龔千芬;郝沛毅;
頁: 239-276
日期: 2024/04
卷期: 31(2)
關鍵字: 敗血症早期預測;深度學習;模糊支持向量機;醫學訊息學;生成對抗網路;
Keywords: : Sepsis early warning model;Deep learning;Fuzzy support vector machines;Medical informatics;Generative adversarial network;
摘要: 敗血症是一種可能導致死亡的嚴重疾病，根據世界衛生組織的統計，每年大 約有 600 萬人因為敗血症休克而死亡，死亡率高達 50％。敗血症發作的早期預 警和及早的干預治療，可以避免絕大多數的敗血症休克死亡的發生。人工智慧演 算法的蓬勃發展與重症監護病房的大量病患...

引用     導入Endnote

郝沛毅;龔千芬;
頁: 303-333
日期: 2022/10
卷期: 29(4)
關鍵字: 股價預測;模糊支持向量機;卷積神經網路;雙向長短期記憶體;注意 力機制;
Keywords: Stock prediction;Fuzzy support vector machine;Convolutional neural networks;bi-directional long short-term memory;Attention mechanism.;
摘要: 股價預測是橫跨金融與計算機科學領域的經典預測問題，由於成功預測股價 的潛在好處，它吸引一代又一代的學者與投資者從不同的角度、無數的學理、眾 多的投資策略和不同的實踐經驗來開發各種預測方法。股價預測的困難癥結點在 於影響股票漲跌的因素太多。股市波動通常...

引用     導入Endnote

龔千芬;龔嘉德;蘇志民;郝沛毅;林奕儒;
頁: 445-476
日期: 2021/10
卷期: 28(4)
關鍵字: 敗血症早期預測;深度學習;模糊支持向量機;臨床決策支持系統;醫學資訊學;
Keywords: Sepsis early prediction;deep learning;fuzzy support vector machines;clinical decision support systems;medical informatics;
摘要: 敗血症是全世界的主要死亡原因，敗血性休克的死亡率高達50％。根據世界衛生組織估計，每年有超過600萬人死於敗血症，早期診斷和治療可以預防大多數的敗血性休克發病與死亡，但是，目前缺乏可靠的早期敗血症智能預測系統。時至今日，在大數據分析的快速發展和重症監護室的...

引用     導入Endnote

郝沛毅;龔千芬;張俊陽;蔣榮先;鄭詠恆;
頁: 495-535
日期: 2020/10
卷期: 27(4)
關鍵字: 事件嵌入;興趣點推薦;矩陣分解;深度學習;卷積神經網路;
Keywords: event embedding;POI recommendation;matrix factorization;deep learning;convolutional neural networks;
摘要: 基於位置的社群網路（LBSN）近來變得十分流行，這歸功於智慧手機的爆炸式增長，使得用戶可以輕鬆地執行LBSN程序。越來越多使用者在這些平台上與好友分享打卡資訊跟生活點滴。興趣點（POI）推薦系統是LBSN的核心服務，也是最近熱門的研究焦點。目前研究主要是分析用戶的打...

引用     導入Endnote