python指令查詢的問題，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

MongoDB 5.x實戰應用

為了解決python指令查詢的問題，作者朱克剛 這樣論述：

　　* 以MongoDB 5.x最新版指令貫穿全書，並可在6.0 RC順利執行 　　* 與Python語言結合，無縫接軌智慧聯網、巨資分析、機器學習等領域 　　* 本書深入淺出，豐富且大量的範例，保證快速掌握MongoDB精髓 名人推薦 　　在巨量資料的時代，存取效能佳、高可用性、可擴展性及具備安全性的資料庫平台是不可或缺的。朱克剛老師實作經驗豐富，此書以深入淺出範例導向的方式說明，是熟MongoDB技術必備的工具書。 -- 虎尾科技大學資訊工程系副教授 江季翰 　　好友朱克剛博士所著之MongoDB工具書，文字內容配合圖表解說非常易讀，操作步驟更按序清楚呈現，甚至所

提案例也與我們實際生活相關。這是一本讀者可以輕鬆駕馭，並跟著大師一起練功的秘笈，想一窺MongoDB的朋友都應該擁有它。 -- 正修科技大學數位多媒體設計系主任 殷聖楷 　　MongoDB是目前最受歡迎的NoSQL資料庫，擁有豐富教學及實務經驗的朱克剛老師在本書中以簡單、明瞭的範例帶領讀者實際演練，快速學會巨量資料管理與儲存方式。這是一本易上手又涵蓋全部關鍵技術的好書! -- 靜宜大學資訊傳播工程系副教授 王岱伊 　　朱克剛老師具多年業界實務經驗，同時也擁有超過20年的教學資歷，本書使用經典實例和詳細的操作步驟，絕對是您學習MongoDB的第一選擇，幫助您精準學習快速上手。 -- 資展國際

（原資策會人培團隊）區域總監 王偉璁 　　AI蓬勃發展，有別於關連式資料庫的NoSQL已是重點發展課題之一；作者融會超過30年程式經驗，將其精髓以淺顯易懂的觀念付諸此書，入門者可豁然開朗，經驗者可溫故知新，絕對是人人適合入手的寶典。 -- 104人力銀行人資學院產品開發處處長 李閔隆

python指令查詢進入發燒排行的影片

基於粒子群最佳化卷積神經網路進行短期負載預測

為了解決python指令查詢的問題，作者詹于萱 這樣論述：

中文摘要 IAbstract II致謝 III目錄 IV圖目錄 IX表目錄 XIV第一章 緒論 11-1 研究背景與動機 11-2 文獻回顧 21-3 研究目標與步驟 51-4 論文貢獻 61-5 論文架構 7第二章 台電系統概況與資料採集 92-1 台灣電力系統概況 92-2 台灣各機組配比概況 122-3 台灣電力供需現況 132-4 歷史資料介紹 152-4-1 負載歷史資料 152-4-2 氣象歷史資料 172-4-3 工作日及非工作日定義 19第三章 理論基礎 213-1 卷積神經網路（Convolutional Neural Net

work, CNN） 213-1-1 卷積神經網路架構 213-1-2 卷積神經網路參數及超參數 273-2 粒子群優化演算法（Particle Swarm Optimization, PSO） 283-3 基因演算法（Genetic Algorithm, GA） 313-4 小波轉換（Wavelet Transform, WT） 333-5 輻狀基底函數類神經網路（Radial Basis Function Neural Network, RBFNN） 353-6 長短期記憶網路（Long Short-Term Memory, LSTM） 373-7 支持向量機（Suppor

t Vector Machine, SVM） 413-8 整合移動平均自迴歸模型（Autoregressive Integrated Moving Average, ARIMA） 433-9 向量自迴歸移動平均模型（Vector Autoregressive Moving Average, VARMA） 443-10 最小冗餘最大相關性（minimal-redundancy-maximal-relevance, mRMR） 45第四章 硬體及軟體 464-1 硬體 464-1-1 GPU及工作站介紹 464-1-2 多GPU分散式訓練 494-2 軟體 524-2-1 Py

thon 524-2-2 Python工具包 524-3 程式執行步驟 68第五章 研究方法 725-1 輸入資料預處理 725-1-1 資料編排 725-1-2 資料正規化 735-1-3 訓練集/測試集資料分割 745-2 斯皮爾曼相關性分析 755-3 卷積神經網路架構 765-4 增強型菁英粒子演算法（Enhanced Elite-Based PSO, EEPSO） 775-4-1 平均搜尋和混沌法調整慣性權重（Mean Search and Chaotic Descending Inertia Weight） 785-4-2 粒子刪減和複製（Particle

Trimming/Duplicating） 795-4-3 搜尋空間及參數定義（Search Space and Parameter Setting） 805-5 演算法流程 82第六章 模擬結果與分析 856-1 迴歸指標介紹 856-2 斯皮爾曼相關性分析結果 866-3 增強型菁英粒子演算法與現有PSO方法之比較 896-4 與其他方法之比較 93第七章 結論與未來研究建議 1057-1 結論 1057-2 未來研究建議 106參考文獻 107圖2-1台電系統電廠及電網分布圖[29] 10圖2-2台灣電力系統之示意[30] 11圖2-3台電110年系統裝

置容量與發購電量配比[30] 13圖2-4 109年與110年國內各部門能源消費變動[31] 14圖2-5台灣2019年負載曲線變化 16圖2-6台灣夏季及冬季一週負載曲線變化 16圖2-7溫度和平均用電與尖峰負載之關係圖[32] 18圖2-8交通部中央氣象局觀測資料查詢系統 19圖3-1當步幅為1時，卷積層中內核移動方式 23圖3-2當步幅為2時，卷積層中內核移動方式 24圖3-3零填充 24圖3-4卷積計算、內核大小、步幅和零填充之範例 25圖3-5平均/最大池化操作過程 25圖3-6 Dropout計算[35] 26圖3-7粒子移動向量示意圖 29圖3-8粒子群

優化演算法流程圖 30圖3-9基因演算法流程圖 32圖3-10不同尺度大小下之小波函數示意圖 34圖3-11離散小波轉換之階層架構 35圖3-12輻狀基底函數神經網路架構 37圖3-13長短期記憶神經網路單元細胞架構 38圖3-14 LSTM單元細胞內部各個門控的運作過程 39圖3-15 LSTM單元細胞內部各個門控的運作過程 40圖3-16 LSTM單元細胞內部各個門控的運作過程 40圖3-17 LSTM單元細胞內部各個門控的運作過程 41圖4-1 CPU及GPU處理器內部結構圖 47圖4-2 Host和Device之關係圖 48圖4-3 Ubuntu 18.04 L

TS作業系統 48圖4-4 NVIDIA GeForce RTX 2080 Ti GPU之規格 49圖4-5 GPU記憶體管理allow_growth指令 50圖4-6 GPU記憶體管理per_process_gpu_memory_fraction指令 50圖4-7 使用tf.device()進行多GPU分配設定 50圖4-8展示使用tf.distribute.MirroredStrategy分散式訓練之範例 51圖4-9 Numpy工具包之範例 53圖4-10 Pandas工具包之範例 54圖4-11 簡易數據流程圖範例 55圖4-12 TensorFlow運算功能 55

圖4-13時序型建構 56圖4-14 Keras函數式API(多輸入模型)建構 57圖4-15 Keras建構模型之流程 58圖4-16 Hyperactive工具包所支援之各項功能[39] 59圖4-17 Hyperactive工具包使用指令 60圖4-18 Hyperactive運算過程 61圖4-19 DEAP工具包所提供之運算功能[40] 62圖4-20 DEAP使用步驟 62圖4-21 scipy.stats.spearmanr範例 63圖4-22 pymrmr工具包操作範例 64圖4-23 PyWavelets工具包操作範例 65圖4-24使用sklearn.

metrics計算R-Squared、MAE和RMSE之範例 66圖4-25 sklearn.svm指令範例 66圖4-26 statsmodels.tsa.arima_model指令 68圖4-27 statsmodels.tsa.statespace.varmax指令 68圖4-28 ANACONDA NAVIGATOR介面下環境建立之操作流程 69圖4-29啟動Jupyter Notebook 70圖4-30 (a)顯示程式碼運行時GPU使用率(b)為GPU初始狀態 71圖5-1混合式卷積神經網路架構之範例 77圖5-2粒子刪減和複製 80圖5-3 Hyperactiv

e工具包混合整數和實數編碼指令 81圖5-4增強型菁英粒子演算法流程圖 84圖6-1春季斯皮爾曼相關性分析結果 87圖6-2夏季斯皮爾曼相關性分析結果 87圖6-3秋季斯皮爾曼相關性分析結果 88圖6-4冬季斯皮爾曼相關性分析結果 88圖6-5不同PSO方法迭代過程之g_best^值 92圖6-6預測值與實際值負載曲線(春季) 102圖6-7預測值與實際值負載曲線(夏季) 103圖6-8預測值與實際值負載曲線(秋季) 103圖6-9預測值與實際值負載曲線(冬季) 104表4-1常見的深度學習框架優缺點統整[38] 55表4-2 sklearn.svm指令中所有參數介紹

67表4-3所使用相關軟體及Python工具包版本 68表5-1訓練集/測試集資料分割 74表5-2粒子搜尋空間 81表6-1不同PSO方法之三項性能指標分析 91表6-2不同PSO方法所獲得之最佳卷積神經網路架構 91表6-3不同PSO方法所獲得之最佳卷積神經網路架構 92表6-4染色體編碼及所對應之映射範圍(二進制編碼) 97表6-5染色體編碼及所對應之映射範圍(整數編碼) 97表6-6使用不同方法之比較結果(春季) 98表6-7使用不同方法之比較結果(夏季) 98表6-8使用不同方法之比較結果(秋季) 99表6-9使用不同方法之比較結果(冬季) 99表6-10

本論文所提出之EEPSO方法與其他比較方法之間四個季節DM檢定結果 101表6-11 GA-CNN和本論文所提出EEPSO-CNN訓練時間比較 102

Python資料分析必備套件!Pandas資料清理、重塑、過濾、視覺化

為了解決python指令查詢的問題，作者MattHarrison,TheodorePetrou 這樣論述：

　　【最齊全！徹底活用Pandas的114技】   　　想學Pandas，看官方文件就夠了？ 　　對於Python使用者來說，Pandas無疑是資料分析的必備套件。有了Pandas，您可以非常高效地重塑、過濾、清理以及整合大部分類型的資料。的確，Pandas的官方網站提供了不同指令的使用範例。因此有的使用者會說：『不用買書看啦！網路資源這麼豐富，多看看官方文件就好了！』   　　不過，單單只知道某個指令的運作方式是不足夠的。在實際進行資料分析時，您可能需要結合多個指令來達成目標。這時候，您更需要知道如何活用Pandas。舉例來說，假設您現在面對DataFrame的記憶體用量過大，導致無法順

利分析資料的難題時，該怎麼辦呢？   　　從Pandas的官方文件中，您可以了解轉換欄位型別的方法，也知道如何查詢欄位的浮點數精度。只要結合這兩個方法，您就可以非常輕鬆地降低DataFrame的記憶體用量。遺憾的是，官方文件並不會告訴您這個訣竅，而必須自己花時間來摸索。在摸索的過程中，不可避免地會多走許多彎路。   　　本書並非單純的Pandas語法參考手冊。作者寫作此書時的目標，是希望讀者們可以從完整的範例中學習，並充分了解活用Pandas技巧的重要性。此外，作者習慣給出同一問題的不同解法，同時比較不同做法的效能。由此一來，讀者日後在實際分析資料時，才能知道哪一種做法是最優解。   　　正面

對決真實資料集！ 　　目前市面上的Pandas書籍，多數是使用亂數產生的假資料集來進行教學。這會導致您在面對真實資料集時，不知該從何下手。有鑒於此，本書作者使用了眾多的真實資料集，讓讀者切身感受資料分析師的工作內容。書中的資料集包含：   　　●IMDB 5000電影資料集 　　●Tesla股票資料集 　　●Kaggle問卷資料集 　　●鑽石品質資料集 　　●美國大學資料集 　　●美國國內航班資料集 　　●丹佛市的犯罪案件資料集  　　●阿爾塔年積雪資料集 　　●美國燃油經濟資料集  　　…等   　　最齊全的Pandas技巧教學！ 　　為了讓讀者可以更好的理解，書中每一小節的內容皆搭配完整範

例。讀者可以從讀入資料集開始，循序漸進地搞懂資料分析的眉眉角角。全書共傳授了Pandas實戰的114種技巧，保證讀者可以全面掌握其中的精髓。讀者將會學到如何：   　　●處理資料集中的缺失值 　　●處理索引爆炸的問題 　　●組合多個Pandas物件 　　●在DataFrame中新增和刪除欄位 　　●取得特定欄位的統計資訊 　　●轉置DataFrame的運算方向 　　●減少DataFrame的記憶體用量 　　●混用位置和標籤來選取資料 　　●透過Pandas實現SQL的功能  　　●對多個欄位進行分組及聚合運算 　　●將資料集重塑成整齊的形式 　　●過濾包含時間序列資料的欄位 　　●搭配Matp

lotlib和Seaborn來視覺化資料 　　●在Jupyter中進行Pandas程式碼的除錯 　　…等 　　 　　如果您不想只是死記硬背Pandas語法，還想學習如何活用其中的技巧，非常歡迎您跟著書中的範例動手試試看，保證可以讓您的資料分析能力更上一層樓！    本書特色   　　●全面採用最新的Pandas 1.x版本 　　●最齊全的Pandas教學，傳授114招實用技巧 　　●附有超過114個範例，還有多到無法細數的資料分析的寶貴經驗，從做中學才更有效 　　●使用真實世界中的資料集，累積實戰能力  　　●搭配NumPy、Matplotlib、Seaborn、 Pandarallel、Gr

eat Expectations、pytest、Hypothesis 等工具，擴增你的武器庫 　　●完整說明CSV檔、JSON檔、SQL資料及HTML表格等資料類型的載入方式 　　●本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容

人臉識別應用於校園點名系統

為了解決python指令查詢的問題，作者秦昱呈 這樣論述：

本研究利用C#編寫考勤系統，並分為學生端及教師端。學生端讓學生掃描QR Code後可以快速簽到並節省教師點名時間；教師端可快速查看缺勤狀況，亦可新增、刪除課程，本研究將學生的臉部截取下來，再計算每張人臉的嵌入，最後計算每張圖間的歐式距離來判別該名學生是否有代點名的情形。本研究有三個特點，1.自動抓取課程以節省點名時間2.由人臉辨識系統判別是否有冒名頂替的情形3.人臉識別系統不需預存太多學生個資，可避免個資外洩問題。