algorithmic中文的問題，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

基於機器學習預測股價漲跌趨勢

為了解決algorithmic中文的問題，作者楊駿豪 這樣論述：

本研究基於人工神經網路、隨機森林、極限梯度提升樹等3種分類器，提出一種用於隔日股價方向預測的方法，每個分類器透過手動的超參數調整來訓練預測模型，然後以多數投票的方式產生最終的預測結果。實驗以台積電為研究對象，收集了收盤價資料作為輸出變數和39項籌碼面指標作為輸入特徵，資料取自台灣經濟新報(Taiwan Economic Journal，TEJ)資料庫，自2008/01/01至2021/12/31的每日交易數據。本研究應用套索回歸執行特徵選擇，設置預測模式一（不執行特徵選擇）及預測模式二（執行特徵選擇）兩種模式進行比較。實證結果，預測模式二之預測準確率為81.3%，略優於預測模式一的80.2%

。

基於圖像式雙層次測驗之SVVR學習模式對學習者在自然科學習成效及行為之影響

為了解決algorithmic中文的問題，作者陳慧珏 這樣論述：

摘 要 IABSTRACT III誌 謝 V目 錄 VI圖 目 錄 IX表 目 錄 XI第一章 緒論 - 1 -1.1 研究背景與動機 - 2 -1.2 研究目的與問題 - 4 -1.3 名詞釋義 - 6 -1.3.1 情境式學習 (Situated learning） - 6 -1.3.2 環景虛擬實境 (Spherical video- based virtual reality, SVVR) - 6 -1.3.3 圖像式雙層次測驗 (

graphic organizer-based two-tier test) - 6 -1.3.4 學習成就 (Learning performance) - 7 -1.3.5 學習動機 (Learning motivation) - 7 -1.3.6 認知負荷 (Cognitive load) - 7 -1.3.7 序列分析 (Sequential analysis) - 8 -1.4研究範疇與限制 - 8 -第二章 文獻探討 - 10 -2.1 情境式學習 (Situated learning) - 10 -2.2 虛擬實境 (V

irtual Reality, VR) 與環景虛擬實境 (Spherical video- based virtual reality, SVVR) - 11 -2.3 雙層次測驗 (Two-tier tests） - 14 -2.4 概念圖 (Concept map) - 17 -第三章 系統開發 - 20 -3.1 系統架構及功能 - 20 -3.2 圖像式雙層次測驗機制與 SVVR 介面 - 22 -3.3 系統開發環境 - 30 -第四章 研究方法 - 34 -4.1. 研究架構 - 34 -4.2. 研究對象 -

36 -4.3. 實驗流程 - 36 -4.4. 研究工具 - 37 -4.4.1 學習成就測驗 - 37 -4.4.2 學習動機量表 - 38 -4.4.3 認知負荷量表 - 38 -4.4.4 質性半結構式訪談 - 39 -4.4.5 序列分析 - 39 -4.5. 分析方法 - 39 -第五章 研究結果與分析 - 42 -5.1 學習成就 - 42 -5.2. 學習動機 - 44 -5.3. 認知負荷 - 46 -5.3.1 認知負荷—心智負荷構面 - 46 -5.3.2 認知負荷—心智努力構面

- 47 -5.4質性半結構式訪談 - 49 -5.5 序列分析 - 52 -第六章 結論與未來展望 - 56 -6.1 研究結果與討論 - 56 -6.1.1 學習成就 - 57 -6.1.2 學習動機 - 57 -6.1.3 認知負荷 - 58 -6.1.4 行為分析 - 59 -6.2研究限制與未來研究建議 - 61 -參考文獻 - 63 -附件一 SVVR 學習系統之觀察學習單 - 78 -附件二 自然科學習成就測驗 (前測) - 79 -附件三 自然科流水作用學習成就測驗 (後測)

- 82 -附件四 學習動機量表 - 85 -附件五 認知負荷量表 - 86 -附件六 質性半結構式訪談大綱 - 87 -