科學月刊徵才的問題，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

你今天寫了沒?寫出斜槓人生的深度練習法(隨書附贈最強自學者「我的靈感記錄本」)

為了解決科學月刊徵才的問題，作者金敏植 這樣論述：

幸福不在於強度，而在於頻率。 每天早上從寫作開始主動性的人生！ 人類能給自己最好的禮物是什麼？就是……寫吧。 　　在電視台內部權力鬥爭下，被排擠黑掉的熱血PD金敏植，二十年的PD生涯，人生階段從未這樣低潮，高層說「要讓金敏植再也不能擔任電視劇導演」，已經年近半百的他聽到傳聞還放聲大哭…… 　　勉強接受電視台降職的輪班制，空檔時接送小孩，但媽媽群中只有他一個大男人很尷尬，怕被誤會是寄生蟲小白臉。也為了找情緒出口去爬山，卻見人就想保持距離，看到製作節目的好題材但不能執行萬分憂鬱……這樣惡性循環竟開始討厭這個世界，痛恨身邊的人。 　　長達五年的「失業狀態」，有一天他試著轉換角度，每天只專注

「現在這個瞬間做什麼我會快樂」這件事。他帶小孩上學，開始寫育兒心得，認真回答讀者的問題；他去爬山，走遍市內健行路線，針對每一條路線做出自己的評論；他去圖書館讀書，寫讀書筆記，每天早上，不管有沒有錢？不管有沒有人看，就是寫。 　　因為寫，他變成感謝生活的人，自己就是紀錄片的主角； 　　因為寫，好處越來越多，邀稿出版演講，私房錢自己賺； 　　因為寫，好玩的事有了生產性，再先進的人工智慧都無法取代； 　　因為寫，他樂當「多重人格」，以工作的我，玩樂的我，學習的我，徹底實踐斜槓人生。 　　金敏植國中時靠著背完一本英文書建立對自己的自信；從此之後，他便以閱讀充實內在；靠戀愛克服外貌的缺陷；缺乏經驗則

以旅行來補足；沒機會執導時便經營社群網站。他透過《你背過一本英文書嗎？》讓讀者重拾曾經排斥的英文，而本書《你每天寫了沒？》的目標則是希望能喚醒大家潛在的「寫作」本能，替讀者指引一條及時快樂人生之路。 　　【下定決心！寫作人生就是往後的人生__內容經典摘句】 　　●我們必須努力讓自己從媒體的消費者變成重度使用者，進而變成製造者才行。 　　●認真玩樂甚於工作？乍聽之下像是句年少無知的話，但這將成為未來最佳的生存戰略。 　　●開始做任何事一定要以樂趣為主，懷抱著就算不賺錢，只要有趣就可以的想法堅持下去。 　　●要經常自問，玩什麼會讓自己感到快樂。 　　●要培養個人創造力的最好方法就是打造出多面向

的自己，讓不同面向的自己互相合作。 　　●如果你好奇自己是否具備寫作的才能，就先從每天寫一篇文章做起吧。 　　●挖掘新故事的首要祕訣就是徹底地熱愛某件事物。 　　●要等到條件都滿足時才能開始學習的話，只要條件有些誤差就會立刻放棄學習的。 　　●所謂的「不可能的事」，只是至今為止沒人嘗試過的事情而已。 　　●如果不將才能表現出來，才能就只會是腦海中的眾多妄想之一而已。 　　【本書適合】 　　★給想要透過寫作改變自己，卻還沒開始寫作的你。 　　★給想改變生活型態，卻遲遲無法行動的你。 　　★想要主動成長卻找不到方法的你。 　　★給熱愛學習新事物，想更深入學習的你。 　　★給想要擺脫同溫層的你。

　　◎隨書附贈→最強自學者送你必備「我的靈感記錄本」 　　★64頁按天數整理生活靈感，不錯失任何材料。 　　★持續12週「記錄+整理」兩個簡單步驟，發現驚人效果。 　　★循序漸進，實務操作一寫就上癮。 　　★25開本，方便隨身攜帶，搭配作者的精華摘句，時時鼓舞。

Google教你深度學習：中小企業如何利用會自己學習的電腦?

為了解決科學月刊徵才的問題，作者日經大數據 這樣論述：

你要聽特斯拉馬斯克的或是臉書祖克伯的？ 前者認為人工智慧（AI）會毁滅人類，後者說不會！ 其實你應聽Google的， 它提供平台讓中小企業也可以搭上人工智慧的特快車！ 　　將衝擊世界的人工智慧類型基本上是指會自己學習的電腦，也就是所謂的機器學習（Machine Learning）及深度學習（Deep learning），而非過去大家習慣的電腦依程式行事。前者是指機器自己由大量資料中，得出某結論，如給電腦一堆貓的圖片，他會自己替貓做定義，進而由一張被切割的照片中，判斷那是不是貓。而深度學習則是電腦自行處理多層結構的訊息，而進行判讀。 　　人工智慧用5000部影片，就可以自己學會讀唇語！

　　曾有研究單位利用「深度學習」學習唇語的判讀，他們將英國BBC電視頻道的多個節目系列、合計約五千小時的影片做為學習的資料。學習後的電腦，在兩百支影片測驗組合中，光靠唇部動作便成功解讀出大約百分之五十的單字。而即使是在法庭上擁有十年以上經驗的唇語術專家，在相同的測驗中也只能判讀四分之一左右的單字。 　　電腦具備自主學習及判斷能力的事實將對人類社會產生重大衝擊，本書不只以一般人能理解的方式說明人工智慧在技術方面的進展，更以大量的實例，說明目前全球各種規模的企業如何利用會「學習」的電腦，來改變企業的運作。例如客戶服務的工作，原本極為依靠人力，但是，現在只要投入大量過去的QA，電腦會自己學會如何

對應客戶；如語文的翻譯，電腦也可以自己由大量的翻譯資訊中學習，讓翻譯的品質提升。 　　善用人工智慧技術的企業，將在企業的經營上（至少成本的控制上），取得領先。問題是人工智慧的發展是否有很高的技術門檻？阻擋一般的中小企業於門外？其實不然。 　　中小企業也可以利用Google平台提供的應用程式介面，發展自己的深度學習運用 　　谷歌在其雲端服務「Google Cloud Platform（GCP）」中，將谷歌研究開發至今的深度學習成果透過兩種方式開放一般大眾使用（Google目前將人工智慧用在公司一千種服務以上）：一種是將機器學習訓練完畢的模型，以應用程式介面 (Application Pro

gramming Interface；API)方式提供服務。另一種是提供機器學習程式庫「開源機器學習系統（Tensor Flow）」。 　　應用程式介面（API）一般是指能將擁有特定機能的電腦程式由外部程式叫出使用的介面。透過應用程式介面與電腦程式連結，就可以直接利用其功能。 　　谷歌將許多不同種類具有「機器學習」或是「深度學習」能力的「模型」放在「谷歌雲端平台（GCP）」。中小企業可以利用應用程式介面，直接利用其功能。而這些「模型」已經經過基本的「訓練」，因此使用者只要提供少量的資料，就可以達成學習的目的。 　　因為有了應用程式介面（API）的提供，使得「機器學習」與「深度學習」為一般

企業所用的門檻大幅降低了。只需以程式介面（API）程式將「模型」叫出，就能使用圖像辨識與語音辨識的最新成果，真的很方便。 　　不過另一方面，許多太專業的運用，如人體器官病徵的辨識或是機械故障的預兆判斷等，無法以應用程式介面（API）套用現有的「模型」。谷歌所準備的機器學習程式庫「開源機器學習系統 TensorFlow」將派上用場。使用者可以下載程式，自行發展所需要的功能。「使用TensorFlow最大的好處，是只要以Python語言寫出簡單的程式碼，就能運用深度學習」。 　　本書不只告訴你人工智慧是什麼？將改變什麼？更告訴你可以做什麼，讓公司保持在科技的浪潮尖端。 本書特色 　　從定義

到駕御：讓你徹底搞懂將對人類產生鉅大影響的科技 　　本書在觀察大量企業的運用後，在第五章《架構活用篇》提出導入的深度學習的具體架構，讓讀者不只能懂，也能縮短運用時摸索的時間。本書發現人工智慧（機器學習、深度學習）的風潮席捲全球，不過其在企業運用的目的不外以下幾種：1、刪減成本。2、提高附加價值創造出新的商機。3、提升創意性。而在觀察幾百家企業的操作後，發現以刪減成本的目的最容易產生效果。 　　用案例讓讀者完全理解 　　對沒有技術背景的民眾而言，最關心的是人工智慧（機器學習、深度學習）要如何運用，本書以實際的案例說明相關問題： 　　■ 安藤HAZAMA――用以判斷隧道工程之岩盤硬度 　

　為了建設隧道工程時能兼具安全與效率，安藤HAZAMA與日本系統軟體共同開發的「隧道開挖面AI自動評價系統」。將挖掘隧道時最尖端之開挖面照片輸入後，該系統就會自動評價其岩盤的硬度、脆性等工學特性。透過人工智慧帶來的岩盤工學特性評價自動化，即使沒有專家或資深技師在場，也能給予正確的判斷。 　　在學習之際，將五百張左右的相片進行分割，製作成五萬張的相片資料。結合相片岩石所代表的彈性波速度，一起讓機器學習的結果，在拍攝開挖面相片後，就能得到彈性波的速度值。新系統在從開挖面的相片辨識其相對應的彈性波速度上，正確率大約有百分之八十五。 　　■ AUCNET IBS――從車輛相片就能鎖定款式 　　深

度學習特別適用於圖片的識別。從事支援中古車等業者間交易的AUCNET（位於東京都港區）系統開發子公司之AUCNET IBS就是圖片識別運用的例子。該公司運用深度學習技術，開發了能自動將車輛不同部位照片歸類上傳到網站的系統「konpeki（紺碧）」。二〇一六年十一月集團旗下的中古車經銷商FLEX（東京都港區）採用了這個系統，提升網站上資訊登錄作業的效率。 　　中古車經銷商經常需要為購入的中古車拍攝許多相片、進行上傳到自家網站或資訊網站的作業。車子的左斜前方、右斜前方、右側、左側、後方、還有車內的前座及後座、儀表板、導航等……。這些相片如果由店員手工整理的話，大概要花個五分鐘左右。Konpeki

系統只要經銷商店員將拍攝的相片登錄，就立刻能自動依部位別分類，輕鬆地上傳至中古車資訊網站。 　　它將車輛外部區分為十八種、内部區分為十二種。它也會將包含車輛的相片、但並非銷售對象的圖像（如廣告）區分出來。甚至還能鎖定某品牌、車名、款式，顯示平均銷售價格帶。 　　「konpeki（紺碧）」系統的開發便是採用了谷歌的「谷歌雲端平台（GCP）」上為了開發深度學習模型的程式庫「開源機器學習系統（Tensor Flow）」、讓機器學習大量圖像資料而成。 　　■ 以少量的訓練資料構築出車輛台數檢測的系統 　　Aerosense與大數據的BrainPad公司共同合作、運用了深度學習技術的作法。開發了

從空拍圖像中測出停車車輛數的系統。先從實驗結果來看的話，使用了深度學習的空拍圖辨識汽車模型，在顯示了一百一十六輛汽車的測試圖資料中，測岀結果為一百二十二輛。 　　Aerosense的汽車辨識模型，其特點在於其從空拍圖辨識汽車用的深度學習模型，並非是從零開始打造的。研發人員說明：「若要製作專用的模型，將需要大量的訓練資料。即使有一萬張也不夠吧！這次是運用了現有的模型，大約只有一百三十張的少量訓練資料，就顯示出其高精確度，很有價值。」 　　在深度學習模型的開發上，活用了谷歌的深度學習程式庫「TensorFlow」。利用TensorFlow中名為「Inception-V3」之一般圖像辨識模型，從

圖像資料中製作抽取了特徵值的向量。此時，使用約一百三十張的汽車空拍照作為訓練資料。抽取了特徵值的向量，再以一種名為SVM（支援向量機；Support Vector Machine）的機器學習進行學習，得出結果。 　　結合500家企業的導入經驗，系統化說明著手運用深度學習的方法 　　作者輔導了500家以上企業導入深度學習於工作之中，他用資料×目的的矩陣，描繪出活用展望圖，協助讀者理清頭緒，讓公司縮短導入摸索的時間。  

國軍屆退人力運用於企業工作面向重要性之研究

為了解決科學月刊徵才的問題，作者李錦鑫 這樣論述：

國軍退休人力外介至政府機關與公營事業機構就業的機會，因受組織精簡政策影響，大幅縮減，現階段僅民營企業或組織有足夠能力提供不同工作面向或職缺來滿足官兵就業需求。因此，進入民營企業或組織就業，已成為屆退官兵輔導及選擇就業重要選項，而運用退休人力在何種性質工作面向具有一定程度之重要性，端視軍人及企業或組織間之供需角度而定。本研究主要針對現役軍人與企業人士對於屆退人力運用於企業工作面向的重要性與認知差異進行探討，立意抽樣37位現役軍人及18位企業人士完成實體問卷填寫後，運用AHP層級分析系統執行主、次構面權重、信效度等相關分析，並依據分析出之權重數據排序，比較工作面向之重要性優序。本研究歸納出五個主

構面，各涵蓋四個次構面共二十項指標，分析結果顯示管理性質最為重要，其次為勞務性質；另從軍人及企業人士人力資本角度檢視屆退人力與企業組織間關係，發現分別偏屬個人-組織「互補」及「一致性」的契合類型，而針對重要性排序可提供退輔會、屆退官兵及企業人士參酌，使屆退人力職前選訓、訓後推介及企業徵才用才能適得其所，讓屆退人力運用於企業各工作面向接受度更高，發揮更大效益。