開放式編碼範例的問題，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

ASP.NET Core工程師不可不知的10大安全性漏洞與防駭方法

為了解決開放式編碼範例的問題，作者RomanCanlas 這樣論述：

　　『OWASP發展至今，前10大排名的弱點已不再是單純的一種攻擊名稱，而是一種不安全的行為。作者以弱點復現來說明其弱點成因，是我推薦本書的主要原因，希望本書能帶給程式設計師更多安全開發的觀念！』——登豐數位科技創辦人／白帽駭客　黃建笙（Jason 方丈）　專文推薦 　　『雖然這本書是資訊安全的書籍，卻沒有艱深難懂的理論，利用輕鬆的攻與防，讓讀者在攻防戰之間提升資安與安全程式碼二者的經驗值，讓你一次擁有劍與盾兩件寶物。』——微軟MVP最有價值專家　陳傳興（Bruce Chen）　專文推薦 　　ASP.NET Core開發人員經常會收到安全性測試的結果，報告中顯示的是在W

eb應用程式中所發現的漏洞。雖然這些報告可以提供一些高階的修復建議，但是它們往往沒有說明，為了解決或是修復這些測試所發現的弱點，你需要採取哪些確切的步驟？ 　　在本書的第1章中，首先，你將學習安全程式碼的基本概念。然後，在第2章到第11章中，我們將帶領你一步步學習識別常見的Web應用程式漏洞。在閱讀的過程中，我們也會介紹如何在ASP.NET Core Web應用程式中修復不安全的組態設定。我們更進一步展示如何解決不同類型的跨網站指令碼(XSS)。最後還有獨立的一章，專門指導你修復不再屬於OWASP Top 10清單的其他漏洞。 　　本書的寫作格式屬於訣竅式風格(recipe style)：

每一個訣竅都代表一個問題，我們會先展示不安全程式碼的範例，接著提供相應的解決方案，讓你學習如何根除應用程式中的安全錯誤。遵循簡單的訣竅步驟，你將探索ASP.NET Core Web應用程式中不同類型的安全性弱點，理解什麼樣的程式碼會導致應用程式不安全，然後一步步練習如何修復它們，由此建立強健又安全的解決方案。 　　讀完這本書，你將獲得解決ASP.NET Core Web應用程式安全性漏洞的實用訣竅，以及修復安全性缺陷的實戰經驗。 　　你將從本書學會： 　　・如何消滅ASP.NET Core Web應用程式中的bug 　　・探索不同類型的注入攻擊，並防止這個漏洞被利用 　　・修復與無效的身分

驗證和授權相關的安全問題 　　・使用多種保護技術，排除敏感資料外洩的風險 　　・啟用ASP.NET Core Web應用程式的安全功能，防止不安全的組態設定 　　・探索ASP.NET Web應用程式的其他漏洞，以及安全開發的最佳實踐 　　目標讀者 　　本書的目標讀者是那些使用「ASP.NET Core框架」開發Web應用程式的開發人員和軟體工程師。本書非常適合初學者和經驗豐富的資深工程師：本書將指導新手學習編寫「安全程式碼」的必要基礎，而資深工程師也可以利用這本書，作為一個逐步編寫「ASP.NET Core安全程式碼」的快速參考。 　　對於那些希望深入理解「如何透過程式碼來保護ASP.NE

T Core應用程式」的應用系統安全工程師來說，這本書也能提供很好的幫助。本書將協助他們瞭解「如何修復」他們每天執行的安全測試所發現的問題。

終身機器學習（原書第2版）

為了解決開放式編碼範例的問題，作者(美)陳志源劉兵 這樣論述：

本書介紹終身學習這種高級機器學習範式，這種範式通過積累過去的知識持續地學習，並將學到的知識用於幫助在未來進行其他學習和解決問題。相比之下，當前主流的機器學習範式都是孤立學習，即給定一個訓練資料集，之後在這個資料集上運行機器學習演算法以生成模型，然後再將該模型運用于預期的應用。這些范式不保留已經學到的知識，也不將其運用到後續的學習中。與孤立學習系統不同，人類只通過少量的樣例就能實現有效學習，這是因為人類的學習是知識驅動的，即只需少量的資料或付出，就能利用過去已經學到的知識去學習新事物。終身學習的目標就是模仿人類的這種學習能力，因為一個沒有持續學習能力的AI系統不能算作真正的智慧。 自本書第1版

出版以來，終身學習的研究在相對較短的時間內取得了顯著的進展。出版第2版是為了擴展終身學習的定義，更新部分章節的內容，並添加一個新的章節來介紹深度神經網路中持續學習的內容，這部分內容在過去的兩三年裡一直被積極研究。部分章節的內容也進行了修改，使得內容更有條理，方便讀者閱讀。此外，作者希望為這一研究領域提出一個統一的框架。目前，在機器學習中有幾個與終身學習密切相關的研究課題，特別是多工學習、遷移學習以及元學習，因為它們也採用了知識共用和知識遷移的思想。本書之所以集中介紹這些技術並討論其異同，目的是在介紹終身機器學習的同時，對該領域的重要研究成果和新想法進行全面回顧。本書適用於對機器學習、資料採擷、

自然語言處理或模式識別感興趣的學生、研究人員和從業人員。   陳志源（ZhiyuanChen） 在伊利諾伊大學芝加哥分校劉兵教授的指導下獲得博士學位，博士論文題目為“終身機器學習：主題建模與分類”。他于2016年加入穀歌公司。他的研究興趣包括機器學習、自然語言處理、文本挖掘、資料採擷和競價拍賣演算法。他提出了幾種終身機器學習演算法，實現了自動從文本文檔中挖掘資訊，並在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要會議上發表了超過15篇長篇研究論文。他還在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三個關於終身機器學習的教程。他曾經是許

多著名的自然語言處理、資料採擷、人工智慧和互聯網研究會議的成員，並于2015年獲得伊利諾州技術基金會頒發的最有潛力50人獎，以表彰他的學術貢獻。 劉兵（Bing Liu） 是伊利諾伊大學芝加哥分校的傑出教授，在愛丁堡大學獲得了博士學位。他的研究興趣包括終身學習、情感分析、資料採擷、機器學習和自然語言處理，他在頂級會議和期刊上發表了大量論文，其中兩篇論文獲得了KDD 10年Test-of-Time獎，一篇論文獲得WSDM 10年Test-of-Time獎。他也是4本書的作者，其中2本關於情感分析，1本關於終身學習，1本關於資料採擷。他的一些工作被媒體廣泛報導，包括《紐約時報》的頭版文章。他是

2018 ACM SIGKDD創新獎的獲得者，也是很多頂級資料採擷會議（包括KDD、ICDM、CIKM、WSDM、SDM和PAKDD）的程式主席。他同時是包括TKDE、TWEB、DMKD和TKDD在內的頂級期刊的副編輯，還是很多自然語言處理、人工智慧、網路和資料採擷會議的領域主席或者高級程式委員會成員，並且曾經是2013～2017年ACM SIGKDD的主席，是ACM、AAAI和IEEE會士。   譯者序 前 言 致 謝 第1章 引言1 1.1 傳統機器學習範式1 1.2 案例3 1.3 終身學習簡史7 1.4 終身學習的定義9 1.5 知識類型和關鍵挑戰14 1.6 評

估方法和大資料的角色17 1.7 本書大綱18 第2章 相關學習範式20 2.1 遷移學習20 2.1.1 結構對應學習21 2.1.2 樸素貝葉斯遷移分類器22 2.1.3 遷移學習中的深度學習23 2.1.4 遷移學習與終身學習的區別24 2.2 多工學習25 2.2.1 多工學習中的任務相關性25 2.2.2 GO-MTL：使用潛在基礎任務的多工學習26 2.2.3 多工學習中的深度學習28 2.2.4 多工學習與終身學習的區別30 2.3 線上學習30 2.4 強化學習31 2.5 元學習32 2.6 小結34 第3章 終身監督學習35 3.1 定義和概述36 3.2 基於記憶的終

身學習37 3.2.1 兩個基於記憶的學習方法37 3.2.2 終身學習的新表達37 3.3 終身神經網路39 3.3.1 MTL網路39 3.3.2 終身EBNN40 3.4 ELLA：高效終身學習演算法41 3.4.1 問題設定41 3.4.2 目標函數42 3.4.3 解決第一個低效問題43 3.4.4 解決第二個低效問題45 3.4.5 主動的任務選擇46 3.5 終身樸素貝葉斯分類47 3.5.1 樸素貝葉斯文本分類47 3.5.2 LSC的基本思想49 3.5.3 LSC技術50 3.5.4 討論52 3.6 基於元學習的領域詞嵌入52 3.7 小結和評估資料集54 第4章 持續

學習與災難性遺忘56 4.1 災難性遺忘56 4.2 神經網路中的持續學習58 4.3 無遺忘學習61 4.4 漸進式神經網路62 4.5 彈性權重合並63 4.6 iCaRL：增量分類器與表示學習65 4.6.1 增量訓練66 4.6.2 更新特徵表示67 4.6.3 為新類構建範例集68 4.6.4 在iCaRL中完成分類68 4.7 專家閘道69 4.7.1 自動編碼閘道69 4.7.2 測量訓練的任務相關性70 4.7.3 為測試選擇最相關的專家71 4.7.4 基於編碼器的終身學習71 4.8 生成式重放的持續學習72 4.8.1 生成式對抗網路72 4.8.2 生成式重放73 4.

9 評估災難性遺忘74 4.10 小結和評估資料集75 第5章 開放式學習79 5.1 問題定義和應用80 5.2 基於中心的相似空間學習81 5.2.1 逐步更新CBS學習模型82 5.2.2 測試CBS學習模型84 5.2.3 用於未知類檢測的CBS學習84 5.3 DOC：深度開放式分類87 5.3.1 前饋層和一對其餘層87 5.3.2 降低開放空間風險89 5.3.3 DOC用於圖像分類90 5.3.4 發現未知類90 5.4 小結和評估資料集91 第6章 終身主題建模93 6.1 終身主題建模的主要思想93 6.2 LTM：終身主題模型97 6.2.1 LTM模型97 6.2.

2 主題知識挖掘99 6.2.3 融合過去的知識100 6.2.4 Gibbs採樣器的條件分佈102 6.3 AMC：少量資料的終身主題模型102 6.3.1 AMC整體演算法103 6.3.2 挖掘must-link知識104 6.3.3 挖掘cannot-link知識107 6.3.4 擴展的Pólya甕模型108 6.3.5 Gibbs採樣器的採樣分佈110 6.4 小結和評估資料集112 第7章 終身資訊提取114 7.1 NELL：永不停止語言學習器114 7.1.1 NELL結構117 7.1.2 NELL中的提取器與學習118 7.1.3 NELL中的耦合約束120 7.2 終

身評價目標提取121 7.2.1 基於推薦的終身學習122 7.2.2 AER演算法123 7.2.3 知識學習124 7.2.4 使用過去知識推薦125 7.3 在工作中學習126 7.3.1 條件隨機場127 7.3.2 一般依賴特徵128 7.3.3 L-CRF演算法130 7.4 Lifelong-RL：終身鬆弛標記法131 7.4.1 鬆弛標記法132 7.4.2 終身鬆弛標記法133 7.5 小結和評估資料集133 第8章 聊天機器人的持續知識學習135 8.1 LiLi：終身交互學習與推理136 8.2 LiLi的基本思想139 8.3 LiLi的組件141 8.4 運行示例1

42 8.5 小結和評估資料集142 第9章 終身強化學習144 9.1 基於多環境的終身強化學習146 9.2 層次貝葉斯終身強化學習147 9.2.1 動機147 9.2.2 層次貝葉斯方法148 9.2.3 MTRL演算法149 9.2.4 更新層次模型參數150 9.2.5 對MDP進行採樣151 9.3 PG-ELLA：終身策略梯度強化學習152 9.3.1 策略梯度強化學習152 9.3.2 策略梯度終身學習設置154 9.3.3 目標函數和優化154 9.3.4 終身學習的安全性原則搜索156 9.3.5 跨領域終身強化學習156 9.4 小結和評估資料集157 第10章 結

論及未來方向159 參考文獻164     前言 Lifelong Machine Learning,Second Edition   編寫第2版的目的是擴展終身學習的定義，更新部分章節的內容，並添加一個新的章節來介紹深度神經網路中的持續學習(continual learning in deep neural networks），這部分內容在過去的兩三年裡一直被積極研究。另外，還重新組織了部分章節，使得內容更有條理。 編寫本書的工作始於我們在2015年第24屆國際人工智慧聯合會議（IJCAI）上關於終身機器學習(lifelong machine learning）的教程

。當時，我們已經對終身機器學習這個主題做了一段時間的研究，並在ICML、KDD和ACL上發表了幾篇文章。當Morgan ＆ Claypool出版社聯繫我們要出版關於該主題的圖書時，我們很興奮。我們堅信終身機器學習（或簡稱終身學習）對未來的機器學習和人工智慧（AI）至關重要。值得注意的是，終身學習有時在文獻中也被稱為持續學習(continuallearning）或連續學習(continuous learning）。我們對該主題的最初研究興趣源於幾年前在一個初創公司所做的關於情感分析（SA）的工作中所積累的廣泛應用經驗。（典型的SA專案始于客戶在社交媒體中對他們自己或競爭對手的產品或服務發表的消費

者意見。）SA系統包含兩個主要的分析任務：（1）發現人們在評論文檔（如線上評論）中談到的實體（例如，iPhone）和實體屬性/特徵（例如，電池壽命）；（2）確定關於每個實體或實體屬性的評論是正面的、負面的或中立的［Liu,2012,2015］。例如，從“iPhone真的很酷，但它的電池壽命很糟糕”這句話中，SA系統應該發現：（1）作者對iPhone的評論是正面的；（2）作者對iPhone的電池續航時間的評論是負面的。 在參與許多領域（產品或服務的類型）的許多專案之後，我們意識到跨領域和跨項目之間存在著大量可共用的資訊。隨著我們經歷的項目越來越多，遇到的新事物卻越來越少。很容易看出，情感詞和短

語（如好的、壞的、差的、糟糕的和昂貴的）是跨領域共用的，大量的實體和屬性也是共用的。例如，每個產品都有價格屬性，大量電子產品有電池，大多數還有螢幕。如果不使用這些可共用的資訊來大幅度提高SA的準確度，而是單獨處理每個專案及其資料，是比較愚蠢的做法。經典的機器學習范式完全孤立地學習。在這種範式下，給定一個資料集，學習演算法在這個資料集上運行並生成模型，演算法沒有記憶，因此無法使用先前學習的知識。為了利用知識共用，SA系統必須保留和積累過去學到的知識，並將其用於未來的學習和問題的解決，這正是終身學習(lifelonglearning）的目標。 不難想像，這種跨領域和跨任務的資訊或知識共用在每個領域

都是正確的。在自然語言處理中尤為明顯，因為單詞和短語的含義在不同領域和任務之間基本相同，句子語法也是如此。無論我們談論什麼主題，都使用相同的語言，儘管每個主題可能只使用一種語言中的一小部分單詞和短語。如果情況並非如此，那麼人類也不會形成自然語言。因此，終身學習可以廣泛應用，而不僅僅局限於情感分析。 本書的目的是提出這種新興的機器學習範式，並對該領域的重要研究成果和新想法進行全面的回顧。我們還想為該研究領域提出一個統一的框架。目前，機器學習中有幾個與終身學習密切相關的研究課題，特別值得注意的是多工學習和遷移學習，因為它們也採用了知識共用和知識遷移的思想。本書將集中介紹這些主題，並討論它們之間的

相同和差異。我們將終身學習視為這些相關範式的擴展。通過本書，我們還想激勵研究人員開展終身學習的研究。我們相信終身學習代表了未來幾年機器學習和人工智慧的主要研究方向。如果不能保留和積累過去學到的知識，對知識進行推理，並利用已學到的知識幫助未來的學習和解決問題，那麼實現通用人工智慧（Artificial General Intelligence, AGI）是不可能的。 編寫本書遵循了兩個主要指導原則。首先，它應該包含開展終身學習研究的強大動機，以便鼓勵研究生和研究人員致力於研究終身學習的問題。其次，它的內容對於具有機器學習和資料採擷基礎知識的從業者和高年級本科生應該是易於理解的。但是，對於計畫攻

讀機器學習和資料採擷領域博士學位的研究生來說，應該學習更加詳盡的資料。 因此，本書適用於對機器學習、資料採擷、自然語言處理或模式識別感興趣的學生、研究人員和從業人員。   陳志源和劉兵 2018年8月  

教師專業社會化歷程之研究─以高師大研究生為例

為了解決開放式編碼範例的問題，作者陳俐穎 這樣論述：

本研究採用質性研究，旨在探討以研究生為主之教師專業社會化歷程研究。透過訪談的方式瞭解不同成長背景修習教育學程之研究生，希冀成為教師的根本原因及歷程研究。研究之主要方式採用半結構式訪談進行資料蒐集，以六名高雄師範大學修畢師資職前教育課程之研究生為訪談對象。瞭解受訪者在完成教育學程的過程中，所接受的專業訓練以及修課、教育實習中所遭受的困難，乃至成長為一名可以獨當一面教師的專業社會化之歷程。經訪談六位高師大研究生所得研究結論如下：壹、研究生選擇修習教育學程之原因一、受自身興趣與內心收穫等內在因素之影響二、重要他人為最重要的外在影響因素貳、探討研究生教師專業社會化之過程一、接受專業師資培育之教師專業

社會化前之工作與求學經驗有益於教師專業社會化二、於師資培育機構時之教師專業社會化歷程有助於教師專業能力的養成三、研究生修習教育學程與半年教育實習對教師專業社會化有正向增能四、研究生修習教育學程之教師專業化後期的未來規劃大多以相關行業為主