Python 自然語言處理工具與技術應用

– 17 分鐘閱讀

自然語言處理技術已成為許多應用程式不可或缺的一部分，從客戶服務到商業分析，都能看到它的身影。選擇合適的工具和技術對於有效處理和分析文字資料至關重要。本文將深入探討各種 Python 自然語言處理（NLP）工具和技術，並比較它們的優缺點，幫助讀者根據實際需求做出最佳選擇。此外，文章還會介紹如何使用這些工具進行資料預處理、探索性資料分析、文字摘要和主題生成等常見 NLP 任務，並提供 Python 程式碼範例，讓讀者更輕鬆地上手實作。

文字資料標籤工具和框架

文字資料標籤是指將文字資料分類和標記，以便於後續的分析和處理。這是一個非常重要的步驟，因為它可以幫助我們從文字資料中提取出有用的資訊和知識。

文字資料標籤的應用

文字資料標籤有很多實際的應用，例如：

  • 客戶支援票據分類：公司可以使用文字資料標籤來自動分類客戶支援票據，從而提高處理效率和降低成本。
  • 垃圾郵件過濾：郵件提供商可以使用文字資料標籤來過濾掉垃圾郵件，從而提供給使用者一個更乾淨的郵件收件箱。
  • 社交媒體情感分析：品牌可以使用文字資料標籤來分析社交媒體上的評論和帖子，從而瞭解公眾的意見和反饋。
  • 新聞分類：新聞網站可以使用文字資料標籤來自動分類新聞文章，從而幫助讀者找到相關的內容。
  • 簡歷篩選：人力資源部門可以使用文字資料標籤來快速篩選出符合特定工作要求的簡歷，從而加快招聘過程。
  • 醫療檔案分類：醫療組織可以使用文字資料標籤來分類和管理醫療記錄、實驗室報告和病人筆記，從而提高資料檢索和分析的效率。
  • 法律檔案分類：律師事務所可以使用文字資料標籤來分類和管理法律檔案、合同和案件相關的資訊，從而簡化法律研究和案件管理。
  • 金融交易欺詐檢測：金融機構可以使用文字資料標籤來分析交易描述和檢測潛在的欺詐活動，從而提高安全性。
  • 產品評論分析：電子商務平臺可以使用文字資料標籤來分析和了解產品評論，從而提高產品質量和客戶滿意度。
  • 語言識別：社交媒體平臺和翻譯服務可以使用文字資料標籤來自動識別使用者帖子的語言，從而提供準確的語言互動。

文字資料標籤工具和框架

有很多開源工具和框架可以用於文字資料標籤和分析，包括：

  • NLTK（Natural Language Toolkit）：NLTK是一個流行的Python庫，提供了許多文字處理和分析的工具和資源。
  • spaCy：spaCy是一個現代的Python庫，提供了高效和準確的文字處理和分析功能。
  • scikit-learn：scikit-learn是一個流行的Python庫，提供了許多機器學習演算法和工具，包括文字分類和聚類。
  • TensorFlow：TensorFlow是一個流行的深度學習框架，提供了許多工具和資源，包括文字分類和分析。

自然語言處理工具介紹

自然語言處理（NLP）是一個快速發展的領域，涉及到計算機與人類語言之間的互動。為了實作這種互動，開發者需要使用到各種NLP工具和庫。以下將介紹幾個常用的NLP工具，包括NLTK、spaCy、scikit-learn和TextBlob。

NLTK

NLTK是一個全面的NLP庫，提供了一系列的工具和資源，包括分詞、詞幹提取、標記、解析等。它的優點在於其豐富的工具集和活躍的社群支援，非常適合教育目的和研究專案。然而，NLTK的一些元件可能不適合大規模的工業應用，同時對於初學者來說可能有較陡峭的學習曲線。

spaCy

spaCy是一個快速高效的NLP庫，設計用於生產環境。它提供了預訓練的模型，支援多種語言，並且具有強大的分詞、命名實體識別和依存句法分析能力。spaCy的API使用簡單，易於使用，但相比NLTK，它在教育資源方面的支援稍微不足，同時對某些語言的支援也有限。

scikit-learn

scikit-learn是一個通用的機器學習庫，具有優秀的文字處理能力。它易於與其他scikit-learn模組整合，進行特徵提取和模型訓練。雖然scikit-learn可能不具備某些NLP任務的專用工具，但它在機器學習社群中被廣泛使用和文件化。然而，它對深度學習模型的支援有限。

TextBlob

TextBlob是一個簡單的API，提供了常見的NLP任務，如詞性標記、名詞短語提取和情感分析。它的優點在於其簡單易用，但相比其他庫，它的功能可能不夠全面。

比較和選擇

選擇合適的NLP工具取決於具體的專案需求和開發者的經驗水平。對於初學者，NLTK和TextBlob可能是良好的起點，因為它們提供了豐富的教育資源和簡單的API。對於需要高效生產環境的開發者，spaCy可能是更好的選擇。同時，scikit-learn提供了強大的機器學習能力，可以與其他NLP庫結合使用。

最終，選擇合適的NLP工具需要考慮專案的具體需求、開發者的經驗水平以及工具的易用性和效率。透過選擇合適的工具，開發者可以更好地實作NLP任務，提高開發效率和專案質量。

自然語言處理庫選擇

在進行自然語言處理（NLP）任務時，選擇合適的庫是非常重要的。以下是幾個流行的NLP庫的介紹和比較。

NLTK

NLTK是一個根據Python的NLP庫，提供了許多工具和資源，包括文書處理、分詞、命名實體識別等。NLTK是一個很好的入門庫，適合初學者使用。它提供了簡單的API，讓使用者可以快速地開始進行NLP任務。

然而，NLTK的自訂化選項相比於其他庫來說較少，可能不適合大規模的應用。另外，NLTK的效能可能不如其他庫，特別是在處理大型文字資料時。

Gensim

Gensim是一個根據Python的NLP庫，專注於主題模型、文件相似度和向量空間模型。Gensim提供了高效的演算法實作，例如Word2Vec。它適合於大型文字資料和文件相似度任務。

然而，Gensim的通用性不如其他庫，可能不適合一般的NLP任務。另外，Gensim的部分高階NLP功能支援有限。

Transformers（Hugging Face）

Transformers是一個根據Python的NLP庫，提供了預訓練模型的介面，包括BERT、GPT等。Transformers提供了簡單的API，讓使用者可以輕鬆地整合最先進的模型。它的社群支援也非常好。

然而，Transformers對於計算資源的需求很高，特別是在微調大型模型時。另外，Transformers可能不適合初學者使用，因為它的使用方式可能不夠直觀。

Stanford CoreNLP

Stanford CoreNLP是一個根據Java的NLP庫，提供了許多高階NLP功能，包括部分語言分析、命名實體識別等。Stanford CoreNLP是一個很強大的庫，但它的使用方式可能不夠簡單。

內容解密：

在選擇NLP庫時，需要考慮以下幾個因素：

  • 任務需求：不同的庫適合不同的任務，例如文字分類、命名實體識別等。
  • 使用者水平：初學者可能需要一個簡單易用的庫，例如NLTK。
  • 效能需求：大型文字資料可能需要一個高效的庫，例如Gensim。
  • 社群支援：一個好的庫應該有良好的社群支援，例如Transformers。

圖表翻譯：

  graph LR
    A[NLP任務] --> B[選擇庫]
    B --> C[NLTK]
    B --> D[Gensim]
    B --> E[Transformers]
    B --> F[Stanford CoreNLP]
    C --> G[初學者]
    D --> H[大型文字資料]
    E --> I[最先進模型]
    F --> J[高階NLP功能]

在這個圖表中，NLP任務是起點，選擇庫是下一步。不同的庫適合不同的需求，例如NLTK適合初學者，Gensim適合大型文字資料等。

自然語言處理（NLP）工具與技術

自然語言處理（NLP）是一個快速發展的領域，涵蓋了從語言模型到文字分析的各種技術。在這個章節中，我們將探討一些流行的NLP工具和技術，包括其優點和缺點。

NLP工具比較

表7.1列出了幾個流行的NLP工具，包括其優點和缺點。例如，Java基礎的NLP工具提供了強大的功能，但可能需要更多的資源。另一方面，Flair提供了最先進的NLP模型和嵌入，但可能需要更多的學習曲線。

OpenAI的生成式預訓練轉換器（GPT）

OpenAI的GPT是一個最先進的語言模型，使用了轉換器架構。它在大量多樣化的資料上進行了預訓練，可以為特定任務進行微調。GPT以其生成連貫和上下文相關的文字而聞名，使其成為各種NLP應用的強大工具。

轉換器架構

轉換器架構由玄貓等人在論文《Attention is All You Need》中引入，革新了NLP領域。它使用自注意力機制來捕捉序列中詞彙之間的上下文關係，從而實作平行化和可擴充套件性。轉換器已成為許多先進語言模型的基礎，包括GPT和BERT。

探索性資料分析（EDA）

探索性資料分析是任何資料科學專案的重要步驟。對於文字資料，EDA可以幫助我們瞭解資料的結構和特徵，識別潛在問題或不一致性，並告知我們的資料預處理和建模技術選擇。在本文中，我們將概述對文字資料進行EDA的步驟。

載入資料

EDA的第一步是將文字資料載入我們的環境中。文字資料可以以多種格式存在，包括純文字檔案、CSV檔案或資料庫表格。一旦我們載入了資料，就可以開始探索其結構和內容。

資料理解

EDA的下一步是瞭解資料。對於文字資料，這可能涉及檢查資料集的大小、文件或樣本的數量以及文字的整體結構（例如，是否為結構化或非結構化）。我們可以使用描述性統計來深入瞭解資料，例如文字長度的分佈或某些詞彙或短語的頻率。

資料清理和預處理

在瞭解資料之後，EDA的下一步是清理和預處理文字資料。這可能涉及多個步驟，例如刪除標點符號和停用詞，詞幹還原或詞彙化，以及將文字轉換為小寫。清理和預處理資料對於準備資料進行建模和確保我們使用高質量資料至關重要。

探索文字內容

一旦我們清理和預處理了資料，就可以開始探索文字內容本身。這可能涉及檢查最常見的詞彙或短語，識別文字中的模式或主題，並使用技術（例如詞彙雲或頻率直方圖）來視覺化資料。我們還可以使用NLP技術從文字中提取特徵，例如命名實體、詞性標籤或情感評分。

分析文字和其他變數之間的關係

在某些情況下，我們可能想要探索文字資料和其他變數（例如人口統計或行為資料）之間的關係。例如，我們可能想要檢查電影評論的情感是否因玄貓而異，或者社交媒體帖子的主題是否因玄貓而異。這種分析可以幫助我們更深入地瞭解文字資料，並告知我們的建模方法。

文字探索性資料分析

文字探索性資料分析（Exploratory Data Analysis，EDA）是任何文字資料專案的關鍵步驟。透過清洗和預處理文字資料，探索文字內容，分析文字與其他變數之間的關係，並視覺化結果，我們可以深入瞭解文字資料並為建模方法提供依據。

文字資料集的EDA

以下是使用Python對文字資料集進行EDA的示例程式碼。我們將使用NLTK庫中的Gutenberg資料集，該資料集包含超過60,000本電子書。

import nltk
import string
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 下載Gutenberg資料集
nltk.download('gutenberg')

# 載入文字資料
data = []
for file_id in nltk.corpus.gutenberg.fileids():
    document = ' '.join(nltk.corpus.gutenberg.words(file_id))
    data.append(document)

# 將資料轉換為Pandas DataFrame
df = pd.DataFrame(data, columns=['text'])

# 檢視資料的前幾行
print(df.head())

# 檢視資料集的大小
print("資料集大小:", df.shape)

# 檢視每個文件的長度
print(df['text'].apply(len))

資料視覺化

最終，我們可以使用各種技術將EDA的結果進行視覺化，例如字雲、條形圖、散點圖或熱力圖。視覺化是與利益相關者溝通見解和發現的重要工具，可以幫助我們在資料中識別出可能不立即從原始文字中顯示出的模式和關係。

內容解密：

上述程式碼使用NLTK庫下載Gutenberg資料集，然後將其轉換為Pandas DataFrame。接著，我們檢視資料的前幾行，檢視資料集的大小，然後檢視每個文件的長度。這些步驟有助於我們瞭解資料的基本特徵。

圖表翻譯：

以下是使用Seaborn庫建立的熱力圖，展示了文字資料集的相關性：

  flowchart TD
    A[文字資料集] --> B[相關性分析]
    B --> C[熱力圖]
    C --> D[視覺化結果]

這個熱力圖可以幫助我們識別出文本資料集中的模式和關係，例如哪些詞彙之間的相關性最高。這些見解可以用於改善我們的建模方法和提高模型的效能。

文字分析中的資料預處理

在進行文字分析時，瞭解文字資料的特性和分佈是非常重要的。為了達到這個目的，我們可以使用資料視覺化的方法來觀察文字的長度分佈。

首先，我們可以計算每個文字的長度，並使用直方圖來視覺化這些長度的分佈。這可以幫助我們瞭解文字資料的基本特性。

import matplotlib.pyplot as plt
import seaborn as sns

# 計算文字長度
df['text_length'] = df['text'].apply(len)

# 繪製直方圖
plt.figure(figsize=(8, 6))
sns.histplot(df['text_length'], bins=50, color='blue')
plt.title('文字長度分佈')
plt.xlabel('文字長度')
plt.ylabel('次數')
plt.show()

接下來，為了進一步分析文字的內容，我們需要移除一些不重要的元素，例如標點符號和停用詞（stopwords）。停用詞是那些在文字中出現頻率很高，但對於文字的意義不太重要的詞彙，例如「the」、「and」等。

import string
from nltk.corpus import stopwords

# 移除標點符號
def remove_punctuation(text):
    return text.translate(str.maketrans('', '', string.punctuation))

# 移除停用詞
stopwords_list = set(stopwords.words('english'))
def remove_stopwords(text):
    return " ".join([word for word in text.split() if word.lower() not in stopwords_list])

# 應用這些函式到資料框
df['text_clean'] = df['text'].apply(remove_punctuation)
df['text_clean'] = df['text_clean'].apply(remove_stopwords)

最後，為了了解文字中每個詞彙的頻率，我們可以使用value_counts函式來計算每個詞彙的出現次數，並繪製一個條形圖來視覺化這些頻率。

# 計算詞彙頻率
word_freq = df['text_clean'].str.split().explode().value_counts()

# 繪製條形圖
plt.figure(figsize=(10, 6))
sns.countplot(x=word_freq.index[:10], data=word_freq)
plt.title('最常見的10個詞彙')
plt.xlabel('詞彙')
plt.ylabel('次數')
plt.show()

這些步驟可以幫助我們更好地瞭解文字資料的特性和分佈，為進一步的文字分析提供基礎。

文字資料視覺化和標籤

在文字資料分析中，資料視覺化是一個非常重要的步驟。透過視覺化工具，我們可以更好地瞭解資料的分佈、模式和相關性。下面是一個使用 Python 和 Matplotlib 將文字資料中的最常見詞彙進行視覺化的例子：

import matplotlib.pyplot as plt

# 假設 word_freq 是一個包含詞彙頻率的 DataFrame
word_freq[:20].plot(kind='bar', color='blue')
plt.title('最常見詞彙')
plt.xlabel('詞彙')
plt.ylabel('頻率')
plt.show()

這個例子會生成一個條形圖，顯示出文本資料中最常見的 20 個詞彙及其對應的頻率。

生成式 AI 和 OpenAI

生成式 AI 是一種人工智慧技術，旨在訓練模型生成新的內容或資料，根據現有資料中的模式和資訊。OpenAI 是一家著名的組織，開發和釋出了強大的生成式模型，適用於各種自然語言處理任務。其中一個著名的模型是 GPT（生成式預訓練轉換器），包括 GPT-3、GPT-3.5 和 GPT-4。

GPT 模型透過預訓練在多樣化的資料集上，從而在各種自然語言理解和生成任務中表現出色。這些模型具有零次學習能力，可以在沒有明確訓練的情況下進行預測或生成內容。

文字分類和標籤

OpenAI 的 GPT 模型可以用於文字分類任務，包括情感分析、主題分類等。這些模型可以透過自然語言指令或其他方法生成標籤資料。

OpenAI API

OpenAI API 是一個服務，提供了將 OpenAI 的語言能力整合到各種應用程式中的途徑。透過這個 API，開發者可以使用 OpenAI 的模型進行文字生成、分類等任務。

優點和缺點

OpenAI 的 GPT 模型具有以下優點：

  • 多功能性：GPT 模型可以適用於各種文字相關任務，包括資料標籤和分類。
  • 大規模性：這些模型是在大量資料上進行訓練的，從而能夠捕捉自然語言中複雜的模式和細微差別。

但是，GPT 模型也有一些缺點：

  • 解釋性：生成的內容可能缺乏解釋性，使得理解模型的決策過程變得困難。
  • 資源密集性：訓練和使用大型生成模型（如 GPT-4）可能需要大量的計算資源。

自然語言處理中的文字摘要

文字摘要是一種重要的自然語言處理（NLP）任務，涉及將一篇文章或文字的主要內容和想法進行濃縮和提煉。這項技術在現代資訊時代中扮演著關鍵角色，因為它能夠幫助使用者快速掌握大量文字的主要內容和要點。

Azure OpenAI 和 Python 的應用

Azure OpenAI 是一種根據雲端的 AI 平臺，提供了一系列的 NLP 工具和模型，包括 GPT-3.5-turbo 等。使用 Python 進行 Azure OpenAI 的開發，可以實作多種 NLP 任務，包括文字摘要、文字分類、語言翻譯等。

文字摘要的實作

以下是一個使用 Azure OpenAI 和 Python 實作文字摘要的例子：

import os
import openai

# 設定 Azure OpenAI 的 API 金鑰和端點
openai.api_key = os.getenv("AZURE_OPENAI_KEY")
openai.api_base = os.getenv("AZURE_OPENAI_ENDPOINT")

# 設定模型部署名稱
model_deployment_name = "your_azure_openai_model_name"

# 設定輸入文字
text = "create a summary of below text and provide main idea.\n\n Dachepalli is popular town in palnadu district in Andhra pradesh, India.I love dachepalli because i born and brought up at Dachepalli. I studied at Dachepalli zph school and got school first and my name was written on school toppers board at high school.My father worked in the same high school as hindi pandit for 20 years.The famous palnadu battle has took place near Naguleru river of Karempudi which flows across Dachepalli.It has lime mines and number of cement factories around Dachepalli.The Nadikudi railway junction connect Dachepalli to Hyderbad and Guntur. being born in Dachepalli and studied at Dachepalli high school, I love Dachepalli."

# 設定模型引數
engine = model_deployment_name
prompt = text
temperature = 0
max_tokens = 118
top_p = 1
frequency_penalty = 0
presence_penalty = 0
stop = None

# 執行模型
response = openai.Completion.create(
    engine=engine,
    prompt=prompt,
    temperature=temperature,
    max_tokens=max_tokens,
    top_p=top_p,
    frequency_penalty=frequency_penalty,
    presence_penalty=presence_penalty,
    stop=stop
)

# 輸出摘要
print("Generated summary:", response.choices[0].text.strip())

這個例子使用 Azure OpenAI 的 GPT-3.5-turbo 模型進行文字摘要，輸入文字是一篇關於 Dachepalli 的描述，模型輸出了一個簡短的摘要，提煉了主要的內容和想法。

主題生成

除了文字摘要，Azure OpenAI 還可以用於主題生成。主題生成是一種 NLP 任務，涉及根據輸入文字生成相關的主題或標題。以下是一個使用 Azure OpenAI 和 Python 實作主題生成的例子：

# 設定輸入文字
news_headline = "Label the following news headline into 1 of the following categories: Business, Tech, Politics, Sport, Entertainment\n\n Headline 1: Trump is ready to contest in nov 2024 elections\nCategory:"

# 設定模型引數
engine = model_deployment_name
prompt = news_headline
temperature = 0
max_tokens = 118
top_p = 1
frequency_penalty = 0
presence_penalty = 0
stop = None

# 執行模型
response = openai.Completion.create(
    engine=engine,
    prompt=prompt,
    temperature=temperature,
    max_tokens=max_tokens,
    top_p=top_p,
    frequency_penalty=frequency_penalty,
    presence_penalty=presence_penalty,
    stop=stop
)

# 輸出主題
index_of_newline = response.choices[0].text.find('\n')
print('category:', response.choices[0].text[:index_of_newline])

這個例子使用 Azure OpenAI 的 GPT-3.5-turbo 模型進行主題生成，輸入文字是一個新聞標題，模型輸出了一個相關的主題或標題。

Order Status 分類系統

系統介紹

本系統旨在協助客戶訂單支援，根據客戶的查詢，將其分類為主要和次要類別。主要類別包括訂單狀態、產品查詢、運輸和交貨、付款協助等。次要類別則根據主要類別的不同而有所不同。

分類過程

  1. 訂單狀態：當客戶查詢與訂單狀態相關的問題時，系統會將其分類為訂單狀態的主要類別。次要類別可能包括追蹤資訊、訂單確認、訂單修改或取消、退款狀態等。
  2. 產品查詢：當客戶查詢與產品相關的問題時，系統會將其分類為產品查詢的主要類別。次要類別可能包括產品可用性、尺寸和顏色選項、產品規格、退貨和換貨政策等。
  3. 運輸和交貨：當客戶查詢與運輸和交貨相關的問題時，系統會將其分類為運輸和交貨的主要類別。次要類別可能包括交貨時間框架、運輸方法、地址變更、丟失或延遲的運送等。
  4. 付款協助：當客戶查詢與付款相關的問題時，系統會將其分類為付款協助的主要類別。次要類別可能包括付款確認、退款流程、付款錯誤、賬單查詢等。

實際應用

系統使用 OpenAI 的 ChatCompletion API 來生成響應，根據客戶的查詢，提供適當的主要和次要類別。例如，當客戶查詢「I want to cancel my order」時，系統會將其分類為訂單狀態的主要類別，次要類別為訂單修改或取消。

實作細節

import openai

# 定義系統訊息
system_message = """
Welcome to Customer Order Support!
...
"""

# 定義使用者訊息
user_message = "I want to cancel my order"

# 建立 OpenAI ChatCompletion 物件
response = openai.ChatCompletion.create(
    engine="deployment_name",
    messages=[
        {"role": "system", "content": system_message},
        {"role": "user", "content": f"{delimiter}{user_message}{delimiter}"}
    ],
    temperature=0,
    max_tokens=60,
    top_p=1,
    frequency_penalty=0,
    presence_penalty=0,
    stop=None
)

# 列印響應內容
print(response['choices'][0]['message']['content'])

結果

{
    "primary": "Order Status",
    "secondary": "Order Modification or Cancellation"
}

實體抽取

系統也可以用於實體抽取，例如從文字中抽取人名、組織名稱、地理位置和聯絡號碼等實體。使用 OpenAI 的 API，可以生成包含抽取實體的響應，例如：

engine="gpt3.5 deployment name",
prompt = "Identify the individual's name, organization, geographical location, and contact number in the following text.\n\nHello. I'm Sarah Johnson, and I'm reaching out on behalf of XYZ Tech Solutions based in Austin, Texas. Our team believes that our innovative products could greatly benefit your business. Please feel free to contact me at (555) 123-4567 at your convenience, and we can discuss how our solutions align with your needs.",
temperature=0.2,
max_tokens=150,
top_p=1,
frequency_penalty=0,
presence_penalty=0,
stop=None)

這個例子展示瞭如何使用 OpenAI 的 API 來抽取實體，例如人名、組織名稱、地理位置和聯絡號碼等。

解析JSON物件並提取所需資訊

首先，我們需要了解JSON物件的結構，以便正確地提取所需的資訊。在這個例子中，JSON物件包含了一個名為text的鍵，其值是一個字串，包含了我們需要的資訊，包括姓名、組織、地理位置和聯絡號碼。

從技術架構視角來看，本文涵蓋了廣泛的文字資料處理技術，從基本的標籤工具到進階的生成式AI模型，以及如何應用於實際場景例如訂單狀態分類系統和實體抽取。文章深入淺出地介紹了NLTK、spaCy、scikit-learn、Gensim、Transformers 和 Stanford CoreNLP 等多種工具，並分析了它們的優缺點和適用場景，展現了技術選型的多維比較分析。然而，文章缺乏對不同工具在特定任務上的效能基準測試和比較，這對於實際應用中的技術選型至關重要。 展望未來，隨著深度學習技術的持續發展，預計會有更多功能更強大、效能更高的NLP工具和預訓練模型出現，進一步降低文字資料處理的門檻，並推動更多創新應用場景的出現。對於企業而言，如何有效整合這些新技術，並將其應用於提升業務效率和客戶體驗，將是未來重要的課題。 玄貓認為，持續關注技術發展趨勢，並積極探索新的應用可能性，才能在快速變化的技術環境中保持競爭力。

玄貓

玄貓

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。