查股價app的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

Python資料科學自學聖經：不只是建模!用實戰帶你預測趨勢、找出問題與發現價值(附關鍵影音教學、範例檔)

為了解決查股價app的問題，作者鄧文淵,文淵閣工作室 這樣論述：

　　網路書店年度百大電腦資訊暢銷書 　　《Python自學聖經》系列力作 　　運用Python掌握資料科學的價值 　　讓人工智慧機器學習找出趨勢的關鍵密碼 　　完整涵蓋Python資料科學技術，從開發工具、資料預處理、 　　機器學習、深度學習到模型訓練進化一應俱全！ 　　給需要本書的人： 　　★想進入Python資料科學領域，又不知怎麼切入的人 　　★面對資料科學龐大又雜亂的理論與資訊卻不知如何下手的人 　　★想快速且有系統收集大量資料，並提高處理運用效率的人 　　★想利用大量資料進行分析，找出隱藏訊息與趨勢以協助決策的人 　　★想運用資料數據訓練人工智慧模型，開發適

用的演算法進行預測與解決問題的人 　　隨著AI人工智慧帶來的科技革命，資料科學的應用正在改變你我的生活。如何由龐大的資料數據中擷取爬梳出有價值的資訊，判斷決策，甚至能預測趨勢、掌握契機，是資料科學為現代社會帶來的新視野。 　 　　資料科學橫跨多個領域，涵蓋數學、統計與電腦科學等面向。如果想有系統的進入資料科學領域，歡迎藉由本書循序漸進的學習。書中除了有資料科學的觀念，還有技術應用與發展方向，讓每個艱澀觀念都能在範例實作的引導下有著更清楚的輪廓，讓你一探資料科學迷人的樣貌。 　　【重要關鍵】 　　■應用工具：雲端開發平台(Google Colab)、資料科學工具(Numpy、Pandas、M

atplotlib、Seaborn)、網路爬蟲(requests、BeautifulSoup)。 　　■資料預處理：資料清洗、缺失值、重複值及異常值的處理、資料檢查、資料合併、樞紐分析表、圖片增量，以及資料標準化、資料轉換與特徵選擇。 　　■機器學習：學習工具(Scikit-Learn)、非監督式學習(K-means演算法、DBSCAN演算法、PCA降維演算法)、監督式學習分類演算法(Scikit-Learn資料集、K近鄰演算法、單純貝氏演算法、決策樹演算法、隨機森林演算法)、監督式學習迴歸演算法(線性迴歸演算法、邏輯迴歸演算法、支持向量機演算法)。 　　■深度學習：學習工具(Tenso

rFlow、Keras)、深度神經網路(DNN)、MNIST手寫數字圖片辨識實作、Gradio模組(深度學習成果展示、過擬合)、卷積神經網路(CNN)與循環神經網路(RNN)。 　　■模型訓練進化：預訓練模型、遷移學習、深度學習參數調校、hyperas參數調校神器，以及手寫數字辨識參數調校。 　　【超值學習資源】 　　獨家收錄「Python資料科學關鍵影音教學」、全書範例程式檔 本書特色 　　■深入淺出，只要具備基礎Python程式語言能力即可輕鬆上手。 　　■標示出重要觀念，在學習的過程中不會錯失關鍵內容。 　　■應用範例導向，每個觀念皆附實用案例，不怕學不會。 　　■不使用艱澀數學

推導資料科學原理，而以淺顯易懂的文字解說學理。 　　■實作圖片增量及遷移學習，即使少量資料也可訓練出實用模型。 　　■實作機器學習與深度學習模型參數調校，輕鬆建立完美模型。

查股價app進入發燒排行的影片

COVID-19疫情對運動產業行銷策略與經營績效之影響；以Nike公司為例

為了解決查股價app的問題，作者謝閔揆 這樣論述：

隨著時代的發展，許多運動品牌崛起，消費者能選擇的品牌也與日俱增，而現代人的運動需求多元，使用數位科技來滿足自己的運動需求已成為常態，然而最近全球遭受疫情疫情影響，對人民的生活習慣有相當大的改變，而對於運動產業也帶來毀滅性的衝擊，像是賽事活動停擺、門市停業等等，受到不小的經濟損失面臨轉型的難題，本研究將探討Nike在疫情中受到的影響，及行銷團隊如何迅速的因應，激盪出新的行銷策略來度過低迷的景氣。本研究使用Nike公司本身提供的財務報表來進行行銷分析，以及選擇Nike及其他競爭品牌透過數據的比較在疫情下雙方受到的衝擊程度，以及對應的行銷策略是否出色，觀察Nike公司如何在疫情的困境中脫穎而出，本

研究將根據Nike年報中所給出的本期稅後淨利、股東權益報酬率、資產報酬率、股票日報酬率等數據來進行分析，並結合其他競爭品牌的行銷策略找出彼此間的共同點。本研究結果發現Nike公司受到COVID-19新冠肺炎的影響，各項財務指標皆直線下滑，而Nike透過出色的轉型策略，即時的控制現有金流，將部分門市即時歇業止損，同時並加強網路行銷，並結合球星的知名度來帶動買氣，適當的縮減營業規模，並開發新的數位科技產品，如：線上運動課程、Nike的podcast平台等等行銷策略來讓原本受疫情下滑的營收成長。

後臉書時代：完整解讀社群霸主從起步、成長、爭議到轉型，每一步的選擇與思考

為了解決查股價app的問題，作者StevenLevy 這樣論述：

假新聞、洩漏個資、侵犯隱私、網路成癮、操弄民主 臉書今日撇不清的爭議，與我們對網路世界的擔憂 其實深埋在公司的早期決策中！ 最高採訪權限，九次親訪祖克柏，歷時三年深入訪談臉書核心團隊 頂尖科技記者第一手揭露臉書策略背後的性格與決策文化 領先分析祖克柏邁向元宇宙的趨力與企圖 美國調查單位了解臉書的關鍵讀物 　　《金融時報》2020年最佳科技新書 　　《經濟學人》《華爾街日報》《舊金山紀事報》等媒體盛讚 　　《華盛頓郵報》：「全美最頂尖科技新聞工作者。」 　　《紐約時報》：「以最近距離看見貪得無厭的野心。」 　　作者史蒂芬‧李維獲得前所未有的採訪權限，長達三年貼身研究臉書，親訪祖克柏本人

九次，並且深入採訪桑德伯格等核心高層，更訪問數百位員工與相關人士，為這家公司寫下最詳實完整的紀錄，甚至成為美國調查臉書的立法與監管單位人手一本的關鍵讀物。 　　性格，決定命運。每一個成功背後，都有代價。 　　「人們愛偷窺的程度超乎想像。」祖克柏在哈佛就從人類行為模式看出商機，做出爆紅網站，更是新創典範，快速成為地表最大社群帝國，但臉書也在攀至巔峰之後，開始付出慘痛代價。 　　－以成長為優先要務，忽視內容品管，造成惡意、歧視、暴力內容猖獗； 　　－穩抓龐大廣告商機，卻不斷侵犯隱私底線，用戶從此沒有祕密； 　　－為了吸引開發者，過度寬鬆的公司政策導致史上最大個資外洩災難； 　　－全球最強大瘋傳

引擎，卻也成為假新聞快速傳播、操弄選舉的最強利器； 　　－靠精準眼光併購潛力競爭者，成為市場最大玩家，卻成為反壟斷最大目標。 　　本書將臉書十幾年來的決策，整理出清晰脈絡，讓我們看懂臉書今日的成功與失敗背後的原因。這家市值破兆、財務表現屢創新高的公司，卻逐漸失去信任，成為邪惡代名詞。祖克柏在這樣的危機中，更突然宣布改名Meta，全力發展元宇宙，背後又有何打算？ 　　要了解臉書的下一步，就要從頭理解它走過的每一步。 　　「李維是科技新聞報導界的大師級人物，很少有人既能接觸企業高層，又能以數十年矽谷經驗，提出一針見血的觀察。揭曉了一家橫衝直撞的年輕公司，在握有改變世界的力量後產生的重大後果。」

──《貝佐斯傳》作者史東（Brad Stone） 讀者五星好評迴響 　　「比驚悚片更刺激的商業故事。每一個當下看似正確的決定，都預示了未來的災難後果。……你可以在書中看見許多不可逆的決策，長年累積，造就我們今天的世界。」 　　「接受臉書旗下所有app的服務條款前，先讀這本書吧！……書中提到許多我從來不知道的事實。」 　　「這家公司決定了我們如何溝通。了解臉書的經營思維、各種決策的歷史脈絡，才能真正理解今日有關個資與隱私的複雜問題。」

透過深度學習模型以法人籌碼面預測台股之分析

為了解決查股價app的問題，作者蔡柏翰 這樣論述：

籌碼面是股市投資重要參考指標，Liu (2019) 與 Lu, Fang & Nieh (2012) 檢視籌碼對報酬之影響，研究結果指出觀察法人投資動向能提高報酬率。本研究即採用法人籌碼(三大法人持股總比例與三大法人買賣超總數量)資訊為主軸，結合開盤價、最高價、最低價、收盤價、交易量以及周轉率等變數之日交易資料，分別對元大ETF台灣50 (股票代碼0050)與富櫃50 (股票代碼006201)兩檔ETF成分股之前二十名公司，總計四十檔個股，以深度學習LSTM與BI-LSTM演算法進行股價預測。在預測準確度上則是以均方誤差 (MSE)、均方根誤差 (RMSE)、平均絕對誤差 (MAE) 等三項

指標衡量。實證分析顯示，研究樣本中以LSTM模型進行預測，誤差較小的個股占37.5%， BI-LSTM模型預測，誤差較小的個股占62.5%，表示以法人籌碼資料進行台股價格預測時，使用BI-LSTM模型準確度較高。這樣的分析結果與Lu, Li, Wang & Qin (2021) 的研究一致，支持在股價預測上BI-LSTM優於LSTM模型。