已經跟呼吸一樣重要的網路和手機論文書籍站
lr41 lr44差異的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學
lr41 lr44差異的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦王賀劉鵬錢乾寫的 機器學習算法競賽實戰 和詹盈的 算法與數據中台：基於Google、Facebook與微博實踐都 可以從中找到所需的評價。
這兩本書分別來自人民郵電 和電子工業出版社所出版 。
國立臺北科技大學 電機工程系 胡國英、姚宇桐所指導 陳俊宇的 應用無橋式升降壓型功率因數修正器及LLC諧振式轉換器於USB電力傳輸 （2021），提出lr41 lr44差異關鍵因素是什麼，來自於通用輸入、無橋式、升降壓型、高功率因數、LLC諧振式轉換器、USB電力傳輸。
而第二篇論文臺北醫學大學 保健營養學系碩士班 夏詩閔所指導 陳儀滋的 L-半胱胺酸在體內和體外實驗對順鉑引起男性生殖之損傷影響 （2021），提出因為有 化療藥物Cisplatin、L-半胱胺酸、男性生殖損傷的重點而找出了 lr41 lr44差異的解答。
機器學習算法競賽實戰
為了解決lr41 lr44差異 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
應用無橋式升降壓型功率因數修正器及LLC諧振式轉換器於USB電力傳輸
為了解決lr41 lr44差異 的問題，作者陳俊宇 這樣論述：
摘 要 iABSTRACT ii致謝 iv目錄 v圖目錄 x表目錄 xxix第一章 緒論 11.1 研究動機及目的 11.2 研究方法 111.3 論文內容架構 12第二章 先前技術之動作原理與分析 132.1 前言 132.2 有橋式升降壓型功率因數修正電路架構與其動作原理 132.3 諧振式轉換器架構與特性 182.3.1 串聯諧振式轉換器 182.3.2 並聯諧振式轉換器 202.3.3 串並聯諧振式轉換器 222.4 USB Power Delivery 25第三章 所提無橋式升降壓型功率因數修正電路與LLC諧振式轉換器之動作原理與分析 263
.1 前言 263.2 電路符號定義及假設 263.3 所提電路之工作原理與數學分析 293.3.1 無橋式升降壓型功率因數修正電路之運作行為 303.3.2 無橋式升降壓型功率因數修正電路之電壓轉換比 333.3.3 無橋式升降壓型功率因數修正電路之電感電流邊界條件 353.3.4 無橋式升降壓型功率因數修正電路之實際電壓轉換比 373.3.5 LLC諧振轉換電路之運作行為 383.3.6 LLC之電壓增益 533.3.7 LLC電壓增益與K值關係 553.3.8 電壓增益與品質因素Q關係 57第四章 系統之硬體電路設計 584.1 前言 584.2 系統架構 5
84.3 架構之系統規格 604.4 系統設計 614.4.1 輸入端之差動濾波器設計 614.4.2 電感L1與電感L2設計 68(A) 電感L1與L2之感量 68(B) 電感L1與L2之磁芯選用 724.4.3 輸出電容Co1設計 754.4.5 模擬變載輸出電壓變動量量測 764.4.6 諧振槽參數設計 79(A) 變壓器Tr之匝數比n 79(B) 輸出等效阻抗Rac 79(C) 品質因數Q 80(D) 諧振元件Lr、Cr、Lm參數 84(E) 磁性元件Lm、Lr繞製 854.4.5 輸出電容Co2設計 924.4.6 同步整流器IC說明 934.4
.7 功率開關與二極體之選配 95(A) 升降壓型功率因數修正器之開關元件選配 96(B) LLC諧振式轉換器之開關元件選配 974.4.7 驅動電路設計 984.5 電壓偵測電路設計 994.6 元件總表 102第五章 軟體規劃及程式設計流程 1035.1 前言 1035.2 程式動作流程 1035.2.1 ADC取樣與資料處理 1045.2.2 移動均值濾波模組 1065.2.3 PI控制器模組與限制器模組 1085.2.4 控制開關訊號模組 110第六章 模擬與實作波形 1126.1 前言 1126.2 電路模擬結果 1126.2.1 電路於15W功率
等級之模擬波形圖 1146.2.2 電路於27W功率等級之模擬波形圖 1196.2.3 電路於45W功率等級之模擬波形圖 1246.2.4 電路於100W功率等級之模擬波形圖 1296.3 所提功率因數修正電路的實驗波形圖 1356.3.1 單級功率因數修正電路於16.6W功率等級之實驗波形圖 136(A) 輸入電壓85V之波形量測 136(B) 輸入電壓110V之波形量測 139(C) 輸入電壓220V之波形量測 142(D) 輸入電壓264V之波形量測 1456.3.2 單級功率因數修正電路於30W功率等級之實驗波形圖 148(A) 輸入電壓85V之波形量測 148
(B) 輸入電壓110V之波形量測 152(C) 輸入電壓220V之波形量測 155(D) 輸入電壓264V之波形量測 1586.3.3 單級功率因數修正電路於50W功率等級之實驗波形圖 161(A) 輸入電壓85V之波形量測 161(B) 輸入電壓110V之波形量測 164(C) 輸入電壓220V之波形量測 167(D) 輸入電壓264V之波形量測 1706.3.4 單級功率因數修正電路於111W功率等級之實驗波形圖 173(A) 輸入電壓85V之波形量測 173(B) 輸入電壓110V之波形量測 177(C) 輸入電壓220V之波形量測 181(D) 輸入電壓264
V之波形量測 1846.3.5 單級功率因數修正電路實驗波形比較結果之小結 188(A) 16.6W之功率等級 188(B) 30W之功率等級 189(C) 50W之功率等級 189(D) 100W之功率等級 1906.4 所採用之LLC諧振式電路的實驗波形圖 1926.4.1 單級LLC諧振式電路於15W功率等級之實驗波形圖 1926.4.2 單級LLC諧振式電路於27W功率等級之實驗波形圖 1966.4.3 單級LLC諧振式電路於45W功率等級之實驗波形圖 2016.4.4 單級LLC諧振式電路於100W功率等級之實驗波形圖 2056.5 所提電路之變載測試 211
6.5.1 系統於15W功率等級之變載實驗波形圖 2116.5.2 系統於27W功率等級之變載實驗波形圖 2206.5.3 系統於45W功率等級之變載實驗波形圖 2296.5.4 系統於100W功率等級之變載實驗波形圖 2386.6 實驗相關參數量測 2496.7 損失分析 253(1) 開關S1~S7之損失 253(2) 二極體D1、D2、D3之損失 255(3) 磁性元件之損失 255(5) 電容元件之損失 257(6) 損失分析總結 258第七章 文獻比較 260第八章 結論與未來展望 2628.1結論 2628.2 未來展望 262參考文獻 263符號彙
編 272
算法與數據中台：基於Google、Facebook與微博實踐
為了解決lr41 lr44差異 的問題，作者詹盈 這樣論述：
本書作者依據在Google、Facebook、新浪微博及滴滴出行等中美一流互聯網公司的實際工作經歷，對算法技術、數據技術，以及圍繞它們進行的技術中台建設實踐進行了全面的探討，並在此基礎上對資訊流推薦、計算廣告及智慧出行等核心互聯網業務進行了案例剖析。本書具有廣闊的技術視野，內容頗具深度，既適合互聯網行業的技術從業者閱讀，也適合電腦相關專業的高年級本科生、研究生閱讀。通過閱讀本書，讀者能加深對機器學習、深度學習、大數據、分散式系統及技術中台等相關領域的認知與理解，並從中獲得一定的啟發和可借鑒的經驗。 詹盈 本科畢業于南京大學，後赴美攻讀電腦博士學位。先後就職於 Google
、Facebook 以及新浪微博，歷任主任架構師、演算法總監等職位。長期致力於機器學習算法、算法工程平臺和大規模個性化系統等方向的技術研究以及團隊管理工作，對推薦系統、計算廣告、大資料和雲計算等相關業務領域有著長期深入的工作經驗和成功實踐。 鄭旭飛，先後就職於 360 搜索、滴滴出行以及新浪微博，歷任算法專家和資深工程師等職位，對搜索、推薦、廣告等個性化系統以及機器學習平臺有著豐富的實踐經驗。 第1章 算法與數據中台概述 1 1.1 中台的背景和意義 1 1.2 算法與數據中台的功能價值 3 1.3 算法與數據中台的技術體系 4 1.4 算法與數據中台的實踐場景 6 1
.5 算法與數據中台的應用前景 7 1.6 本章總結 8 第2章 中台技術之基礎設施 10 2.1 研發效率系統 10 2.1.1 代碼組織和構建 11 2.1.2 代碼審查和任務管理 13 2.1.3 持續集成 15 2.1.4 通用壓測平臺 17 2.2 服務通信系統 19 2.2.1 跨進程通信框架 20 2.2.2 服務註冊與發現 21 2.2.3 服務治理 24 2.3 監控報警系統 25 2.3.1 通用系統架構 25 2.3.2 指標計算模型 26 2.3.3 開源解決方案 27 2.4 鏈路跟蹤系統 29 2.4.1 應用場景與設計目標 30 2.4.2 系統架構 30 2.
5 本章總結 32 第3章 中台技術之線上算法系統 33 3.1 物料檢索系統 34 3.1.1 倒排檢索 35 3.1.2 倒排索引實例 37 3.1.3 相似檢索 38 3.1.4 相似檢索實例 40 3.1.5 模型粗排 40 3.2 模型預估服務 41 3.2.1 整體架構 42 3.2.2 多框架支持 43 3.2.3 模型上線 44 3.2.4 線上預估 45 3.2.5 異構設備 46 3.2.6 性能優化 47 3.2.7 效果監控 49 3.3 策略機制引擎 50 3.3.1 整體架構 50 3.3.2 計算流解譯器 51 3.3.3 Lua 解譯器 52 3.4 集群管理
平臺 53 3.4.1 多租戶架構 53 3.4.2 集群動態管理 54 3.4.3 集群性能監控 57 3.4.4 配置動態分發 59 3.5 效果評估系統 60 3.5.1 背景介紹 61 3.5.2 設計模式 61 3.5.3 系統架構 62 3.5.4 指標計算 64 3.6 本章總結 65 第4章 中台技術之機器學習平臺 66 4.1 機器學習平臺簡介 66 4.1.1 機器學習的研發流程 67 4.1.2 機器學習的研發挑戰 69 4.1.3 機器學習的研發技術 69 4.2 傳統機器學習算法 73 4.2.1 線性算法 73 4.2.2 因數分解機算法 77 4.2.3 決策樹
算法 81 4.3 深度學習算法 84 4.3.1 發展簡史 85 4.3.2 神經元模型 86 4.3.3 神經網路模型 87 4.3.4 神經網路的算法原理 88 4.4 模型框架基本原理 94 4.4.1 分散式運算架構 94 4.4.2 平行計算的同步機制 99 4.4.3 梯度更新算法 102 4.5 層結構的模型框架 108 4.5.1 Caffe 109 4.5.2 DistBelief 110 4.5.3 WBLEngine 112 4.5.4 小結 116 4.6 數據流程結構的模型框架 116 4.6.1 TensorFlow 116 4.6.2 PyTorch 122 4
.6.3 小結 126 4.7 複合結構的模型框架 126 4.7.1 場景特點 126 4.7.2 設計思路 127 4.7.3 架構與實現 128 4.7.4 性能優化 131 4.7.5 小結 132 4.8 機器學習平臺簡介 132 4.8.1 單業務線開發階段 132 4.8.2 平臺化建設階段 133 4.8.3 業界知名產品 134 4.9 新浪微博 WBL 機器學習平臺 135 4.9.1 使用者操作介面 136 4.9.2 管理中心 138 4.9.3 數據中心 140 4.9.4 調度中心 141 4.9.5 智慧中心 144 4.9.6 模型中心 145 4.10 本章總
結 147 第5章 中台技術之分散式數據庫 148 5.1 分散式數據庫概述 148 5.1.1 SQL 數據庫 148 5.1.2 NoSQL 數據庫 149 5.1.3 NewSQL 數據庫 150 5.2 分散式數據庫技術 150 5.2.1 ACID 理論 151 5.2.2 CAP 理論 151 5.2.3 BASE 理論 153 5.2.4 數據分片策略 154 5.2.5 數據複寫原則 157 5.2.6 Gossip 協議 158 5.2.7 分散式一致性協議 160 5.2.8 分散式事務協定 167 5.3 分散式數據庫產品 170 5.3.1 Redis 170 5.3
.2 Google BigTable 170 5.3.3 Google Spanner 173 5.4 LaserDB 分散式數據庫 177 5.4.1 系統架構 178 5.4.2 數據模型 179 5.4.3 分片策略 180 5.4.4 批量載入 181 5.4.5 同步機制 182 5.4.6 高可用架構 184 5.4.7 高性能方案 185 5.5 LaserDB 應用案例分析 188 5.5.1 數據緩存 188 5.5.2 特徵服務 189 5.5.3 向量存儲 190 5.5.4 樣本拼接 190 5.6 本章總結 191 第6章 中台技術之大數據平臺 192 6.1 大數
據平臺概述 192 6.1.1 大數據的特點 192 6.1.2 大數據平臺的技術棧 193 6.2 分散式協調系統 194 6.2.1 Google Chubby 195 6.2.2 Apache ZooKeeper 196 6.2.3 Consul 197 6.3 集群管理系統 199 6.3.1 Google Borg 200 6.3.2 Kubernetes 202 6.3.3 Apache YARN 203 6.4 分散式檔案系統 205 6.4.1 Google GFS 205 6.4.2 Apache HDFS 207 6.4.3 Dropbox MagicPocket 209
6.5 消息管道系統 210 6.5.1 Google PubSub 211 6.5.2 Apache Kafka 213 6.6 分散式運算系統 214 6.6.1 MapReduce 214 6.6.2 Apache Spark 216 6.6.3 Apache Flink 218 6.6.4 Apache Beam 220 6.7 數據倉庫與分散式查詢系統 221 6.7.1 Google BigQuery 222 6.7.2 Apache Hive 223 6.7.3 Facebook Presto 224 6.7.4 Facebook Scuba 226 6.8 本章總結 227
第7章 中台實踐之推薦系統 228 7.1 推薦系統的背景簡介 228 7.1.1 場景概況 229 7.1.2 整體架構 230 7.1.3 推薦思路 233 7.2 推薦系統的算法模型 235 7.2.1 GBDT-LR 融合模型 235 7.2.2 Wide & Deep 模型 237 7.2.3 DeepFM 模型 238 7.2.4 雙塔模型 238 7.2.5 多工模型 239 7.2.6 算法的發展趨勢 241 7.3 推薦系統的效果度量 244 7.3.1 體驗指標 244 7.3.2 算法指標 245 7.4 Facebook 資訊流推薦簡介 250 7.4.1 數據分發系統
251 7.4.2 特徵服務 252 7.4.3 索引系統 254 7.4.4 預估與排序服務 255 7.4.5 即時樣本拼接服務 256 7.4.6 模型訓練平臺 257 7.5 本章總結 258 第8章 中台實踐之數位廣告 259 8.1 數字廣告的背景簡介 259 8.1.1 核心概念 260 8.1.2 合約廣告 261 8.1.3 競價廣告 262 8.1.4 程式化交易廣告 263 8.2 數位廣告系統架構 264 8.2.1 業務平臺 265 8.2.2 算法與數據中台 265 8.3 數位廣告系統中的數據管理 266 8.3.1 站內數據 267 8.3.2 站外數據 2
67 8.4 數位廣告系統中的受眾定向 268 8.4.1 內容定向 268 8.4.2 用戶標籤定向 269 8.4.3 定制化標籤定向 269 8.4.4 社交關係定向 270 8.4.5 智能定向 270 8.5 數位廣告系統中的策略機制 270 8.5.1 流量預測 271 8.5.2 線上分配 271 8.5.3 頻次控制 272 8.5.4 平滑投放 272 8.5.5 探索策略 273 8.5.6 智能出價 274 8.5.7 廣告競價 276 8.5.8 反作弊機制 277 8.6 本章總結 277 第9章 中台實踐之網約車平臺 278 9.1 業務簡介 279 9.1.1
業務背景 279 9.1.2 運作流程 281 9.1.3 用戶體驗 281 9.2 技術架構 282 9.2.1 分層系統架構 282 9.2.2 業務中台 283 9.2.3 算法與數據中台 285 9.3 打車定價場景 286 9.3.1 場景描述 286 9.3.2 價格動態下浮策略 287 9.3.3 價格動態上浮策略 289 9.3.4 小結 290 9.4 打車排隊場景 290 9.4.1 場景描述 290 9.4.2 排隊時間預估策略 291 9.4.3 小結 292 9.5 打車安全場景 292 9.5.1 場景描述 292 9.5.2 安全性原則 293 9.5.3 小結
294 9.6 本章總結 294 參考文獻 295
L-半胱胺酸在體內和體外實驗對順鉑引起男性生殖之損傷影響
為了解決lr41 lr44差異 的問題，作者陳儀滋 這樣論述：
臨床常見治療癌症之化療藥物Cisplatin (CIS)造成睪丸功能障礙之副作用會影響男性生殖功能。睪丸內細胞因氧化壓力增加會促使發炎反應，細胞走向凋亡損傷，亦會發生精子生成異常，最終造成睪丸功能性受損。而L-半胱胺酸 (L-cysteine, CYS)因具有強大抗氧化、抗發炎等功效，但至今對男性生殖影響之相關機制研究尚未明確證實，故本研究目的為考慮臨床輔助治療之應用，以體內及體外模式探討CYS對CIS造成男性生殖損傷之相關改善效應。體外實驗利用TM3及TM4小鼠睪丸細胞株，以MTS試驗及結晶紫染色測定細胞存活率，以Western blot測定血睪障壁、發炎及細胞凋亡相關蛋白表現。結果顯示，
CYS可顯著恢復CIS誘導TM3及TM4細胞存活率，並減少Caspase3、PARP、Bax凋亡相關蛋白表現，同時降低TM3細胞NLRP3及COX2發炎相關蛋白表現，且增加TM4細胞ZO-1結構蛋白表現。亦以CIS建立誘導睪丸損傷之動物模式，實驗期21天後，發現CYS可顯著降低睪丸組織及精子結構損傷，維持血清睪固酮濃度，恢復精子存活狀態，並且減少睪丸PARP蛋白表現。因此，本研究表明L-cysteine可改善Cisplatin對男性生殖之不利影響，顯示L-cysteine具有輔助臨床Cisplatin藥物治療下對男性生殖功能損傷之保護潛力。