有名的演算法的問題，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

計算機概論：電腦必學基礎(三版)

為了解決有名的演算法的問題，作者李官陵,羅壽之,彭勝龍 這樣論述：

　　因應資訊科技與半導體技術的快速發展，使得人工智慧科技再次被大眾們重視，小從網際網路的電子商務預測，進而到能因應立即多變路況的電腦自駕車應用，在在顯示計算機科技的重要與代表性。   　　本書編撰以內容淺顯易懂為原則，避免生硬的科技專有名詞，以循序漸進的方式，帶領讀者進入非凡的資訊世界。   　　本書包含十三個章節，從基礎的認識電腦、數字系統與資料處理方式，到應用的網路技術、程式設計與資料庫系統，輔以理論基礎的資料結構、演算法與計算理論及人工智慧。每個章節包含隨堂練習與範例解說，文末提供重點整理與習題問題，讓學習的成效得以顯著。   　　電腦資訊化的處理，就像一位雕刻師傅將不起眼的石頭變成

美麗的藝術品，需要適當的工具與處理的程序。工具是實質的物體，而程序是抽象的觀念。在讚嘆電腦如此厲害的同時，研讀此書就可以了解電腦的過去、現在與未來。

有名的演算法進入發燒排行的影片

針對深度卷積神經網絡的加速器基於NEDA與記憶體交錯

為了解決有名的演算法的問題，作者郭奕賢 這樣論述：

深度學習中的卷積神經網路（CNN）在最近許多應用中普及，從語音識別到影像分類和物件偵測。其中在物件偵測中，YOLO(You only look once)是相當有名的演算法，YOLO卷積神經網路需要大量相乘累加的計算，在edge端，需要設計專門的硬體來加速運算。 CNN為大量的乘法累加運算，在最先進的CNN在單一張影像預測過程中需要數十億到幾十億次的計算量，故非常適合設計高平行度的硬體來處理乘法累加運算。在記憶體上數據移動以支持計算。由於數據移動比計算耗能更多，硬體架構的處理不僅要提供高吞吐量的高平行性，並且還要優化整個CNN系統的數據移動，以實現高效率的資料重複使用。此外，這種優化需要

適應CNN中不同形式及維度的卷積計算。 為了應對這些挑戰，Dataflow的設計十分重要，設計出可以支持高度平行的計算，同時優化記憶體數據移動的能量消耗。利用數據重複使用通過在多級儲存器層次結構中來降低數據移動的成本，並且硬體需要可重新配置以支持不同形式及維度的卷積計算。 為了降低硬體成本，提出了一種類似NEDA的新distributed arithmetic(DA)架構，利用加法器取代乘法器，目的在降低功耗和面積的成本，同時保持數位信號處理（DSP）應用的高速度和準確性。數學分析證明DA可以僅使用加法以二進制補數的形式實現乘法運算，然後在最後再進行資料位移，即可達到加法器取代乘法器之

運算。另外，本篇論文在Convolution後，進行Max-Pooling運算，進而達到降低Bandwidth。最後，本篇論文的最大特色為一個PE在一個clock cycle下，可執行1.78的MAC運算。以上所提出三種方法，為本篇論文較為特別的想法，目前已研究過的論文並無類似相關的想法與技術。使用DA的目的是使用越少的bit數，即可達到較少的clock cycle，未來可依權重bit數的減少，可以達到更少的clock cycle。

Python - 最強入門邁向數據科學之路：王者歸來（全彩印刷第三版）【首刷獨家限量贈品-程式語言濾掛式咖啡包】

為了解決有名的演算法的問題，作者洪錦魁 這樣論述：

Python最強入門 邁向數據科學之路 王者歸來 第3版   　　【首刷獨家限量贈品- Python 濾掛式咖啡包】 　　數量：限量300包 　　咖啡風味：花神+黃金曼特寧 　　研磨刻度：40刻度 　　填充刻度：10g 　　製造/有效日期，18個月   　　★★★★★【33個主題】、【1200個Python實例】★★★★★ 　　★★★★★【1500個重點說明】★★★★★ 　　★★★★★【210個是非題】、【210個選擇題】、【291個實作題】★★★★★ 　　 　　Python語言是基礎科學課程，撰寫這本書時採用下列原則。 　　1：強調Python語法內涵與精神。 　　2：用精彩程式實例解說

。 　　3：科學與人工智慧知識融入內容。 　　4：章節習題引導讀者複習與自我練習。   　　相較於第2版，第3版更加強數據科學與機器學習的內容，與相關模組的操作，同時使用更細緻的實例，增加下列知識：   　　★解說在Google Colab雲端開發環境執行 　　☆解說使用Anaconda Spider環境執行 　　★PEP 8，Python設計風格，易讀易懂 　　☆Python語法精神、效能發揮極致 　　★遞迴函數徹底解說 　　☆f-strings輸出徹底解說 　　★電影院訂位系統 　　☆靜態與動態2D ~ 3D圖表 　　★Numpy數學運算與3D繪圖原理 　　☆Pandas操作CSV和Exc

el 　　★Sympy模組與符號運算 　　☆機器學習、深度學習所需的數學與統計知識 　　★線性迴歸 　　☆機器學習 – scikit-learn 　　★KNN演算法、邏輯迴歸、線性與非線性支援向量機 　　☆決策樹 　　★隨機森林樹 　　☆其他修訂小細節超過100處   　　多次與教育界的朋友相聚，談到電腦語言的發展趨勢，大家一致公認Python已經是當今最重要的電腦語言了，幾乎所有知名公司，例如：Google、Facebook、…等皆已經將此語言列為必備電腦語言。了解許多人想學Python，市面上的書也不少了，但是許多人買了許多書，但是學習Python路上仍感障礙重重，原因是沒有選到好的書籍，

市面上許多書籍的缺點是：   　　◎Python語法講解不完整 　　◎用C、C++、Java觀念撰寫實例 　　◎Python語法的精神與內涵未做說明 　　◎Python進階語法未做解說 　　◎基礎實例太少，沒經驗的讀者無法舉一反三 　　◎模組介紹不足，應用範圍有限   　　許多讀者因此買了一些書，讀完了，好像學會了，但到了網路看專家撰寫的程式往往看不懂。   　　就這樣我決定撰寫一本用豐富、實用、有趣實例完整且深入講解Python語法的入門書籍。其實這本書也是目前市面上講解Python書籍中語法最完整，當讀者學會Python後，本書將逐步帶領讀者邁向數據科學、機器學習之路。Python以簡潔著

名，語法非常活，同時擁有非常多豐富、實用的模組，本書筆者嘗試將Python語法的各種用法用實例解說，同時穿插使用各種模組，以協助讀者未來可以更靈活使用Python，以奠定讀者邁向更高深學習的紮實基礎。   　　本書以約950個程式實例和約250個一般實例，講解紮實的Python語法，同時輔助約210道是非題、210道選擇題與約291道程式實作題。讀者研讀完此書，相信可以學會下列知識：   　　★內容穿插說明PEP 8風格，讀者可由此養成設計符合PEP 8風格的Python程式，這樣撰寫的程式可以方便自己與他人閱讀。 　　☆拋棄C、C++、Java語法思維，將Python語法、精神功能火力全開

　　★人工智慧基礎知識融入章節內容 　　☆從bytes說起、編碼(encode)、解碼(decoding)，到精通串列(list)、元組(tuple)、字典(dict)、集合(set) 　　★完整解說Unicode字符集和utf-8依據Unicode字符集的中文編碼方式 　　☆從小型串列、元組、字典到大型數據資料的建立 　　★生成式(generator)建立Python資料結構，串列(list)、字典(dict)、集合(set) 　　☆經緯度計算地球任2城市之間的距離，學習取得地球任意位置的經緯度 　　★萊布尼茲公式、尼拉卡莎、蒙地卡羅模擬計算圓週率 　　☆徹底解說讀者常混淆的遞迴式呼叫。 　

　★基礎函數觀念，也深入到嵌套、lambda、Decorator等高階應用 　　☆Google有一篇大數據領域著名的論文，MapReduce:Simplified Data Processing on Large Clusters，重要觀念是MapReduce，筆者將對map( )和reduce( )完整解說，更進一步配合lambda觀念解說高階應用 　　★設計與應用自己設計的模組、活用外部模組(module) 　　☆設計加密與解密程式 　　★Python處理文字檔案/二元檔案的輸入與輸出 　　☆檔案壓縮與解壓縮 　　★程式除錯(debug)與異常(exception)處理 　　☆檔案讀寫與目

錄管理 　　★剪貼簿(clipboard)處理 　　☆正則表達式(Regular Expression) 　　★遞廻式觀念與碎形(Fractal) 　　☆影像處理與文字辨識，更進一步說明電腦儲存影像的方法與觀念 　　★認識中文分詞jieba與建立詞雲(wordcloud)設計 　　☆GUI設計 - 實作小算盤 　　★實作動畫與遊戲(電子書呈現) 　　☆Matplotlib中英文靜態與動態2D ~ 3D圖表繪製 　　★說明csv和json檔案 　　☆繪製世界地圖 　　★台灣股市資料擷取與圖表製作 　　☆Python解線性代數 　　★Python解聯立方程式 　　☆Python執行數據分析 　　★

科學計算與數據分析Numpy、Pandas 　　☆網路爬蟲 　　★人工智慧破冰之旅 – KNN演算法 　　☆機器學習 – 線性迴歸 　　★機器學習 – scikit-learn 　　☆KNN演算法、邏輯迴歸、線性與非線性支援向量機 　　★決策樹 　　☆隨機森林樹 　　★完整函數索引，未來可以隨時查閱

絡密碼學在FPGA上有效率的實作

為了解決有名的演算法的問題，作者林怡慧 這樣論述：

由於量子電腦的迅速發展，後量子密碼學變得越來越重要，而絡密碼學是後量子密碼學中重要的演算法之一，所以我們在硬體上以有效率的方式實作了一個在絡密碼學中非常有名的演算法 ──NewHope，在這個演算法中有三個主要的部份，分別是 Key generation、Encapsulation、和 Decapsulation，Key generation 使用了 10956 個 LUTs、9822 個 FFs、18 個 BRAMs 和 16 個 DSPs，Encapsulation 使用了 14171 個 LUTs、14218 個 FFs、20 個 BRAMs 和 16 個 DSPs，Decapsula

tion 使用了 9103 個 LUTs、6997 個 FFs、16 個 BRAMs 和 18 個 DSPs，他們所需要的運算時間分別為 22.144 微秒、36.968 微秒，和 15.176 微秒，而我們面積和時間的乘積大約是 [4] 的 3 倍。