演算法

物體檢測的任務是找出影象或影片中的感興趣物體，同時檢測出它們的位置和大小，是機器視覺領域的核心問題之一。

物體檢測過程中有很多不確定因素，如：影像中物體數量不確定，物體會有不同的外觀、形狀、姿態，加上物體成像時會有光照、遮擋等因素的干擾，導致檢測演算法有一定的難度。

機器學習領域中，模型評估很重要，只有選擇與問題互相對等的評估方法，才能讓更好的模型訓練和模型選擇的時候出現的問題，能對模型進行更好的迭代優化。

那要怎麼知道，我們訓練出來的模型成效（performance）是否好？透過一些驗證指標（validation index）來當成效指標，能依據應用分為「分類指標」和「回歸指標」。針對分類、排序、回歸、序列預測等不同類型的機器學習問題，模型評估指標的選擇也會不一樣。

2021年5月Google正式公布了最新的演算法，這次的更新主要以「網站體驗」作為指標，今天帶大家了解一下6月演算法更新後會影響哪些SEO指標？

每一次的演算法更動想必對每位架站人員及網站經營者有著天大的影響，了解自己網站排名及分數是否會受到變更也正是一大課題；從這次Google官方公布的資料，網站體驗優化成了所有人追尋的目標，讓我們從這些依據得知一些重要訊息。

想要提高網站排名除了不斷對自身網站進行SEO優化外，從網站架設那刻起選擇優良的架站平台，也能讓之後的網站內容更新及排名優化有著事半功倍的效果，今天在文章中也會一同附上幾個常見的架站平台介紹。

機器學習，從人工智慧起源，它讓機器實現傳統程式設計無法做到的能力，如：自動駕駛、人臉識別、計算機視覺、資料探勘等。

機器學習的演算法，是一段程式碼，可幫助使用者探索、分析、尋找複雜資料集中的意義。每種演算法都是一組能明確指示，讓電腦依照步驟達到特定目標。

以下將分為兩部分進行介紹，一是學習方式、二是演算法的類似性。

K-means 是一種聚類 (Cluster)的方式，基本上就是依照「物以類聚」的方式在進行。也可能想成，相似的東西有相似的特徵，給予一組資料，將它分為 k 類（k由使用者設定），這就是K-means的用處。

聚類的方法大多是非監督式學習，群內的對象越相似，集群的效果就越好。

K-means 不只可以拿來分類消費者，優化行銷活動、避免客戶流失；還能判斷金融交易是否異常，偵測是否詐欺；甚至幫忙歸類IT技術內的不同警訊。

新冠肺炎 (COVID-19) 後疫情時代的延伸，如何在保持安全距離的條件下縮短溝通距離？又能獲得精確的資訊？零接觸智能醫療成為醫療領域聯合資通訊業者、數據分析業者共同合作衍生之標的，用以提升精準醫療為導向，兼顧醫療品質與提升辨識準度為目標。

2020年有越來越多的機器視覺軟體加入「深度學習技術」，成功地在產業中進行實際運用，深度學習在市場上有更普及的需求。然而，傳統光學檢測則面臨挑戰，從過去客戶的「大量同規格」訂單環境轉變為「少量多樣」或「大量多樣」的特色模式，產品檢測日漸複雜，無法單靠人工進行檢測。