演算法生活應用的問題，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

電腦&程式設計知識圖鑑：0基礎也好懂!科技素養與邏輯力躍進的第一步!

為了解決演算法生活應用的問題，作者石戶奈奈子 這樣論述：

符合108課綱理念與目標！ AI時代不可不知的知識！ 認識生活周遭的科技，激發好奇心， 自然養成觀察與體驗日常生活中的需求或問題的習慣， 同步提升探索、創造性思考、邏輯與運算思維！   AI是什麼？究竟什麼是程式設計？ 程式語言有何區別？ 最輕鬆、易懂的電腦＆程式設計圖鑑！   　　咦？！ 　　硬體、軟體與程式設計的必備要素 　　都變成了可愛、生動的角色！ 　　這些既熟悉又陌生的角色，你都認識嗎？ 　　超級電腦──透過複雜的計算來支撐社會！ 　　硬碟＆SSD──什麼都記得住的記憶專家 　　編譯器──負責聯繫電腦與人類的翻譯家！ 　　程式錯誤──害程式異常的搗蛋鬼！ 　　Python──以程

式庫為傲的AI教練 　　……精彩圖解超好懂！功能、使用情境一目瞭然！   　　歡迎來到電腦的世界！ 　　平板電腦／智慧型手機／超級電腦／CPU／RAM／ROM／主機板／硬碟／SSD…… 　　除了基本資料、特長與實際應用範例，還有豐富的知識補充， 　　電腦有哪些周邊產品？內部構造長怎樣？電腦與AI的關係是什麼？ 　　將介紹電腦的類型、零件及其功能，從今天開始你也是電腦知識王！   　　我們的生活中充滿著程式設計？ 　　沒有程式下達指令，就無法驅動電腦！ 　　什麼是程式設計？程式設計有什麼用途？程式又是如何編寫的？ 　　當程式出現錯誤會發生什麼狀況？ 　　介紹程式的基本思維，清楚易懂的流程結構說明

， 　　原來程式設計這麼有趣！   　　電腦之間有共通語言嗎？ 　　C語言？Java？Python？ 　　這些好像看過、卻從不了解的名詞代表著什麼？ 　　用0和1就可以表達資訊？！程式語言有哪些？要怎麼學？ 　　介紹人類語言與機械語言之間的差異， 　　結合彼此的智慧就能創造無限的可能性！ 　　 好評推薦   　　★臺北市日新國小校長／臺北市國小資訊教育輔導團‧召集人 林裕勝 　　★Coding魔法學院創辦人 蔡淑玲 　　★新竹市建華國中教師‧暢銷作家 謝宗翔（KK老師） 　　（依姓氏筆畫順序排列）

演算法生活應用進入發燒排行的影片

以卷積神經網路優化5G時代下智慧家庭的服務流量分類

為了解決演算法生活應用的問題，作者蔡宗諺 這樣論述：

近年來，隨著物聯網及人工智慧技術的迅速發展與進步，愈來愈多業者將住宅結合新興科技打造智慧家庭，以提升住戶的生活品質。因此在未來的智慧家庭中，許多類似5G三大應用場景特性的服務將應用於不同種類的智慧裝置，智慧家庭的整體網路流量必然大量增加，使智慧家庭中的網路流量管理成為值得深入探討的議題。由於5G時代的網路流量大幅增加與網路加密技術的廣泛使用，無法輕易從大多數網路應用服務中解密流量取得資訊，更無法透過傳統的網路流量分類方法將各類服務流量進行分類，加以發送到對應的應用類別進行管理。為改善上述問題，本論文以網路服務商(ISP)管理數以萬計的物聯網智慧家庭為情境，針對智慧家庭中多樣化的智慧裝置，利用

可以解決複雜分類問題的深度學習技術，優化ISP業者對智慧家庭的網路封包分類的精準度。本論文藉由軟體定義網路技術模擬多租戶的智慧家庭環境，依據3GPP LTE QoS Class Identifier (QCI)表，篩選出適用於未來智慧家庭類別的服務，模擬不同類別的智慧家庭服務流量，並利用卷積神經網路對網路流量進行分類。透過本論文，ISP業者能依分類好的服務類別，設定頻寬比例並配置到對應的服務類別，達到有效提升QoS及使用者QoE的目的。實驗結果顯示，CNN模型對智慧家庭模擬流量的分類精準度，透過調整後的參數組合與設定大小為1500 bytes的Payload輸入，能有最佳的分類準確率86.5%

，相較一般神經網路模型準確率提升了6.5%。

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決演算法生活應用的問題，作者李金洪 這樣論述：

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。   　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。   　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 　　〇 在非結構化領域，GNN 可以用在圖

型和文字等領域。 　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。   　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！   　　〇 使用 Graph 概念取代傳統的歐氏空間神經元 　　〇 最好用的 PyTorch + Anaconda + Jupyter 　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 　　〇 了解基礎的啟動函數、損失函數、L1/

L2、交叉熵、Softmax 等概念 　　〇 NLP 使用神經網路處理 + 多頭注意力機制 　　〇 Few-shot/Zero-shot 的神經網路設計 　　〇 空間域的使用，使用 DGL、Networkx 　　〇 利用 GNN 進行論文分類   本書特色   　　～GNN 最強入門參考書～ 　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感 　　● 理論和程式結合，便於讀者學以致用 　　● 知識系統，逐層遞進 　　● 內容貼近技術趨勢 　　● 圖文結合，化繁為簡 　　● 在基礎原理之上，注重通用規律 　

神經網路模型於金門空氣品質PM2.5 預測

為了解決演算法生活應用的問題，作者黃靖涵 這樣論述：

鑒於近年來全球工業產業蓬勃發展，各產業在環境保護及永續發展等意識越來越重視，並且政府在針對造成空氣品質污染的管控也相對要求，在這全球化的現今，不論身在這世界的哪一個地方，都希望能夠維持良好空氣品質的生活環境。金門地區造成空氣品質不良的原因，主要為風面強大、氣候乾燥等因素引起的揚塵所致，因為地理位置與氣候的之間的關係，空氣品質的因素也受中國大陸南下空氣影響，其針對空氣流動、氣流穩定度與氣候間的變化，都足以影響到空氣品質的好壞。所以，本研究中蒐集金門地區監測站自2011年1月到2020年12月每天的氣象偵測平均數據，做為本論文的研究資料，其中蒐集的氣象資料內容，包含了相對濕度（%）、溫度（℃）、

風速（m/sec）、降雨強度（mm）與氣壓（hPa）等，並將歷年的觀測數據，彙整的資料做適當整理後，先透過大數據分析，證明上述的氣象資料是會影響空氣污染物擴散的因素，再將相對濕度（%）、溫度（℃）、風速（m/sec）、降雨強度（mm）與氣壓（hPa）等5項影響因素，透過倒傳遞類神經模型（Back-Propagation Neural Network，BPN），來實驗多組的模擬訓練與進行空氣污染物擴散的預測。本研究將空氣污染物細懸浮微粒PM2.5分成50μg/m3以下和51μg/m3以上的二個級距，並依據不同的影響因子組合，進行每天空氣污染物的擴散預測，準確率最低為86.7%，最高可達88.5%

。依據實驗的測試結果，可證明使用倒傳遞神經模型進行金門當地空氣污染物擴散的模擬與預測是可行性的；但是天氣變化多端，金門島嶼型的氣候更是千變萬化、變幻莫測，因此可以再增加更多會影響空氣品質擴散預測的因素，並且結合其他不同預測方法與演算法，以取得更精準的預測結果，以提供金門當地氣象預測之參考，同時也能提供當地民眾外出時的防範作為。