搜尋結果
- 前收市價3.590開市3.590買盤3.530賣出價3.540
- 今日波幅3.500 - 3.63052週波幅2.600 - 3.990成交量246.57M平均成交量455.28M
- 市值1362.71BBeta值 (5年，每月)0.33市盈率 (最近12個月)4.54每股盈利 (最近12個月)0.780
- 業績公佈日2024-08-30遠期股息及收益率0.26 & 7.22%除息日2024-07-081年預測目標價4.07
相關股票
2023年11月8日 · LangChain的基本架構. LangChain由幾個核心組件構成，旨在簡化從數據檢索到信息生成的過程： 檢索系統 ：負責從廣泛的數據源中快速檢索相關信息。 這包括從結構化數據庫、非結構化文本到網絡資源的檢索。 處理器 ：對檢索到的數據進行預處理，如摘要、關鍵詞提取等，以便更有效地利用。 LLM集成 ：核心部分，LangChain整合了多種LLM，如GPT-3，提供靈活的API接口，使開發者可以輕鬆調用模型進行文本生成、問答等任務。 應用層 ：提供了一組工具和模板，幫助開發者快速構建特定的應用，如聊天機器人、內容推薦系統等。
2023年10月2日 · 1. 清晰和具體的提示. 提示應該清晰、具體且明確。 避免使用模糊的或含糊不清的問題，因為這可能會導致不確定的回答。 確保提示中包含所有必要的信息，以使模型能夠理解您的意圖。 2. 上下文相關. 考慮到上下文對 Prompt Engineering 至關重要。 如果您正在進行對話，則應根據先前的對話內容編寫提示。 這樣，模型可以理解之前的對話，並生成相關的回答。
2024年1月8日 · 三步驟讓數據分析清晰易讀. 發佈日期: 2024 年 1 月 8 日 作者: 黃 昱嘉. 內容目錄. 步驟一：最希望呈現資料裡的哪一個關係？ 「比較大小」：長條圖. 「了解趨勢」：折線圖、堆疊長條圖. 「呈現整體組成」：圓餅圖、百分比堆疊長條圖、矩形樹狀圖. 「呈現分佈」：散佈圖、直方圖. 「比較大小＋呈現分佈」：泡泡圖. 步驟二：選擇表達訊息能力最佳的圖表. 圓餅圖 vs 長條圖. 折線圖 vs 堆疊長條圖. 步驟三：挑選顏色. 以上都不符合你的需求嗎？ 這裡有更多選擇圖表的指引. RE:LAB. Financial Times 的「視覺化辭典」 Andrew Abela 的 Chart Chooser. The Data Visualisation Catalogue. 結語.
2023年8月8日 · 內容目錄. 數據治理是什麼？ 企業為什麼要做？ 企業怎麼做數據治理？ 沒做過的企業如何開始？ 在醫療或金融等資料較敏感的產業，如何妥善管理數據，讓管理單位放心？ AI 產生的「偏見」能被管理嗎？ 從印尼最大電商 Tokopedia，有哪些數據治理經驗可以分享？ 新加坡政府推動數據治理，經驗如何？ ChatGPT 崛起後，數據治理有什麼轉變與新挑戰？ 企業做數據治理，不同角色如何分工？ 誰該對資料負責？ 結語：企業如何推動數據治理？ 關鍵字補充. 3 位在美國與新加坡、有豐富數據與 AI 領域經驗專家管其毅、Angus 與 Koo，帶大家瞭解「數據治理」是什麼？ 對企業為什麼重要？ 如何開始執行？ 不同產業有什麼挑戰？ ChatGPT 問世後「數據治理」又有什麼轉變與新挑戰？
2023年4月13日 · 資料清理主要包括以下幾個方面的方法： 缺失值處理：對於缺失的數據，可以選擇填充、插值、刪除或保持不變，具體方法取決於資料的特性和缺失原因。 填充：將缺失值替換為某個常數值，如 0、平均值、中位數等。 插值：根據已有的資料對缺失值進行估算，如使用時間序列資料中的前後值進行線性插值。 刪除：若缺失值占比較低，且不影響分析結果，可以直接刪除缺失值所在的樣本。 重複值處理：對於重複的數據，可以選擇保留一個並刪除其他重複值，或者根據某些規則合併重複的資料。 異常值檢測：通過統計方法或機器學習算法識別異常值，並對其進行修改或刪除。 常用方法有： 統計方法：如基於標準差或四分位數範圍（IQR）檢測異常值。 機器學習算法：如聚類算法、異常檢測算法等。
2024年2月1日 · Transformer的工作原理. Transformer的核心是自注意力機制，這一機制允許模型在生成輸出時評估序列內的所有單詞之間的相關性。. 這意味著模型不需要按順序逐步處理資訊，而是可以平行處理，大大加快了學習速度。. 此外，Transformer包含了多頭注意力（multi ...
2023年6月4日 · 1. 設計、開發和實施生成式AI模型. 設計階段： 確定最佳算法來實現預期結果，要求對各種生成式AI算法及其優缺點有深入理解。 開發階段： 包括用現有數據訓練模型並進行微調以提升性能。 實施階段： 將AI模型整合到現有系統中或圍繞模型設計新系統，需要強大的軟件開發理解能力。 2. 調整現有生成式AI模型. 調整和精煉預先存在的模型以增強性能、適應新數據或滿足特定項目需求。 分析模型行為，識別表現不佳或產生意外結果的領域。 可能涉及調整超參數、修改模型架構或豐富訓練數據集。 3.
