晶電2021營收的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和整理懶人包

以SOR理論探討影響外送平台之再購意願因素

為了解決晶電2021營收的問題，作者賴欣怡 這樣論述：

隨著網際網路與行動裝置的進步，進而引起大眾消費習性也隨之改變，而外送平台的出現帶給消費者許多的便利性，已經是生活中不可或缺的好幫手，受到新型冠狀病毒的影響，使得外送平台更加蓬勃發展。因此，本研究欲探討哪些因素是影響外送平台使用者持續購買意願之關鍵因素。以S-O-R理論為架構，探討品牌形象、服務品質、體驗價值、成本價值、從眾行為、滿意度、信任與消費者持續使用外送平台購買關係。本研究採用網路問卷對外送平台消費者進行調查，收回有效樣本360份，使用SPSS以及Smart PLS統計軟體進行資料分析，數據分析結果顯示：(1)品牌形象、服務品質、體驗價值對滿意度皆有正向影響。(2)成本價值對滿意度無顯

著影響。(3)從眾行為對信任有正向的影響。(4)滿意度、信任對再購意願皆有正向影響。最後依據研究結果提出相關建議，期望能提供外送平台業者與餐飲業者作為合作開發與改善之參考依據。

運用人工智慧辨識IC及異常數據分析預測

為了解決晶電2021營收的問題，作者傅雙玉 這樣論述：

本研究的目的係運用人工智慧(Artificial Intelligence, AI)中的三種工具，(1)卷積神經網路(Convolutional Neural Network, CNN)中Yolov3即時物件偵測系統、(2)Microsoft Azure Custom Vision自訂視覺，以及(3)懷卡托智能分析系統 (Waikato Environment for Knowledge Analysis, WEKA)，對IC的瑕疵進行訓練及測試，進而尋找及預測出IC發生異常的原因。前2項軟體用於IC的瑕疵辨識，而Weka則是利用各種演算法，對IC異常的數據資料進行訓練、建立模型，然後運用及

測試該模型，以預測出IC發生異常的原因。Yolov3即時物件偵測系統，使用LabelImage工具做圖片標示，然後在Google Colaboratory (簡稱Colab) 的環境進行模型訓練和測試。在Yolov3的訓練模式中，總共上傳608張IC圖片，做了4個階段的迭代次數比較；最後一次迭代次數為16,440，總損失函數為0.0413，平均損失函數則為0.0488；在每階段做完訓練後，各抽樣好與壞的圖片，計算其辨識成功率，在最終辨識結果方面，總平均辨識率已從71% 提高到98%。Microsoft Azure Custom Vision自訂視覺，係使用智慧型Labeler做標示，優點是單一

分類的物品可以整包上傳後只要標示一次，即可訓練及測試這些圖片。本研究的自訂視覺模型的訓練及測試，總共分了6個階段，從張數30張增加到943張的圖片進行階段性比較，其最終辨識結果，AP(average precision)平均精度已自83%提高到98%。在Weka模型訓練及測試中，選取Logistic、Multilayer Perceptron及J48這3種演算法對所收集的IC異常數據進行模型訓練及測試，從而分析及預測IC發生異常的原因和實際數據結果是否相符。本研究分別使用了第1階段32筆、第2階段42筆數據做訓練，建立起訓練模型，Logistic和Multilayer Perceptron演算

法的訓練模型，其分類正確性都是100% 精確，而J48演算法的訓練模型，其正確分類的結果從87.5%提高為90.48%。後繼於建立起的訓練模型，再分2階段投入10筆和5筆的測試資料集進行測試及預測。由取得的預測結果可知，以Logistic 演算法的訓練模型其精確度最高最適合作為本研究的預測。