機器翻譯的問題，透過圖書和論文來找解法和答案更準確安心。 我們挖掘到下列精選懶人包

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決機器翻譯的問題，作者李金洪 這樣論述：

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。   　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。   　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 　　〇 在非結構化領域，GNN 可以用在圖

型和文字等領域。 　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。   　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！   　　〇 使用 Graph 概念取代傳統的歐氏空間神經元 　　〇 最好用的 PyTorch + Anaconda + Jupyter 　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 　　〇 了解基礎的啟動函數、損失函數、L1/

L2、交叉熵、Softmax 等概念 　　〇 NLP 使用神經網路處理 + 多頭注意力機制 　　〇 Few-shot/Zero-shot 的神經網路設計 　　〇 空間域的使用，使用 DGL、Networkx 　　〇 利用 GNN 進行論文分類   本書特色   　　～GNN 最強入門參考書～ 　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感 　　● 理論和程式結合，便於讀者學以致用 　　● 知識系統，逐層遞進 　　● 內容貼近技術趨勢 　　● 圖文結合，化繁為簡 　　● 在基礎原理之上，注重通用規律 　

機器翻譯進入發燒排行的影片

翻譯研究所學生使用機器翻譯之意圖與接受度初探—以全臺翻譯研究所學生為例

為了解決機器翻譯的問題，作者唐瑄 這樣論述：

近年來機器翻譯與類神經技術的結合與發展，在翻譯產業掀起了一陣波瀾，改變了翻譯產業的生態及譯者工作的模式。鑑於機器翻譯與譯者工作的連結愈來愈緊密，產業的相關需求也不斷提升（Slator, 2021; DePalma et al., 2021），許多翻譯學者（Mellinger, 2017）紛紛呼籲，翻譯教育應納入翻譯科技能力的相關訓練，以確保學生在未來自動化科技發展的浪潮下，仍能維持專業譯者的市場競爭力。 本研究以全臺九所授予翻譯碩士學位學校之學生為研究對象，以Davis（1989）提出之科技接受度模型（Technology Acceptance Model）為基礎，結合過去相關研究實證

之外部變項，採問卷調查法並結合半結構式訪談，初探目前翻譯人才的機器翻譯使用與接受度現況，並試圖探討影響學生機器翻譯使用與接受度的關鍵因素，分析當前各大翻譯學校（碩士學位層級）提供的訓練如何影響學生的機器翻譯使用與態度。 本研究問卷於2021年10月至11月進行發放，共回收79份有效問卷，並自問卷受訪者中選擇10位進行半結構式訪談。資料經統計分析所得結果如下：（一） 高達98.73%的受訪學生具有機器翻譯使用經驗。（二） 受訪學生的機器翻譯使用意圖（即接受度）非常高。（三） 知覺有用為影響受訪學生機器翻譯接受度的關鍵因素，而知覺有用又顯著受知覺易用、工作關聯等外部變項影響。（四）

信任及對機器翻譯的恐懼會接影響受訪學生的機器翻譯使用意圖。（五） 機器翻譯相關教課程對受訪學生的機器翻譯接受度無正向影響，惟具備電腦輔助翻譯工具訓練經驗者，機器翻譯接受度則顯著高於其餘受訪者。 研究結果顯示，全臺翻譯相關系所（碩士層級）學生的機器翻譯使用頻率與接受度皆非常高，而科技接受度模型也驗證了許多影響其接受度高低的關鍵因素，針對目前全臺翻譯相關系所（碩士層級）開設之機器翻譯相關課程所面臨的侷限，提供了實質建議與未來發展方向。

北美客家社團網絡與社群

為了解決機器翻譯的問題，作者張翰璧,蔡芬芳,張陳基,張維安,戴國焜 這樣論述：

　　本書在過去東南亞社團網絡研究的基礎上，進行北美洲客家社團組織網絡的比較分析，採用社會網絡分析法進行客家社團組織的橫斷面研究，以了解客家社團組織當代的發展脈絡，進一步探究全球客家社團的關係和結構，建構台灣作為世界客家研究中心的基地以及成為全球客家社團連結和網絡的平台。

華語教師「機器人輔助語言學習」培育之行動研究：以機器人輔助華語正音教學為例

為了解決機器翻譯的問題，作者李瑄 這樣論述：

本研究旨在探討華語文教學系研究所階段「機器人輔助語言學習」的培育課程，以整合技術的學科教學知識（Technological Pedagogical Content Knowledge, TPACK）為框架，將華語正音教學、機器人科技、程式設計等知識整合教學，讓（準）華語教師能有設計及實作機器人輔助語言學習（robot-assisted language learning, RALL）教學活動的能力。研究問題為：TPACK框架下培育課程知識內容、流程及策略為何？培育課程對（準）華語教師TPACK發展的影響為何？（準）華語教師對機器人用在語言學習上的感知為何？本研究採行動研究法，研究對象為華語教

學系研究所14位（準）華語教師。研究結果顯示，培育課程可促進各種TPACK知識的發展，其中機器人的教學設計知識（TPK）最多，其次為機器人的華語語音技術原理知識（TCK）和機器人科技知識（TK），由於機器人的「擬人化」特性，讓（準）華語教師更關心人機互動、即時回饋的設計、機器人的「可對話」特性使用語音技術，則讓（準）華語教師重視機器人聽與說的材料選擇原理；設計中學習（Learning by Design, LBD）策略促進多元知識發展、二位不同專長的師傅教師共同授課可協助發展基礎知識、多次的學習者實測則可促進知識整合及反思；（準）華語教師認為機器人在語言教學上是有用的，但需要經過學習才能學會使

用，多數表示未來願意使用。本研究也發現，（準）華語教師在RALL實作過程中，換位思考轉變成以學生為中心思考教學設計；最終能意識到機器人是一項教學工具，「教師」才是提供教學設計知識的人。論文最後提出「機器人輔助正音教學」系統開發流程及架構建議。