握考試重點：在印象恢復之後開始寫考古題，並且每題的每個選項都要清楚理解正確與錯誤的理由。每寫完一題就翻回重點整理提及的地方，對該內容有統整性的認識後作一些筆記幫助自己記憶。 (3)從考古題分辨考試重點：某些內容在歷屆國考題中出現次數屈指可數，並非考試重點，務必分辨這類考題（特別是無法理解、只能記誦的考題）並且花時間準備其它較能理解、常考的考題。 (4)旁敲側擊從題幹找答案：有些題目不見得在參考書、講義中找得到答案，但可以從題幹中（如：中英譯、字首字根）或選項中（如：刪去法）找到蛛絲馬跡推敲出答案。 (5)國考當日作足萬全準備：對各科目的重點整理再次進行記憶，甚至書闔上自己都能清楚表達該章節的重點為何。 在這個生物技術、現代科技日新月異的時代，檢驗醫學在醫療體系中應該擁有與時俱進的前進動力。各位考生也應注意時下與檢驗相關的新知，不僅在國考準備上會有幫助，這些知識將來進入檢驗部門後也能成為自己的！ 最後，此誌致謝國立臺灣大學醫學院附設醫院檢驗醫學部的主管和同仁們在專業上給予的諮詢，也感謝就讀臺北醫學大學時一起創立薛丁格共筆組的同學們，在準備國考時一起整理國考題和統整各科重點讓我們考試前能事半功倍 。特別感謝臺大癌醫中心的李姿瑩醫檢師協助撰寫醫學分子檢驗學的解析。在此祝福每一位讀者們：流淚撒種、歡呼收割、國考順利、金榜題名！ 朱學緯 謹識 【目錄】 第1章 臨床生理學與病理學 1 第2章 臨床血液學與血庫學 73 第3章 醫學分子檢驗學與臨床鏡檢學（包括寄生蟲學） 157 第4章 微生物學與臨床微生物學（包括細菌與黴菌） 231 第5章 生物化學與臨床生化學 303 第6章 臨床血清免疫學與臨床病毒學 375 參考文獻 459 附錄：彩色題圖 461

AIGC大型語言模型：個人應用到企業實戰立刻上手 (1版)

類似書籍推薦給您

【簡介】 https://youtu.be/YZ3u4tg1n8g ★AIGC的技術躍遷與「奇點臨近」 ★大模型的「百模大戰」與競爭格局 ★多模態模型與AGI的可能性 ★AIGC在商業領域的應用爆發 ★AIGC對社會與個人的轉型影響 ★AIGC在電子商務與行業轉型中的應用 ★ChatGPT提示詞最佳化與垂直應用 ★AI繪圖/音效/視訊生成技術的實際應用 ★AIGC技術的核心原理與架構 ★LangChain框架與AI應用的開發實踐 ★AutoGPT與HuggingGPT的協作能力 ★文生視訊在企業級應用中的實踐 ★專屬ChatGPT的定制與本地部署 ★AIGC的風險管理與安全框架 這是一本深入探討AIGC（生成式人工智慧）技術與應用的全面指南，從技術原理到實際應用，從個人使用到企業實踐，為讀者提供了一個完整的視野。 透過詳細的案例和清晰的架構，帶領讀者了解AIGC如何從技術奇點發展到商業應用的浪潮，並揭示ChatGPT、大模型、多模態技術等核心概念的演變與突破。 本書強調AIGC在社會底層技術變革中的重要角色，並深入剖析其在電子商務、數位內容創造以及企業轉型中的價值，為讀者呈現了AIGC如何改變各行業的運作模式。 【章節概要】 第一篇： 新手入門，帶領讀者從AIGC的技術躍遷到多模態模型的興起，剖析ChatGPT如何引領生成式人工智慧熱潮，並闡述大模型的快速發展及其在商業應用中的創新實踐。 第二篇： 深入探討AIGC在個人應用上的多樣可能性，從AI聊天對話的提示詞最佳化到外掛程式的垂直應用，從Midjourney和Stable Diffusion的AI繪畫實踐到AI音訊與視訊生成的多場景操作，展現AIGC如何提升創造力與生產效率。 第三篇： 專注於技術原理和架構解析，涵蓋ChatGPT的核心技術、擴散模型的運作機制，以及LangChain框架在AI應用開發中的實際案例，進一步延伸到AutoGPT與HuggingGPT系統的協作能力。 第四篇： 企業應用實戰，從文生視訊的企業級實作到AI的軟體研發系統升級，並進一步探索定制專屬ChatGPT的實踐方案，為企業讀者提供實際的操作指南與解決方案。 最後是AIGC安全與風險治理，分析演算法、資料及應用層面的潛在風險，並提出完善的安全框架，為AIGC的可持續發展提供了切實可行的建議。 【專家推薦】 「ChatGPT 的發佈讓AI 技術的發展走到了「iPhone 時刻」。這項變革性的技術為人們帶來了前所未有的互動體驗和便利，之後又湧現了各種新的模型和技術。本書從多個方面介紹了AIGC 乃至AGI（人工通用智慧）的原理、應用場景，以及個人和企業的應用案例，值得大家閱讀。」 楊守斌 微軟社區區域技術總監 MSRD 「ChatGPT 的出現再次提醒我們，科技的突破是跳躍式的。AIGC 的發展關係著我們每個人。本書詳細介紹了AIGC 的發展脈絡和技術創新，更示範了使用AIGC 解決實際問題的方法，適合所有對AI 感興趣的讀者閱讀。」 曹冬磊博士 Kavout 首席科學家 「ChatGPT 的問世使得原本高端、神秘的AI 突然走進了大眾的工作與生活。AI 並不會直接搶走你的工作，但能用好AI 的人可能會。 本書是一本涵蓋原理、應用場景、應用案例的寶典。相信它可以幫你走出AI 焦慮，走進AI 世界。」 黃添來 高途集團高級技術總監 【目錄】 第 1 部分 AI 基礎概念 第 1 章 人工智慧基礎 1.1 探索 AI 的世界 1.1.1 人工智慧的範疇 1.1.2 何謂人工智慧？ 1.1.3 人工智慧的演進 1.1.4 人工智慧的分級 1.2 機器學習大補帖 1.2.1 何謂機器學習？ 1.2.2 機器如何學習？ 1.2.3 資料學三劍客 1.2.4 機器學習流程 1.2.5 學 AI 該用哪種程式語言？ 1.3 環境安裝指南 1.3.1 Anaconda 介紹與安裝 第 2 章 發現資料的秘密 2.1 資料的探索與準備 2.1.1 什麼是資料？ 2.2 探索式資料分析 2.2.1 EDA 必要的套件 2.2.2 第一支EDA 程式：資料集一覽 2.2.3 資料集描述 2.2.4 載入資料集 2.2.5 直方圖 2.2.6 核密度估計圖 2.2.7 相關性熱圖 2.2.8 散佈圖 2.2.9 盒鬚圖 2.3 離群值的檢查與處理方法 2.3.1 檢查異常值的方法 2.3.2 處理異常值的方法 2.4 資料清理和前處理 2.4.1 缺失值的處理 2.4.2 類別資料的處理 2.5 數據正規化與標準化 2.5.1 正規化 (Normalization) 2.5.2 標準化（Standardization） 2.5.3 為何需要特徵縮放與轉換？ 2.5.4 特徵縮放與轉換 第 2 部分 機器學習入門 第 3 章 非監督式學習：資料分群分類 3.1 何謂非監督式學習？ 3.2 K-means 簡介 3.2.1 K-means 如何分群？ 3.2.2 K-means 的最佳化目標 3.3 K-means 實務應用：群眾消費行為分群 3.3.1 資料集描述 3.3.2 載入資料集 3.3.3 建立K-means 模型 3.3.4 inertia 評估分群結果 3.3.5 視覺化分群結果 3.3.6 如何選擇最佳的K 值 3.4 降維技術在機器學習中的應用 3.4.1 降維的概念 3.4.2 主成分分析（PCA） 3.4.3 t- 隨機鄰近嵌入法（t-SNE） 3.5 降維實務應用：手寫數字降維視覺化 3.5.1 資料集描述 3.5.2 載入資料集 3.5.3 將資料切分成訓練集與測試集 3.5.4 建立PCA 模型 3.5.5 建立t-SNE 模型 第 4 章 線性模型 4.1 線性迴歸 4.1.1 線性迴歸簡介 4.1.2 線性迴歸的損失函數 4.1.3 線性模型求解方法：閉式解與梯度下降 4.2 線性迴歸實務應用：同步機勵磁電流預測 4.2.1 資料集描述 4.2.2 載入資料集 4.2.3 將資料切分成訓練集與測試集 4.2.4 特徵標準化 4.2.5 建立Linear Regression 模型 4.2.6 評估模型 4.2.7 迴歸係數分析 4.3 邏輯迴歸 4.3.1 邏輯迴歸簡介 4.3.2 邏輯迴歸學習機制 4.3.3 邏輯迴歸的損失函數 4.3.4 多分類邏輯迴歸 4.4 邏輯迴歸實務應用：鳶尾花朵分類 4.4.1 資料集描述 4.4.2 載入資料集 4.4.3 將資料切分成訓練集與測試集 4.4.4 建立Logistic regression 模型 4.4.5 評估模型 第 5 章 鄰近規則分析 5.1 k- 近鄰演算法 5.1.1 KNN 演算法原理 5.1.2 KNN 於分類和迴歸任務 5.1.3 KNN 度量距離的方法 5.1.4 比較KNN 與K-means 差異 5.2 KNN 實務應用：葡萄酒品種分類 5.2.1 資料集描述 5.2.2 載入資料集 5.2.3 將資料切分成訓練集與測試集 5.2.4 建立KNN 分類模型 5.2.5 評估模型 第 6 章 支援向量機 6.1 支援向量機簡介 6.1.1 支援向量機基本原理 6.1.2 超平面和支援向量 6.1.3 線性支援向量機 6.1.4 非線性支援向量機 6.2 支援向量機於分類和迴歸任務 6.2.1 SVM 分類器 6.2.2 SVM 迴歸器 6.2.3 參數調整技巧 6.3 SVM（分類）實務應用：手寫數字辨識 6.3.1 資料集描述 6.3.2 載入資料集 6.3.3 特徵前處理：t-SNE 降維 6.3.4 前置作業 6.3.5 建立SVM 分類模型 6.4 SVR（迴歸）實務應用：薪資預測 6.4.1 資料集描述 6.4.2 載入資料集 6.4.3 將資料切分成訓練集與測試集 6.4.4 建立SVR 迴歸模型 6.4.5 評估模型 6.4.6 視覺化預測：迴歸分析 第 7 章 決策樹 7.1 決策樹簡介 7.1.1 決策樹的基本概念 7.1.2 分類樹的生長過程 7.1.3 分類樹的評估指標 7.1.4 迴歸樹的生長過程 7.1.5 迴歸樹的評估指標 7.2 CART 決策樹 7.2.1 CART 演算法流程 7.2.2 決策樹剪枝 7.3 決策樹的可解釋性 7.3.1 決策樹的特徵重要性 7.4 決策樹（分類）實務應用：玻璃類型檢測 7.4.1 資料集描述 7.4.2 載入資料集 7.4.3 將資料切分成訓練集與測試集 7.4.4 建立分類決策樹模型 7.4.5 評估模型 7.4.6 模型的可解釋性 7.4.7 繪製決策邊界 7.5 決策樹（迴歸）實務應用：房價預測 7.5.1 資料集描述 7.5.2 載入資料集 7.5.3 特徵工程 7.5.4 將資料切分成訓練集與測試集 7.5.5 建立迴歸決策樹 7.5.6 評估模型 7.5.7 模型的可解釋性 第 8 章 整體學習 8.1 何謂整體學習？ 8.1.1 特徵面 8.1.2 資料面 8.2 隨機森林 8.2.1 隨機森林簡介 8.2.2 隨機森林的生成方法 8.3 隨機森林（分類）實務應用：糖尿病罹患預測 8.3.1 資料集描述 8.3.2 載入資料集 8.3.3 將資料切分成訓練集與測試集 8.3.4 建立隨機森林分類模型 8.3.5 評估模型 8.3.6 模型的可解釋性 8.4 隨機森林（迴歸）實務應用：帕金森氏症評估預測 8.4.1 資料集描述 8.4.2 載入資料集 8.4.3 將資料切分成訓練集與測試集 8.4.4 建立隨機森林分類模型 8.4.5 評估模型 8.4.6 模型的可解釋性 8.5 極限梯度提升（XGBoost） 8.5.1 極限梯度提升簡介 8.5.2 XGBoost 模型結構 8.6 XGBoost（分類）實務應用：銀行客戶定存申辦預測 8.6.1 資料集描述 8.6.2 載入資料集 8.6.3 資料清理 8.6.4 將資料切分成訓練集與測試集 8.6.5 建立XGBoost 分類模型 8.6.6 評估模型 8.6.7 模型的可解釋性 8.7 XGBoost（迴歸）實務應用：汽車燃油效率預測 8.7.1 資料集描述 8.7.2 載入資料集 8.7.3 將資料切分成訓練集與測試集 8.7.4 建立XGBoost 迴歸模型 8.7.5 評估模型 8.7.6 模型的可解釋性 第 3 部分 進階概念與應用 第 9 章 交叉驗證和錯誤修正 9.1 不能忽視的過擬合與欠擬合 9.1.1 如何選擇最佳的模型？ 9.1.2 過擬合 vs 欠擬合 9.1.3 偏差與方差的差權衡 9.1.4 如何避免欠擬合？ 9.1.5 如何避免過擬合？ 9.2 交叉驗證簡介 9.2.1 何謂交叉驗證？ 9.2.2 K-Fold 交叉驗證 9.3 機器學習常犯錯的十件事 9.3.1 資料收集與處理不當 9.3.2 訓練集與測試集的類別分佈不一致 9.3.3 沒有資料視覺化的習慣 9.3.4 使用錯誤方法為特徵編碼 9.3.5 資料處理不當導致資料洩漏 9.3.6 僅使用測試集評估模型好壞 9.3.7 在沒有交叉驗證的情況下判斷模型性能 9.3.8 分類問題僅使用準確率作為衡量模型的指標 9.3.9 迴歸問題僅使用 R2 分數評估模型好壞 9.3.10 任何事情別急著想用 AI 解決 第 10 章 模型落地實踐與整合應用 10.1 模型整合與部署 10.1.1 機器學習開發流程回顧 10.1.2 DevOps 與MLOps 概念簡介 10.1.3 如何將模型整合到實際應用中 10.2 儲存訓練好的模型 10.2.1 ONNX 簡介 10.2.2 將scikit-learn 模型輸出為ONNX 格式 10.3 使用ONNX Runtime 進行模型推論 10.3.1 ONNX Runtime 簡介 10.3.2 載入 ONNX 模型並進行推論 10.4 使用FastAPI 建立模型推論服務 10.4.1 FastAPI 框架介紹 10.4.2 Python 後端開發框架比較 10.4.3 撰寫第一個 FastAPI 應用 10.4.4 整合ONNX 模型於API 中 10.4.5 使用Postman 測試API 10.4.6 自動生成 AIP 文件 10.5 網頁推論與前後端整合 10.5.1 環境設定與準備 10.5.2 建立簡單的前端界面 10.5.3 前後端 API 串接