小猿搜題的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到附近那裡買和營業時間的推薦產品

iOS面試之道

為了解決小猿搜題的問題，作者胡胤道長等 這樣論述：

《iOS面試之道》是作者將多年的工作經驗和積累，結合具體面試內容總結而成的。 《iOS面試之道》共分為3部分。第1部分為面試準備，詳細介紹求職中遇到的基本問題，作者根據其多年的經驗，在面試流程、簡歷投遞、複習準備方面給出了完善的參考意見和建議。第2部分為演算法知識。演算法幾乎是各種水平的程序員都要面對的考查內容。該部分採用Swift語言重新審視了多種數據結構和演算法原理，可以說是為iOS開發者量身打造的演算法解答。第3部分為iOS專業問答，分為語言工具、系統框架和經驗之談，採用問答的形式來詳細介紹。如果你是一名iOS開發者，並且正準備跳槽，那麼本書是一本不錯的複習參考書；

如果你沒有面試計劃，那麼本書也可以幫助你對iOS知識進行提綱挈領的整理；如果你是面試官，那麼希望本書能為你提供考查應聘者的依據和源泉；對於具有其他背景的軟體工程師，若想一窺iOS世界的知識框架，本書也是不錯的切入點。

小猿搜題進入發燒排行的影片

日治時期台灣社會與文化中的進化觀念──以《台灣日日新報》為觀察核心

為了解決小猿搜題的問題，作者黃千珊 這樣論述：

達爾文將進化觀念發展成生物學理論。1859 年，達爾文的《物種起源》甫一上市，立刻引起眾人熱烈的討論。達爾文的觀點因迥異於神學而遭受攻擊，結果不僅未曾動搖，許多人更將進化論奉為真理而坦然接受。除了自然科學領域，進化論也在社會與其他領域裡流行開來。進化論從歐美逐漸向全球蔓延，也伴隨著日本的殖民擴張被移植到台灣。政府機關或民間組織在當時利用各種管道使民眾得已接觸與認識進化論。正如《台灣日日新報》一樣，這些管道有助於進化論的普及與傳播，並對台灣社會造成了實質上的影響。與此同時，進化觀念也因進化論而得到了鞏固。進化論的核心概念──生存競爭、優勝劣敗、適者生存、物競天擇──也成為「進化」一詞的延伸語詞

。「進化」一詞不僅融入台灣人的日常話語，它在各種著述中也被一再提起。 進化觀念不僅在進化論的發源地與流行地的歐美是至關重要的，它在亞洲地區的中國、日本也都位居支配地位。誇大其辭的說，中日兩國近代化發展與其對進化觀念的理解與融入程度成正比。台灣向來與中國、日本關係密切，就難以杜絕類似情況的發生。也就有理由懷疑，進化觀念可能影響台灣人的思考模式，也可能形塑了台灣人的價值取向。因循這樣的思路，本文以《台灣日日新報》為觀察核心，探討日治時期台灣社會與文化中的進化觀念，意在揭示台灣人對進化觀念的吸收與本土化結果。文中敘述達爾文的進化論在台灣主要的傳播途徑；並分析「進化」一詞在《台灣日日新報》的使用情形與

意義變化。其次，探討台灣知識分子對進化觀念所採取的因應態度。分別從「文明」與「社會」的角度，探討台灣知識分子如何對進化觀念進行吸收與轉化，以及觀察他們能否將進化觀念與社會實踐作一連結。最後，藉由李春生的個案，窺探反進化論者的思想傾向。

強化學習精要：核心算法與TensorFlow實現

為了解決小猿搜題的問題，作者馮超 這樣論述：

本書用通俗幽默的語言深入淺出地介紹了強化學習的基本算法與代碼實現，為讀者構建了一個完整的強化學習知識體系，同時介紹了這些算法的具體實現方式。 從基本的馬爾可夫決策過程，到各種復雜的強化學習算法，讀者都可以從本書中學習到。本書除了介紹這些算法的原理，還深入分析了算法之間的內在聯系，可以幫助讀者舉一反三，掌握算法精髓。書中介紹的代碼可以幫助讀者快速將算法應用到實踐中。 本書內容翔實，語言簡潔易懂，既適合零基礎的人員入門學習，也適合相關科研人員研究參考。 馮超，畢業於中國科學院大學，滴滴出行AI Labs時空數據組專家算法工程師，曾任小猿搜題算法負責人之一。自2016年起在知

乎開設技術專欄《無痛的機器學習》，發表與深度學習和強化學習相關的文章，文章以輕松幽默的語言、細致深入的分析為特點，得到了廣泛的關注。曾撰寫深度學習進階領域口碑技術書《深度學習輕松學：核心算法與視覺實踐》。 第一部分強化學習入門與基礎知識 1 引言2 1.1 強化學習的概念 2 1.1.1 巴浦洛夫的狗 3 1.1.2 俄羅斯方塊 4 1.2 站在被實驗者的角度看問題 5 1.3 強化學習效果的評估 8 1.3.1 不斷試錯 8 1.3.2 看重長期回報 8 1.4 強化學習與監督學習 9 1.4.1 強化學習與監督學習的本質 9 1.4.2 模仿學習 10 1.5 強化學習的

實驗環境 11 1.5.1 Arcade Learning Environment 12 1.5.2 Box2D 12 1.5.3 MuJoCo 13 1.5.4 Gym 14 1.6 本書的主要內容 15 1.7 參考資料 16 2 數學與機器學習基礎17 2.1 線性代數基礎 17 2.2 對稱矩陣的性質 21 2.2.1 特徵值與特徵向量 21 2.2.2 對稱矩陣的特徵值和特徵向量 22 2.2.3 對稱矩陣的對角化 23 2.3 概率論 24 2.3.1 概率與分佈 24 2.3.2 最大似然估計 27 2.4 重要性採樣 29 2.5 資訊理論基礎 33 2.6 KL 散度 35

2.7 凸函數及其性質 39 2.8 機器學習的基本概念 41 2.9 機器學習的目標函數 43 2.10 總結 45 3 優化演算法47 3.1 梯度下降法 47 3.1.1 什麼是梯度下降法 47 3.1.2 優雅的步長 48 3.2 動量演算法 53 3.3 共軛梯度法 59 3.3.1 精妙的約束 59 3.3.2 共軛 60 3.3.3 優化步長的確定 63 3.3.4 Gram-Schmidt 方法 64 3.3.5 共軛梯度 65 3.4 自然梯度法 69 3.4.1 基本概念 69 3.4.2 Fisher 信息矩陣 71 3.4.3 自然梯度法目標公式 76 3.5 總結 7

7 4 TensorFlow 入門78 4.1 TensorFlow 的基本使用方法 78 4.2 TensorFlow 原理介紹 82 4.2.1 創建變數的scope 83 4.2.2 創建一個Variable 背後的故事 89 4.2.3 運算操作 94 4.2.4 tf.gradients 96 4.2.5 Optimizer 102 4.2.6 TensorFlow 的反向傳播技巧 106 4.2.7 arg_scope 的使用 109 4.3 TensorFlow 的分散式訓練 113 4.3.1 基於MPI 的資料並行模型 114 4.3.2 MPI 的實現：mpi_adam 1

21 4.4 基於TensorFlow 實現經典網路結構 122 4.4.1 多層感知器 122 4.4.2 卷積神經網路 124 4.4.3 迴圈神經網路 126 4.5 總結 129 4.6 參考資料 129 5 Gym 與Baselines 130 5.1 Gym 130 5.1.1 Gym 的安裝 130 5.1.2 Gym 的基本使用方法 132 5.1.3 利用Gym 框架實現一個經典的棋類遊戲：蛇棋 134 5.2 Baselines 138 5.2.1 Baselines 中的Python 3 新特性 139 5.2.2 tf_util 141 5.2.3 對Gym 平臺的擴展

 142 5.3 總結 144 6 強化學習基本演算法145 6.1 瑪律可夫決策過程 145 6.1.1 MDP：策略與環境模型 145 6.1.2 值函數與Bellman 公式 147 6.1.3 “表格式”Agent 151 6.2 策略反覆運算 153 6.2.1 策略反覆運算法 153 6.2.2 策略提升的證明 159 6.2.3 策略反覆運算的效果展示 160 6.3 價值反覆運算 162 6.3.1 N 輪策略反覆運算 162 6.3.2 從動態規劃的角度談價值反覆運算 165 6.3.3 價值反覆運算的實現 167 6.4 泛化反覆運算 168 6.4.1 兩個極端 168

6.4.2 廣義策略反覆運算法 169 6.4.3 泛化反覆運算的實現 170 6.5 總結 171 第二部分最優價值演算法 7 Q-Learning 基礎173 7.1 狀態轉移概率：從掌握到放棄 173 7.2 蒙特卡羅方法 174 7.3 探索與利用 178 7.4 蒙特卡羅的方差問題 181 7.5 時序差分法與SARSA 183 7.6 Q-Learning 186 7.7 Q-Learning 的收斂性分析 189 7.8 從表格形式到價值模型 193 7.9 Deep Q Network 195 7.10 總結 202 7.11 參考資料 202 8 DQN 的改進演算法203

8.1 Double Q-Learning 203 8.2 Priority Replay Buffer 204 8.3 Dueling DQN 209 8.4 解決DQN 的冷開機問題 211 8.5 Distributional DQN 214 8.5.1 輸出價值分佈 214 8.5.2 分佈的更新 216 8.6 Noisy Network 218 8.7 Rainbow 221 8.7.1 Rainbow 的模型特點 221 8.7.2 Deep Q Network 的實現 223 8.8 總結 227 8.9 參考資料 227 第三部分基於策略梯度的演算法 9 基於策略梯度的演

算法229 9.1 策略梯度法 229 9.1.1 演算法推導 230 9.1.2 演算法分析 233 9.1.3 演算法改進 234 9.2 Actor-Critic 演算法 236 9.2.1 降低演算法的方差 236 9.2.2 A3C 演算法 238 9.2.3 A2C 演算法實戰 240 9.3 總結 243 9.4 參考資料 243 10 使策略單調提升的優化演算法244 10.1 TRPO 244 10.1.1 策略的差距 245 10.1.2 策略提升的目標公式 247 10.1.3 TRPO 的目標定義 248 10.1.4 自然梯度法求解 251 10.1.5 TRPO 的

實現 254 10.2 GAE 256 10.2.1 GAE 的公式定義 256 10.2.2 基於GAE 和TRPO 的值函數優化 259 10.2.3 GAE 的實現 260 10.3 PPO 261 10.3.1 PPO 介紹 261 10.3.2 PPO 演算法實踐 263 10.4 總結 264 10.5 參考資料 264 11 Off-Policy 策略梯度法265 11.1 Retrace 266 11.1.1 Retrace 的基本概念 266 11.1.2 Retrace 的演算法實現 267 11.2 ACER 270 11.2.1 Off-Policy Actor-Cri

tic 270 11.2.2 ACER 演算法 272 11.2.3 ACER 的實現 276 11.3 DPG 279 11.3.1 連續空間的策略優化 279 11.3.2 策略模型參數的一致性 280 11.3.3 DDPG 演算法 283 11.3.4 DDPG 的實現 286 11.4 總結 289 11.5 參考資料 289 第四部分其他強化學習演算法 12 稀疏回報的求解方法291 12.1 稀疏回報的困難 291 12.2 層次強化學習 294 12.3 HER 298 12.3.1 漸進式學習 299 12.3.2 HER 的實現 301 12.4 總結 304 12.5 

參考資料 304 13 Model-based 方法305 13.1 AlphaZero 305 13.1.1 圍棋遊戲 305 13.1.2 Alpha-Beta 樹 307 13.1.3 MCTS 309 13.1.4 策略價值模型 312 13.1.5 模型的對決 316 13.2 iLQR 316 13.2.1 線性模型的求解法 317 13.2.2 非線性模型的解法 322 13.2.3 iLQR 的實現 325 13.3 總結 328 13.4 參考資料 328 第五部分反向強化學習 14 反向強化學習入門330 14.1 基本概念 330 14.2 從最優策略求解回報 332

14.2.1 求解回報的目標函數 332 14.2.2 目標函數的約束 334 14.3 求解線性規劃 335 14.3.1 線性規劃的求解過程 335 14.3.2 實際案例 337 14.4 無限狀態下的求解 338 14.5 從樣本中學習 342 14.6 總結 344 14.7 參考資料 344 15 反向強化學習演算法2.0 345 15.1 最大熵模型 345 15.1.1 指數家族 346 15.1.2 最大熵模型的推導 349 15.1.3 最大熵模型的實現 354 15.2 最大熵反向強化學習 356 15.3 GAIL 361 15.3.1 GAN 的基本概念 361 15

.3.2 GAN 的訓練分析 363 15.4 GAIL 實現 367 15.5 總結 370 15.6 參考資料 370

職棒球迷球場體驗價值、粉絲社群參與及球隊支持度對球隊商品再購意願之影響—以球隊戰績關切度及支持球迷為干擾變項

為了解決小猿搜題的問題，作者黃將倫 這樣論述：

近年來休閒活動越來越受重視，其中觀看體育賽事，尤其是親臨現場參與相關活動已成為許多人休閒生活中重要的一部份。中華職業棒球大聯盟是台灣最早成立的職業運動聯盟，已成立 33 年，職棒觀眾人數曾高達 1,600 萬，非常可觀。本研究以職棒球迷為研究對象，採便利抽樣法實施問卷調查，以 PLS-SEM 模型來分析職棒球迷的球場體驗價值、粉絲社群參與對於球隊支持度、球隊商品再購意願的影響，球隊支持度在球場體驗價值、粉絲社群參與與再購意願間的中介效果，以及球隊戰 績關切度及球隊球迷別對於球場體驗價值、粉絲社群參與、球隊支持度與球隊商品再購意願間影響關係的干擾效果。研究發現，新奇性、享樂性及控制性等體驗價值

對球隊支持度及再購意願具有顯著的正向影響，社群參與對球隊支持度及再購意願具有顯著的正向影響，球隊支持度會中介體驗價值與職棒商品再購意願間、粉絲社群參與與再購意願間的正向效果。戰績關切度僅在控制性對球隊支持度的關係上具有調節效果。各球隊球迷間的上述影響關係具有顯著的差異。本研究針對研究結果提出理論與實務之建議。