如何 學習演算法的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

AI策略|人與企業的數位轉型

為了解決如何 學習演算法的問題，作者AlexCastrounis 這樣論述：

　　創造更好的體驗和商業成功架構    　　「對於有興趣了解AI並開啟其優勢的企業領導層和管理者來說，這是一本必讀之書。Alex Castrounis簡化了複雜的主題，以便任何人都可以開始在其組織內運用AI。」 —Dan Park Uber總經理兼執行長    　　「Alex Castrounis一直站在幫助組織理解AI前景並利用其優勢的最前沿，同時避免了許多可能破壞成功的陷阱。在這本必讀的書中，他向我們分享了他的專業知識。」 —Dean Wampler博士 Fast Data Engineering副總    　　如果你是高階經理人、管理者或任何對在組織內運用AI感興趣的人，這本書就是你

的指南。你將了解AI是什麼、學習如何識別AI機會，並發展和執行成功的AI願景和策略。Alex Castrounis是企業顧問、前IndyCar工程師和競賽策略師，他檢視了AI的價值，並向你展示如何發展出對人和企業都有益的AI願景和策略。    　　AI是令人興奮、強大且改變遊戲規則的；但太多AI提案以失敗告終。在本書中，你將探索實施AI提案的風險、注意事項、權衡和限制。你將得知透過好的AI解決方案和以人為中心的產品，如何能創造出更好的人類體驗和更成功的企業。    　　‧使用本書的AIPB架構，透過AI進行端到端的、目標驅動的創新和價值創造  　　‧為利害關係者(包括企業、客戶和使用者)定義出

與目標一致的AI願景和策略  　　‧透過關注科學創新和AI準備度和成熟度等概念，成功運用AI  　　‧了解企業領導層對於追求AI提案的重要性

如何 學習演算法進入發燒排行的影片

以機器學習模型結合市場資訊之價格預測系統 - 以半導體市場為例

為了解決如何 學習演算法的問題，作者許子敬 這樣論述：

定價策略在商業業務管理中扮演極重要的角色，越來越多的企業渴望更快速地做出最符合市場的決策，而隨著人工智慧與機器學習風潮興起，業界開始關注如何運用人工智慧與機器學習建立準確且自動化的價格預測系統。價格的波動性，在市場交易面上格外被大家重視，價格變動性相對大的產業在價格的制訂上勢必得格外謹慎，而半導體產業則屬於價格波動性相對大的產業。在半導體產業中，各家公司的定價策略就顯得十分之重要，本研究以記憶體價格為例。本研究之目的是透過機器學習演算法，開發更精準的自動化價格預測模型，而本研究提出之模型主要是運用一種機器學習模型―多層感知機（MLP Model）來進行模型的訓練，並加入十個產品共160天的歷

史價格、四個具指標性之股市資訊、以及半導體產業相關新聞三個面向市場資訊，藉此建置四個價格修正模型來改善預測結果。機器學習訓練出合適的模型特徵和調整最佳參數，透過本研究提出之修正模型，達到修正時間序列SMA模型的效果，提供更精準的價格預測，以執行更符合市場的訂價策略。從研究結果發現，對於DRAM產品線，模型一的模型修正成功率平均為57.04%；模型二的模型修正成功率平均為50.37%；模型三的模型修正成功率平均為50.37%；模型四的模型修正成功率平均為55.56%。而NAND Flash產品線，模型一的模型修正成功率平均為8.15%；模型二的模型修正成功率平均為6.67%；模型三的模型修正成功

率平均為7.41%；模型四的模型修正成功率平均為8.15%。整體而言，模型修正成功率越高，MAPE下降率也會越大。針對價格波動性較大的階段，研究結果不僅表明機器學習模型可做到記憶體的價格預測，且透過加入多種類型的市場資訊，將更能夠改善價格預測的精準度，可以提供定價策略的決策者一個準確且客觀的參考。

財經時間序列預測：使用R的計量與機器學習方法

為了解決如何 學習演算法的問題，作者何宗武 這樣論述：

　　本書為進階的教材，需要經濟計量方法和矩陣代數的基礎。時間序列預測是統計學裡非常實用的工具，不論是分析投資組合的數據、全球總經和金融市場，以及預測景氣循環變動等等，可以用過去的數據資料，預測未來趨勢，是可以符合實際決策需要的實用能力。   　　書中並介紹機器學習方法，機器學習不是指特定估計方法，學習指的是如何在資料結構中運算，以追蹤最小預測誤差的方法獲得最佳預測(tuning)。我們應用機器學習演算法訓練歷史資料，執行特徵萃取(features extraction)，再測試預測表現。依此建立一個可預測未來的模型，作為決策之用。   　　使用R語言進行時間序列預測是本書的一大特點，R語言

是統計學中普及且容易上手的分析工具，書中針對一個個資料分析步驟進行深度解說，教給讀者進行預測與評估的最實用方法。

深度量化編碼網路

為了解決如何 學習演算法的問題，作者蔣秉叡 這樣論述：

物件辨識技術能有效節省辨識所需要的人力與薪資成本, 故吸引不少科學家對其投入研究, 而紋理是物件的重要特徵, 故不少研究物件辨識的科學家會在專門對其投入研究。早期的科學家是研究如何使用機器學習演算法來辨識紋理特徵, 但是當辨識的紋理特徵物件不是在同幾種設定好的光源種類, 同幾種設定好的光源角度, 同幾種設定好的拍攝距離, 同幾種設定好的拍攝角度下產生時, 其機器學習演算法就無法獲得良好的辨識結果, 因此科學家也開始研究如何使用深度學習演算法來辨識這種類型的紋理特徵物件, 而因為深度學習演算法需要儲存大量的卷積層權重與輸入以及執行大量的前向傳導計算, 後向傳導計算與權重更迭計算, 故往往需要儲

存空間極大的記憶體以及運算力極強儲存空間極大的處理器才能執行其演算法, 而因為常見的邊緣裝置往往沒有配置這樣的處理器與記憶體, 故科學家也開始研究如何能減少深度學習演算法所需要儲存的權重與輸入以減少需要儲存的變量與需要執行的計算量, 而本篇論文改善了深度學習在紋理辨識應用的缺點, 即其運算量大與容量需求高的缺點, 並在改善此缺點的情況下還能保有與其誤差0.5%以下的辨識正確率。