背包容量計算的問題，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

讚揚與責備：劍橋大學的溝通課

為了解決背包容量計算的問題，作者（英）特麗·阿普特 這樣論述：

“這孩子一點兒都不懂事！”“我朋友也太不體諒人了！”“你又漂亮又能說會道。”在每天的溝通中，我們都在對周圍人的好與壞做出評價。但我們的讚揚與責備客觀真實嗎？我們要如何提升這項能力呢？作者將30年的研究成果凝聚於本書中，揭示了讚揚與責備的機制是如何在親子、夫妻、朋友、同事，甚至陌生人之間運作的。讚揚不僅能表達喜愛，還可能涉及利用與諷刺；責備不僅與不滿有關，還可能隱含著歧視和推脫責任。通過閱讀本書，讀者將對自己和他人的心理活動、需求和真實意圖產生更深的理解，試著容忍他人的看法，客觀評價身邊的人，更好地與他人溝通。 特麗．阿普特（Terri Apter） 心理學家、作家、劍橋大

學紐納姆學院資深導師，她關於家庭動力學、同一性和人際關係方面的著作獲得了國際認可。她有多部作品入選“《紐約時報》年度優秀讀物”，並斬獲多項大獎，《泰晤士報》《紐約時報》《衛報》等知名媒體都對她的著作讚譽有加。 引　言 第1章　人類評判的起源 第2章　讚揚的化學、心理學及貿易學內涵 第3章　責備：內疚與羞恥的必要性及摧毀性 第4章　家庭評判與家庭制度 第5章　君子之交：朋友間的評判 第6章　最親密的評判：伴侶間的讚揚與責備 第7章　工會會費：工作場合中的讚揚與責備 第8章　社交媒體：評判力面臨的新挑戰 第9章　貫穿一生的評判 致　謝 人與人之間的交流（無論

是親子之間的、夫妻之間的，還是朋友和同事之間的）充溢著讚揚與責備。讚揚可能比食物更滋補。而責備會傷害和羞辱我們，剝奪我們的尊嚴、驕傲和快樂。我們對讚揚和責備的接受途徑可不僅限於公開表達的誇獎或抱怨，我們還會根據別人的表情、眼神、短促的感歎詞、肢體動作，感悟出其中帶有的贊同或反對，正面或負面的態度。總體來說，我們會下意識地把讚揚與責備的態度帶入每一次與他人的交流之中。 在最初接觸一件事物的一刹那，我們不但已經自動處理了事物本身包含的資訊，同時也會形成對它喜歡或厭惡的觀點。我們更有意識的思想也許正在別處打轉——明天的計畫，或是即將展開的工作。可是，在意識的背後存在著一張自動運轉的評判表。它是自古

以來保證人類生存的重要工具，讓我們對面前的人做出反應：是應該接近，還是退避三舍？“他們是敵是友？”“我能否信任這個人，他和藹的外表是否只是偽裝出來的？”這種反應是如此重要，以至於一位神經學家曾這樣說：“我們經歷的一切情感，至少在某種程度上，都屬於這兩者之一……對接近或退避的選擇，是一個有機體針對它的生存環境所做出的基本心理決定。” 隨著時間的推移，社會變得越來越複雜，人類大腦也進化出了更細膩、深邃、變化萬千的評估。我們仍有興趣推斷一個人是危險的還是可信的，但是，我們也會從更複雜的社會層面考慮：這個人是否會理解我們面對的問題及困難；我們是否與他們心有靈犀；我們是否願意與他們一同進餐、說笑、爭論

；他們對我們的回應是否積極。在這裡，評判的兩套系統（接近和退避，贊同和反對）能塑造我們的思想、感情和行為。 每天早上一醒來，我們就開始記錄周圍人的好與壞了。我丈夫會悄悄地爬上樓梯，一聲不響地遞給我一杯熱氣騰騰的咖啡。我本來正在考慮一早上要開的會議、當天的天氣、需要穿戴的雨具，但這些念頭會在那一刻煙消雲散，讓位給一句突如其來的讚揚。“他真好，”我會想。而對我這句未出聲的評判，他會回報一個笑容。被我抱在手中的溫熱杯子，對第一口提神醒腦的咖啡的期待，對丈夫的愛，以及他對我忙碌的工作和咖啡嗜好的理解都讓我感到的溫暖……這一切帶來的一系列反應，都可以被解讀為讚揚。可是，當他伸手把收音機音量開得太大時，

我卻立刻煩躁了起來。我心裡馬上充滿了抱怨：“他應該知道我多討厭這麼大聲的。”在那一刻，我全身緊張起來，一句怨言——“他也太不體諒人了！”開始在我的意識邊緣打轉。這一反應顯然在我的嘴角眉梢顯露出來了，因為他揚了揚眉毛，一句帶著幽默與自衛的無聲詢問——“我又犯了什麼錯啦？”閃現在他臉上。然後，在抿了一會兒嘴唇之後，他關小了聲音。我的煩躁感也消失了。 我下樓走到廚房，立刻搖身一變，成了處在青春期的兩位女兒的舍監。看到那兩個女孩，我由衷地感到欣慰。“她們真是好孩子。”我想著，可惜，那些圍繞在我熟悉的臉、身體、動作和氣息上的光環，很快就被其他反應代替了。看著廚房桌子，我想：“她們總是粗心大意，亂七八糟

。”那上面堆著書本、背包、撒了的麥片、開著蓋子的果醬，同時還有一道黏糊糊的果汁正蜿蜒地滲進我的論文稿裡。沒等我開口抱怨，我13歲的小女兒就把飯碗放進水槽裡，轉移了我的注意力。我開始擔心她是否真吃了飯。我們的眼神相遇，我意識到她正為什麼事情緊張得厲害。“怎麼了？”我問。我努力表現得無動於衷，我知道哪怕多表達一丁點兒母性的關懷也會觸犯她。她的聲音尖細，像個小童發飆，立刻就冒出一大堆我跟不上的話，不過大概的意思是她處於矛盾之中，她的朋友對她要求過多，可她害怕拒絕之後會被朋友指責“不夠義氣”。我嘗試減少她對這樣一種負面判斷的擔心——“那怎麼可能呢！誰能說你不夠義氣？”可她掉過頭來埋怨我：“你根本不想理

解我。”然而她又立刻把眉頭皺成打褶的絲巾，抽泣一聲撲過來擁抱我，因為她後悔自己做出了如此冷酷的評判，擔心這會讓我認為她“是個壞孩子”。而我那16歲的大女兒則一副事不關己的樣子，把這一切看在眼裡。“真是個小娃娃。”她評判道，滿臉閃耀著優越感。在我們準備出門時，她磨磨蹭蹭地找鞋子，然後讓我簽一份我之前連看都沒看過的帶著汙跡的長檔。我責備她實在太“吊兒郎當”了，同時在心裡擔心她是不是有什麼更卑鄙的企圖（莫非檔裡有什麼不可告人的秘密，她希望我沒時間細讀？）。在那一瞬間，爭執的氣氛籠罩了我們兩人，直到我們互相交換了一個充滿關愛的目光（那是我們每個人都熟知的最原始的讚揚方式），這場交鋒才算告一段落。 在

過去的30多年間，讓我一直感興趣的，是人類對讚揚和責備的強烈追求，以及它在人際關係中的核心作用。這份興趣源自我在做初級研究助理時參與過的一個記錄母嬰交流的專案。我曾一連幾小時研究新生兒，觀察他們的四肢是如何不協調地揮舞，蜘蛛一樣的手指是如何抓伸不停，還有頭與口是如何做出尋找動作的。我會記錄母親的視線，留意她在抱孩子時手臂做出的反應：抱緊、抬起、放鬆、降低。我記下她在談話（哪怕是與訪客朋友談及寶寶）時會出現的語音改變。3個月之後，在研究專案的第二階段，嬰兒銳利的目光中會充滿了期待。他們的需求已經不限於食物和溫暖，甚至已經不僅是愛了——他們需要一種能傳達出“你是多麼討人喜歡，多麼讓人欣賞”的資訊的

愛。當嬰兒無法得到這樣的鍾愛時，他們的反應會極為激烈。他們的號哭代表了一種原始的恐懼，那孩子即使正安安穩穩地被家長抱在懷裡，也會感到自己仿佛被拋棄了，正陷入危險之中。 這種原始的、對他人的贊同與反對的關注，會隨著孩子對因果關係產生更深刻的理解而逐漸變得更為複雜。等到了3歲，孩子已經產生了自我意識。這讓“我自己做”這件事變得既刺激又有趣，而當他們因此得到讚揚時，他們也同時見識了可怕的另一面：做了“壞事”的後果是受到責備。當我的科研工作拓展開來，開始研究孩子接下來的10年（5～15歲）的成長之後，我瞭解到孩子們會花費大量精力去留意並試圖控制別人對他們的評判。隨著孩子開始接受家長和老師的日常管教，

他們每天都會擔心自己因某件事受到責備。即使隨著他們理解力的提高，他們明白了“壞事”其實也分輕重，比如打壞一件東西與傷害一個人是有區別的，即傷害有很多不同的嚴重程度。即便如此，因某事遭受責備，哪怕僅僅因為說話聲音太大或是“煩人”，也會影響他們的心情與自尊。當別人哪怕僅僅因為他們安靜地坐好了或是吃完了碗裡的飯，就說他們“做得好”或“很乖”時，也會讓他們真心實意地露出笑容，興高采烈。 在這個年紀，我自己的孩子們也經歷了從童年末期到青春期之間種種百轉千回和進一步退兩步的轉變。我們共同體驗了家庭中永遠充滿動態的讚揚與責備系統。前一分鐘，他們是全世界最好的小孩，下一分鐘，我便開始嘮叨了，而且往往用的是責

備的詞句：“你本該更專心一點的！”“你就不能表示一下關心嗎？”“你怎麼這麼不懂事！” 跟許多其他家長一樣，在鎮定的時候，我能分清“壞行為”與“壞孩子”的區別，可是，一到了氣頭上，它們就被拋到九霄雲外了。通過我的家人以及我自己的科研工作，我明白了一個被責駡的孩子是如何突然間脫離了與周圍環境的緊密聯繫，進入一個凍結的孤獨地帶的。他們會抿起嘴唇，大口地咽下喉嚨間難受的哽咽，雙臂緊緊貼在身體兩側，直到決堤一般的感情洪流漸漸平息。“我不是壞孩子。”我聽過自己和他人的孩子頑固地如是說，說的時候，他們會密切觀察家長，看他們是承認還是詆毀這一勇敢的聲明。作為一名家長，當我正為來自各方面的壓力而忙得焦頭爛額、

耐性有限時，就曾被孩子責怪過“不公平”，甚至是“討厭”。我曾經多次為自己不夠耐心、過於苛刻、不夠體諒或太自私，而深深地自責。只有當孩子們用笑容、擁抱和自信證明給我看時，我的自尊才會恢復，認可自己仍是稱職的母親。 在研究青春期少年的過程中，讚揚和責備的影響力再一次一馬當先，成為焦點。對進入青春期的孩子來說，朋友的評判力才能肯定及塑造他們。家長的評判只會遭到孩子無休無止、不留情面的挑戰。“我才不在乎你怎麼想”是我們能對另一個人說出的最輕蔑的話，而在幾百次目睹家長與青少年交流時，這句話我聽過無數遍。評判的受重視程度，往往是鑒別誰受尊敬、誰有影響力的關鍵。家長們往往會說：“沒有什麼比他拒絕我的評判更

讓我害怕的了。”“沒有什麼比他不在乎我的想法更讓我感覺孤立無援的了。” 然而，隨著我不斷解碼這些青春期少年與家長之間的頻繁爭吵，我意識到，這些看似目中無人的少男少女，其實自始至終都極為重視父母的評判。青春期少年把“被評判”列在“最憎恨事物名單”之首，因為他們希望能擺脫自己對家長褒貶的深切關注。把自己的評判同家長的分離開來，青少年才得以發現並打造自己的個性。然而他們也渴望家長欣賞他們這一嶄新且與眾不同的具有評判力的自我。這個關乎家長的贊同與反對的矛盾，塑造了青少年與家長的關係。 在面對朋友、同事、伴侶時，我們都會因獲得讚揚而高興，因遭到責備而氣惱。“無條件的愛”這一概念之所以會如此讓人迷戀（

也如此讓人迷惑），不過是因為它是在一個游離於評判世界之外的美麗天堂。只不過，即便在我們最親密、最恒久的感情中，即便愛本身毫無條件，即便依戀感能持續永遠，評判仍會帶來重要的影響。一個牙牙學語的嬰兒備受我們寵愛，但我們無法保證他在被人說是“壞孩子”時不感到羞恥，在受到高聲責駡時不感到害怕，或在希望被關注卻遭到漠視時不感到傷心。相愛的兩個人也許會立下山盟海誓，為被對方徹底接受而欣喜，然而在婚姻中，雙方都會經歷各種各樣的評判，那關乎對方的關心程度、關注程度、公平程度，甚至是愛的品質。 人們常說，變老的最大好處就是不會再關心別人的看法了。不過，據我觀察，想要實現這樣的平和與自信仍需大量的努力。在研究所

謂的“中年危機”時，我發現成年人成長這一關鍵步驟的支點，不外乎一個格外強烈的欲望——靠控制自己對他人褒貶的敏感度，加強對自己評判的信任，從而奪回自己對生活的控制。 雖然我向來對理智評判力感興趣，但我對這方面知識的形成，則基於科學家在研究人腦評判方面取得的突破性新發現。大約150年來，我們對人腦的研究主要集中於它是如何處理實質資訊、解決問題、識別並使用模式、探索環境並在其中生存的。我們曾認為，人腦是為了專門掌握這些實際能力才進化出如此大的容量。但是，30年前，一個別出心裁的假說為人類巨大的腦容量提供了一個新解釋。 從進化學的角度來看，擁有一個巨大的腦是要付出高昂代價的。這一巨大器官耗費了我們

能量攝入總量的20%。而且，嬰兒出生時，巨大的頭顱需要穿過狹窄的產道，這增加了母嬰雙方的危險。而為了降低這個危險，嬰兒在大腦尚未發育成熟、仍十分脆弱時便被娩出。幸好，未成熟的大腦也造就了長時間的依賴生活。在進化學中，我們發現這一特性往往能帶來好處：長期的依賴生活能製造更緊密的人際關係，同時增加大腦的可塑性，即適應不同環境的能力。 每個人都需要適應人類環境的多變性，但其中不變的一點是我們需要有能力與他人共同生活。現在我們明白，人腦的巨大容量與我們對依賴感、協作性、交流能力和評判力的需求是息息相關的，而這些都是我們社交能力的基礎。換言之，我們巨大的腦容量來自我們基本的社交要求。 對於能支持這一

“社會腦假說”（socialbrainhypothesis）的證據，我們還能從其他物種上觀察到：腦容量的相對大小在一定程度上取決於該物種是喜歡獨居還是群居。比如，成群飛行的鳥類的腦容量，要比獨來獨往的鳥類的大得多。進一步說，在從獨居轉為群居時，任何動物（連蝗蟲也包括在內）的大腦都會產生變化：當它加入群體後，它會開始關注其他動物的行為，腦中負責學習和記憶的部分會增長1/3。在所有物種之中，從鳥類，到蝗蟲，再到人類，腦容量越大，社交能力就越強。 另一個支援社會腦假說的論據，來自對腦的品質發展及功能的研究。新生兒大腦的重量是成人大腦的1/4，但其幾乎已經擁有一套完整的神經元，即腦細胞。我們在出生時

並不具有、卻能隨著與他人交流而飛速增長的，是一套複雜的神經元通信網路。正是這套可觀的通信網路（大多用來處理社交知識），讓腦重量增加了3倍之多。牛津大學的進化生物學教授羅賓·鄧巴（RobinDunbar）認為，大腦的通信網路是提供“在龐大、複雜的社會中生存的計算需求”的關鍵。我們需要計算其他人的可信度、慷慨度及善良度。我們需要計算他們的企圖。我們需要計算他們對我們的反應：他們是否認為我們是可信的、慷慨的？他們想做我們的朋友嗎？我們是否得到了足夠的贊同，能夠融入他們的圈子？ 我們講到人類從根本上是評判的動物，他人的評判會給我們造成深刻的影響，一些讀者初讀這裡，也許會因這個觀點感到不安，或是覺得難

以相信。一些人的人生哲學就是：我們不應該評判他人。評判一詞通常被用來表示批評，常常與負面評判畫等號。很多俗語名言都警告我們不要評判別人。我的老師總會告誡：“如果你的話不是好話，就不要開口。”而《聖經·新約》裡威力最強的指令就是：“你們不要論斷人，就不被論斷。”這類格言強調的是人類的評判力很容易因偏見影響而扭曲，同時指出我們也經歷著別人的負面評判。儘管如此，我們仍無時無刻不做著評判，無論是正面的還是負面的，因為這是人類進化的結果。 還有一種看法是：“別人對我的看法根本不重要。”重要的是，無論別人怎麼看我，只要“我懂自己”就行了。我會在後文中探討，自我評估是一件至關重要的事情，可是，他人的評判仍會

影響我們對自己的看法。自信心與自我信賴產生於很多種人際關係，其中一些很私密，而另一些則是公開的、社會性的。一個人對自己的滿意度與受欣賞程度之間的關係並不簡單，不過，人類的大腦已經進化到能留意他人的評判，並在我們受到讚揚時感到驕傲、歡快、舒服，在受到責備時感到傷心、氣憤、難過的程度。我們得到的讚揚和責備甚至能影響我們的壽命。 學習駕馭我們心中那張複雜而混亂的評判表，是我們一生都要用心去做的事情。讚揚與責備本身也是兩套極複雜的評判制度。從本質上來說，它們並不具備好處或壞處，也不會帶來安慰或傷害。兩者都是必要的，而且，在我看來，也都是不可避免的。我希望這本書能幫助你理解我們的評判力（尤其是那些能被

廣泛定義為讚揚或責備的評判是如何在我們心中形成，並影響一切人際關係的），無論它們是最親密、最持久的，還是最短暫、最隨便的。在生活中，我們的評判無時不在——有意的、無意的、正面的、負面的……而且，我們也無時不在監視著他人的評判，尤其是那些針對我們的。對這一點的意識，能極大地幫助我們控制自己的偏見，包容他人的觀點，理解我們對自己及他人產生的強烈卻莫名其妙的反應。  

機器學習：演算法視角（原書第2版）

為了解決背包容量計算的問題，作者（紐西蘭）史蒂芬·馬斯蘭 這樣論述：

機器學習融合了電腦科學、統計學、數學、工程學等多個學科，應用領域遍及經濟、生物、醫藥、物理、化學等。本書針對電腦科學專業學生遇到的統計學基礎知識不足的問題，聚焦於機器學習中的演算法，清晰呈現演算法背後的數學和統計學知識，同時提供必要的程式設計技巧和實驗方法。 書中全面涵蓋各類演算法，如神經網路、多層感知器、徑向基函數、支援向量機、進化學習、強化學習、決策樹學習、無監督學習、圖模型等。第2版進行了全面修訂和更新，以反映機器學習的新發展，新增了兩個章節來討論深度置信網路和高斯過程，此外，還添加了隨機森林、考慮精度的方法、MLP的共軛梯度優化、卡爾曼濾波和粒子濾波等內容。 本書的代碼示例採用Py

thon語言編寫，所有代碼均可從stephenmonika.net免費下載。 史蒂芬·馬斯蘭（Stephen Marsland）新西蘭惠靈頓維多利亞大學數學與統計學院教授，兼任新西蘭複雜系統卓越研究中心專案主管，負責複雜性、風險與不確定性等相關主題的研究工作。研究興趣是幾何和複雜系統的應用，主要涉及形狀空間、機器學習和演算法。 第2版前言 第1版前言 第1章　緒論1 　1.1　如果資料有品質，地球將成為黑洞1 　1.2　學習3 　　1.2.1　機器學習3 　1.3　機器學習的類別4 　1.4　監督學習5 　　1.4.1　回歸5 　　1.4.2　分類6 　

1.5　機器學習過程7 　1.6　關於程式設計的注意事項8 　1.7　本書的學習路線9 　拓展閱讀10 第2章　預備知識11 　2.1　專業術語11 　　2.1.1　權重空間11 　　2.1.2　維度災難12 　2.2　知你所知：測試機器學習演算法13 　　2.2.1　過擬合14 　　2.2.2　訓練集、測試集和驗證集14 　　2.2.3　混淆矩陣15 　　2.2.4　精度指標16 　　2.2.5　受試者工作特徵曲線17 　　2.2.6　不平衡資料集17 　　2.2.7　度量精度18 　2.3　資料與概率的轉換19 　　2.3.1　最小化風險20 　　2.3.2　樸素貝葉斯分類21 　2.4　

基本統計概念22 　　2.4.1　平均值22 　　2.4.2　方差與協方差22 　　2.4.3　高斯分佈24 　2.5　權衡偏差與方差24 　拓展閱讀26 　習題26 第3章　神經元、神經網路和線性判別27 　3.1　大腦和神經元27 　　3.1.1　Hebb法則27 　　3.1.2　McCulloch和Pitts神經元28 　　3.1.3　McCulloch和Pitts神經元模型的局限性29 　3.2　神經網路30 　3.3　感知器31 　　3.3.1　學習速率η32 　　3.3.2　輸入偏置32 　　3.3.3　感知器學習演算法33 　　3.3.4　感知器學習示例34 　　3.3.5　具體

實現35 　3.4　線性可分性39 　　3.4.1　感知器收斂定理40 　　3.4.2　XOR函數41 　　3.4.3　有用的領悟42 　　3.4.4　另一個示例：皮馬印第安人資料集43 　　3.4.5　數據預處理44 　3.5　線性回歸45 　　3.5.1　示例46 　拓展閱讀47 　習題48 第4章　多層感知器49 　4.1　前向50 　　4.1.1　偏置50 　4.2　後向：誤差的反向傳播50 　　4.2.1　多層感知器演算法53 　　4.2.2　初始化權重55 　　4.2.3　不同的輸出啟動函數56 　　4.2.4　順序和批量訓練57 　　4.2.5　局部最小57 　　4.2.6　利用

衝量58 　　4.2.7　小批量和隨機梯度下降58 　　4.2.8　其他改善方法59 　4.3　實踐中的MLP59 　　4.3.1　訓練數據的量59 　　4.3.2　隱藏層的數目59 　　4.3.3　什麼時候停止學習60 　4.4　MLP應用示例61 　　4.4.1　回歸問題61 　　4.4.2　使用MLP分類63 　　4.4.3　分類示例：iris資料集64 　　4.4.4　時間序列預測66 　　4.4.5　資料壓縮：自動關聯網路68 　4.5　MLP使用指南69 　4.6　反向傳播的推導70 　　4.6.1　網路輸出70 　　4.6.2　網路誤差70 　　4.6.3　啟動函數的要求71 　

　4.6.4　誤差的後向傳播72 　　4.6.5　輸出啟動函數74 　　4.6.6　誤差函數的另一種形式75 　拓展閱讀75 　習題76 第5章　徑向基函數和樣條函數77 　5.1　感受野77 　5.2　徑向基函數網路79 　　5.2.1　訓練RBF網路80 　5.3　插值和基函數82 　　5.3.1　基和基擴展83 　　5.3.2　三次樣條函數84 　　5.3.3　用樣條擬合數據84 　　5.3.4　平滑樣條85 　　5.3.5　更高維度86 　　5.3.6　邊界之外86 　拓展閱讀87 　習題87 第6章　維度約簡88 　6.1　線性判別分析89 　6.2　主成分分析91 　　6.2.1　

PCA演算法與多層感知器的關係94 　　6.2.2　核PCA94 　6.3　因素分析96 　6.4　獨立成分分析97 　6.5　局部線性嵌入98 　6.6　ISOMAP演算法100 　　6.6.1　多維標度法101 　拓展閱讀102 　習題103 第7章　概率學習104 　7.1　高斯混合模型104 　　7.1.1　期望最大化演算法105 　　7.1.2　資訊準則107 　7.2　最近鄰法108 　　7.2.1　近鄰平滑109 　　7.2.2　有效的距離計算：KD-Tree110 　　7.2.3　距離度量112 　拓展閱讀114 　習題114 第8章　支持向量機115 　8.1　最優分割115

　　8.1.1　間隔和支持向量116 　　8.1.2　約束優化問題117 　　8.1.3　非線性可分問題的鬆弛變數119 　8.2　核120 　　8.2.1　選擇核121 　　8.2.2　示例：XOR122 　8.3　支援向量機演算法122 　　8.3.1　實現123 　　8.3.2　示例125 　8.4　支持向量機的拓展126 　　8.4.1　多類分類126 　　8.4.2　支持向量機回歸127 　　8.4.3　其他優勢128 　拓展閱讀128 　習題128 第9章　優化和搜索130 　9.1　下山法130 　　9.1.1　泰勒展開132 　9.2　最小二乘優化133 　　9.2.1　Le

venberg-Marquardt演算法133 　9.3　共軛梯度法137 　　9.3.1　示例139 　　9.3.2　共軛梯度和MLP139 　9.4　搜索：三種基本方法141 　　9.4.1　窮舉法141 　　9.4.2　貪婪搜索142 　　9.4.3　爬山法142 　9.5　開發和探索143 　9.6　模擬退火法143 　　9.6.1　演算法比較144 　拓展閱讀145 　習題145 第10章　進化學習146 　10.1　遺傳演算法147 　　10.1.1　字串表示147 　　10.1.2　評價適應度148 　　10.1.3　種群148 　　10.1.4　產生後代：選擇父母149 　10

.2　產生後代：遺傳運算元150 　　10.2.1　交叉150 　　10.2.2　變異151 　　10.2.3　精英法、比賽法和小生境151 　10.3　使用遺傳演算法153 　　10.3.1　圖著色153 　　10.3.2　間斷平衡154 　　10.3.3　示例：背包問題155 　　10.3.4　示例：四峰問題155 　　10.3.5　遺傳演算法的缺陷156 　　10.3.6　用遺傳演算法訓練神經網路156 　10.4　遺傳程式157 　10.5　與採樣結合的進化學習158 　拓展閱讀159 　習題160 第11章　強化學習161 　11.1　概述161 　11.2　示例：迷路162 　　1

1.2.1　狀態和動作空間163 　　11.2.2　胡蘿蔔和棍子：獎賞函數164 　　11.2.3　折扣165 　　11.2.4　動作選擇165 　　11.2.5　策略166 　11.3　瑪律可夫決策過程166 　　11.3.1　瑪律可夫性166 　　11.3.2　瑪律可夫決策過程中的概率167 　11.4　值167 　11.5　回到迷路的示例：利用強化學習170 　11.6　sarsa和Q-learning的不同171 　11.7　強化學習的用處172 　拓展閱讀172 　習題173 第12章　樹的學習174 　12.1　使用決策樹174 　12.2　構建決策樹175 　　12.2.1　快速

入門：資訊理論中的熵175 　　12.2.2　ID3176 　　12.2.3　基於Python的樹和圖的實現178 　　12.2.4　決策樹的實現178 　　12.2.5　處理連續變數180 　　12.2.6　計算複雜度180 　12.3　分類和回歸樹181 　　12.3.1　基尼不純度181 　　12.3.2　樹回歸182 　12.4　分類示例182 　拓展閱讀184 　習題184 第13章　委員會決策：集成學習186 　13.1　boosting187 　　13.1.1　AdaBoost187 　　13.1.2　掘根190 　13.2　bagging190 　　13.2.1　subaggi

ng191 　13.3　隨機森林192 　　13.3.1　與boosting方法比較193 　13.4　組合分類器的不同方法194 　拓展閱讀195 　習題196 第14章　無監督學習197 　14.1　k-means演算法197 　　14.1.1　處理噪點200 　　14.1.2　k-means神經網路200 　　14.1.3　歸一化201 　　14.1.4　一個更好的權重更新規則202 　　14.1.5　示例：iris數據203 　　14.1.6　使用競爭學習來聚類203 　14.2　向量量化204 　14.3　自組織特徵映射204 　　14.3.1　SOM演算法206 　　14.3.2　

近鄰連接207 　　14.3.3　自組織208 　　14.3.4　網路維度和邊界條件208 　　14.3.5　SOM應用示例209 　拓展閱讀211 　習題211 第15章　瑪律可夫鏈蒙特卡羅方法213 　15.1　採樣213 　　15.1.1　亂數213 　　15.1.2　高斯亂數214 　15.2　蒙特卡羅216 　15.3　建議分佈216 　15.4　瑪律可夫鏈蒙特卡羅219 　　15.4.1　瑪律可夫鏈219 　　15.4.2　Metropolis-Hastings演算法220 　　15.4.3　模擬退火222 　　15.4.4　Gibbs採樣223 　拓展閱讀224 　習題225 第

16章　圖模型226 　16.1　貝葉斯網路227 　　16.1.1　示例：考試恐懼227 　　16.1.2　近似推斷230 　　16.1.3　創建貝葉斯網路232 　16.2　瑪律可夫隨機場233 　16.3　隱瑪律可夫模型234 　　16.3.1　前向演算法236 　　16.3.2　Viterbi演算法238 　　16.3.3　Baum-Welch或前向後向演算法239 　16.4　跟蹤方法242 　　16.4.1　卡爾曼濾波242 　　16.4.2　粒子濾波247 　拓展閱讀249 　習題250 第17章　對稱權重與深度置信網路251 　17.1　積極學習:Hopfield網路252 　

　17.1.1　聯想記憶252 　　17.1.2　實現聯想記憶252 　　17.1.3　能量函數255 　　17.1.4　Hopfield網路的容量256 　　17.1.5　連續Hopfield網路257 　17.2　隨機神經元：玻爾茲曼機257 　　17.2.1　受限玻爾茲曼機259 　　17.2.2　CD演算法的推導262 　　17.2.3　監督學習265 　　17.2.4　RBM作為定向置信網路267 　17.3　深度學習268 　　17.3.1　深度置信網路270 　拓展閱讀273 　習題273 第18章　高斯過程274 　18.1　高斯過程回歸275 　　18.1.1　添加雜訊276

　　18.1.2　高斯過程回歸的實現（一）278 　　18.1.3　學習參數279 　　18.1.4　高斯過程回歸的實現（二）280 　　18.1.5　選擇（一組）協方差函數282 　18.2　高斯過程分類282 　　18.2.1　拉普拉斯近似283 　　18.2.2　計算後驗283 　　18.2.3　高斯過程分類的實現285 　拓展閱讀286 　習題287 附錄　Python入門288  

背包理論在課程規劃之應用—以某補習班排課為例

為了解決背包容量計算的問題，作者陳建儒 這樣論述：

在過去，課程編排從學習進度的循序漸進到教師的人力分配一直是補教業所面臨的難題，尤其在考前衝刺班難以進行詳細的人力調度及學習進度的追蹤，因此，需要專案管理模型進行分析。背包理論可適用在各個領域，如研發、製造、行銷、工程建造等，背包理論的目的，是在於使企業利用有限的資源找到最大利益的路徑，透過背包理論的探討可使企業以最省成本的方式，使專案達到最具經濟效益。本論文建構背包理論在補教業課程規劃之模型，主要的目的是讓課程編排者可透過本模型同時編排多個班級的課程，並可設定各課程的資訊，包括課程名稱、課程間之前後順序關係及課程需要的上課時數，進而計算出總時數即輸出關鍵路徑，透過背包問題規劃出適當課程，讓課

程編排者可依循此資訊做資源的分配及減少總時數的功能。最後，本論文針對補習班課程規劃模型進行分析與討論，透過研究背包理論與實作補習班課程規劃模組後，針對上課時數及課程單元的順序進行深入探討。