NBA playoffs tree的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

基於時序模型和圖神經網路之NBA季後賽勝負預測

為了解決NBA playoffs tree的問題，作者錢寧 這樣論述：

近年預測比賽勝負的研究大多有兩點問題，一是以賽後數據做為預測，也就是以比賽已經結束所記錄下的數據來預測該場比賽結果。這樣的做法並不符合真實世界的情況，因為不可能在賽前就得知該場比賽的數據，因此造成準確率失真；二是以球隊的平均數值表現進行分析和預測，這樣的作法並沒有考慮到個別球員在比賽中做出的貢獻，造成許多個別球員表現並未被充分利用，例如：球員個人的得分、失誤、犯規等…。除此之外，對於數據預測的方式多採取傳統的計算方式，例如：直接將前三場的球隊得分算平均，當作第四場的得分，這樣的作法並未考量到數據之間的相關性，造成預測的數據不精準。本論文提出基於時序模型與圖神經網路，以預測出季後賽的勝負，首先

，我們以球員當作點(nodes)，並以時序模型預測之球員表現當作點特徵(node features)，根據其在球隊上的位置關係建邊(edges)形成一張圖(graph)。其次，利用本論文所提出的圖神經網路架構進行預測，其中GAT的注意力機制(attention)將會選取圖中重要的點並計算出點表達式(node representation)，經由GCN做卷積(convolution)得出特徵向量後，再透過全連結層(fully connected)將點表達式轉換成圖表達式(graph representation)，以進行最後的勝負預測。本論文以美國職籃(National Basketball A

ssociation, NBA)2020-2021球季的資料進行實驗，傳統以三場平均(3-game-average)計算出數據並透過ANN預測，準確率為59.5%，而透過本論文所提方法進行預測的準確率達到76.9%，顯示本架構能夠有效預測比賽的勝負。

運用文字探勘探究致股東報告書影響企業價值之因素:以台積電公司為例

為了解決NBA playoffs tree的問題，作者蘇筱涵 這樣論述：

近年來人工智慧發展快速，相關技術已逐漸融入人類日常生活，在多數的財務會計研究中，多用於分析結構化財務資訊對於企業營運績效的影響，而鮮少探討半結構或非結構文字資訊對於企業價值的影響。因此本研究目的為運用文字探勘分析年報中的非結構文字資訊，找出影響企業價值的關鍵因素。本研究以台積電2015年至2019年報為資料來源，探討IFRS導入後，年報中的致股東報告書之內容對於企業價值有關的隱含資訊，最後再以社會網絡圖呈現視覺化結果。本研究首先利用群集分析法找出各群中的關鍵詞彙，並以Tobin’s Q作為機器學習預測企業價值的分析依據。研究結果顯示致股東報告書的關鍵詞彙著重於財務表現與技術發展兩個概念，顯示

台積電年報揭露的財務與技術的文字內容與企業價值相關。其次，在機器學習中，選用之演算法為決策樹、天真貝氏，以及類神經網絡進行分析，根據預測準確度來看，以天真貝氏與類神經網絡的分析結果最佳，皆達到80%的準確率。而在詞彙情感分析之結果，所呈現之文字內容以正面情感文字居多，表示致股東報告書內容多為正向資訊，其企業未來走向是具有良好的營運規劃。