392銀行代碼的問題，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

模型思維：簡化世界的人工智能模型

為了解決392銀行代碼的問題，作者龔才春 這樣論述：

對從事演算法研究與演算法開發的人來說，模型的學習與使用必不可少。尤其是在目前備受關注的人工智慧領域裡，人人談模型，新模型也是層出不窮，讓人眼花繚亂。   模型讓人又愛又恨：可愛的地方在於它確實能夠解決實際問題，而且其有效性一般都經過了檢驗；可恨的地方在於學習它是一件非常痛苦的事情，尤其是對人工智慧的初學者來說。   《模型思維》將人工智慧在現實生活場景中解決的問題分類，並根據這個分類來介紹各種模型。書中將人工智慧問題分為權重問題、狀態問題、序列問題、表示問題、相似問題和分類問題六大類，方便讀者瞭解各個模型之間的關係，也方便讀者理解各個模型的適用場景。   《模型思維》儘量更多地結合模型的使用場

景，更多地介紹實際業務需求之間的關係，更多地採用生活中淺顯易懂的例子，方便人工智慧的初學者學習模型。   《模型思維》不僅適合希望學習和運用人工智慧模型到具體應用場景的企業工程師、科研院所的學生和科研人員，也適合對人工智慧模型感興趣的讀者，説明其將模型思維應用到生活中。 龔才春 畢業於中國科學院計算技術研究所，工學博士學位；教授，博士生導師；長期從事人工智慧與人力資源等領域的研究。   中關村科金技術人工智慧研究院院長，職品匯創始人，大街網原首席科學家，阿裡巴巴原搜索研發專家。   在大資料採擷方面有許多成功經驗，創辦了大資料虛假簡歷識別平臺職品匯；在自然語言處理，尤其是語

義理解、知識圖譜等方面有深刻理解，中文幽默識別是其一個有特色的研究工作；曾負責淘寶評論的情感分析等工作。 第1篇 模型為什麼這麼神奇 模型是一個很常見的名詞。與人力資源管理相關的有漏斗模型、人才模型、定級模型等；與工程師相關的有線性回歸模型、隱瑪律可夫模型、LDA模型等；與業務相關的有價格預測模型、銷量預測模型等；與銷售相關的有SSM模型、銷售漏斗模型、銷售能力模型等；與行銷相關的有市場衝突矩陣模型、品牌五力模型、區域行銷模型等……但到底什麼是模型、怎麼選擇合適的模型、怎麼創新模型，則是仁者見仁，智者見智。 第1章 為什麼要建立模型 2 1.1 什麼是模型 2 1.2 無處不在的模型 4 1

.3 模型的意義 4 1.3.1 萬有引力定律 4 1.3.2 大陸漂移假說 5 1.3.3 日心說 5 1.4 模型都是對的嗎 6 1.4.1 模型可以是錯的 7 1.4.2 模型可以是未被證實的 7 1.4.3 模型可以是互相矛盾的 7 1.5 什麼模型是好模型 8 1.5.1 表示客觀事物的能力 8 1.5.2 簡化客觀事物的能力 9 1.5.3 評價模型好壞的模型 9 1.6 模型的演化 9 1.7 正確看待模型的價值與缺陷 10 1.7.1 正確看待模型的局限性 10 1.7.2 用歷史的觀點看模型 10 1.7.3 拋棄對模型的階級觀點 11 1.7.4 用發展的觀點看模型 11

1.8 本書的特點 12 1.8.1 對讀者的基礎要求 12 1.8.2 從場景出發講模型 12 1.8.3 從方法論的視角講模型 13 1.8.4 用類比的技巧講模型 13 1.8.5 避免讀者被數學公式嚇倒 13 1.8.6 避免“知識的詛咒” 14 1.9 本書主要內容 14 1.9.1 權重模型 15 1.9.2 狀態模型 15 1.9.3 序列模型 15 1.9.4 表示模型 16 1.9.5 相似模型 16 1.9.6 分類模型 16 第2章 模型的運用 18 2.1 用知識圖譜表示問題 18 2.1.1 知識圖譜的基本理念 18 2.1.2 建立知識圖譜的一般步驟 19 2.1.

3 問題的屬性研究 19 2.1.4 問題的關係研究 20 2.2 問題分析的示例 20 2.2.1 前提假設分析 20 2.2.2 已有資料的分析 21 2.2.3 待求資料的分析 21 2.2.4 關係分析 21 2.3 權重問題的判斷 22 2.4 狀態問題的判斷 24 2.5 序列問題的判斷 25 2.6 表示問題的判斷 25 2.7 相似問題的判斷 26 2.8 分類問題的判斷 26 2.9 模型之間的關係 27 第2篇 權重模型：計算你的分量 世界上的萬事萬物，紛繁複雜，讓人眼花繚亂。幾千年來，人類一直在試圖發現事物背後的共性規律。在電腦學者眼裡，世界上幾乎所有問題，最終都可以歸

結為權重計算的問題。 權重問題是一個通用問題，在各個學科中都已經有許多深入的研究，也有了許多計算各種各樣權重的方法。將這些權重計算方法進行整理並抽象，就簡化為模型了。 第3章 TF-IDF模型 33 3.1 應用場景 33 3.2 詞頻率—逆文檔頻率模型的計算 34 3.2.1 詞頻率模型 34 3.2.2 逆文檔頻率模型 37 3.2.3 TF-IDF模型 39 3.3 詞權重模型的平滑 40 3.4 引申閱讀 40 3.4.1 發明歷史 41 3.4.2 發明人簡介 41 3.4.3 最新研究 42 3.5 本章總結 42 第4章 線性回歸模型 43 4.1 應用場景 43 4.2 直觀理

解回歸問題 44 4.3 一元線性回歸問題 45 4.3.1 鋼軌長度與溫度的關係 45 4.3.2 判斷最合適直線的兩個原則 47 4.3.3 最小二乘法 50 4.4 多元線性回歸問題 52 4.5 標準方程法 53 4.5.1 一些符號定義 53 4.5.2 矩陣表示 54 4.5.3 參數求解 55 4.5.4 用標準方程法計算銀行授信額度 58 4.6 梯度下降法 60 4.6.1 梯度下降法的直觀理解 60 4.6.2 坡度最陡下山法 63 4.6.3 坡度最陡下山法的類比 64 4.6.4 梯度下降法的計算 66 4.6.5 銀行授信額度的計算 67 4.7 梯度下降法與標準方程

法的區別 68 4.8 引申閱讀 69 4.8.1 最小二乘法的發明 69 4.8.2 梯度下降法的發明 69 4.8.3 最新研究 69 4.9 本章總結 71 第5章 PageRank模型 73 5.1 應用場景 73 5.2 PageRank的直觀演算法 74 5.2.1 直觀理解 75 5.2.2 模型的初始化 77 5.2.3 模型的反覆運算 79 5.3 直觀演算法的漏洞修復 81 5.3.1 非連通漏洞 81 5.3.2 過河拆橋型漏洞 82 5.3.3 孤芳自賞型漏洞 85 5.3.4 過分謙虛型漏洞 85 5.3.5 隨機遊走模型 86 5.4 PageRank模型的計算 8

8 5.4.1 連結關係表 88 5.4.2 連結流覽矩陣 88 5.4.3 直接流覽矩陣 89 5.4.4 狀態轉移矩陣 89 5.4.5 反覆運算計算 90 5.4.6 計算示例 91 5.5 引申閱讀 92 5.5.1 收斂性證明 93 5.5.2 發明歷史 94 5.5.3 發明人簡介 94 5.5.4 相關研究 95 5.6 本章總結 95 第3篇 狀態模型：加官進爵的模型 事物是變化的，我們也要從意識形態上跟上客觀事物的變化，否則就會犯“刻舟求劍”的笑話。目前，最好的描述事物狀態改變的模型是自動機模型，又被稱為有限狀態自動機模型。 在電腦領域，有很多自動機模型的應用場景。例如常見

的正向最大匹配分詞演算法其實就是一個自動機模型；在自然語言處理中，中文分詞、語音辨識、詞性標注、字串查找、拼寫糾錯、模糊匹配等都是自動機模型的變種；在網路安全領域中，我們最熟悉的病毒掃描場景，很多都使用了AC自動機模型，這也是一種狀態轉移自動機模型。 第6章 有限狀態自動機模型 100 6.1 應用場景 100 6.1.1 Java詞法分析 100 6.1.2 Java詞法分析示例 101 6.2 直觀理解與形式化描述 103 6.2.1 自動機模型的直觀理解 103 6.2.2 形式化描述 105 6.3 詞法分析自動機模型 105 6.3.1 注釋識別自動機 105 6.3.2 保留字識別

自動機 107 6.4 位址解析自動機模型 108 6.4.1 位址解析場景概述 108 6.4.2 地址解析的難度 109 6.4.3 標準地址庫建設 110 6.4.4 位址識別自動機模型 111 6.5 引申閱讀 113 6.5.1 發明歷史 113 6.5.2 發明人簡介 114 6.5.3 最新研究 115 6.6 本章總結 115 第7章 模式匹配自動機模型 116 7.1 應用場景 116 7.2 形式化描述 118 7.3 BF模式匹配演算法 118 7.3.1 BF演算法的直觀理解 118 7.3.2 BF演算法的匹配過程示例 119 7.3.3 BF演算法的偽代碼表示 12

1 7.3.4 BF演算法的自動機模型 121 7.4 RK模式匹配演算法 122 7.5 KMP模式匹配演算法 123 7.5.1 KMP演算法的直觀理解 123 7.5.2 KMP演算法的匹配過程示例 125 7.5.3 移動長度的計算 127 7.5.4 KMP演算法的自動機模型 129 7.5.5 KMP演算法的總結 129 7.6 BM模式匹配演算法 129 7.6.1 後向BF演算法 130 7.6.2 實現跳躍式匹配 131 7.6.3 基於壞字元的模式匹配過程 132 7.6.4 壞字元匹配演算法的缺陷 137 7.6.5 好尾碼的匹配規則 138 7.6.6 BM模式匹配演算

法介紹 141 7.6.7 BM演算法的自動機模型 143 7.7 AC模式匹配演算法 143 7.7.1 TRIE樹的使用 144 7.7.2 TRIE樹的構建 145 7.7.3 失效指針的直觀理解 146 7.7.4 失效指針的設置示例 147 7.7.5 失效指標的設置演算法 150 7.7.6 AC演算法的匹配過程示例 152 7.8 Wu-Manber模式匹配演算法 153 7.8.1 Wu-Manber演算法的直觀理解 153 7.8.2 Wu-Manber演算法的總體思路 155 7.8.3 字元塊 156 7.8.4 後移長度陣列 157 7.8.5 字元塊的雜湊值 159

7.8.6 倒排鏈表 159 7.8.7 首碼雜湊值 160 7.8.8 Wu-Manber演算法示例 161 7.9 引申閱讀 163 7.10 本章總結 166 第4篇 序列模型：揭示現象背後的規律 序列模型，就是根據可觀察的現象序列，探索其背後不可觀察的神秘序列。我們能夠想到的需要探索現象背後的邏輯、本質、規律等，都可以歸結為序列模型。 第8章 隱瑪律可夫模型 170 8.1 應用場景 171 8.2 瑪律可夫鏈 171 8.3 隱瑪律可夫模型的定義 173 8.3.1 直觀定義 173 8.3.2 形式化定義 174 8.3.3 盲人與苔蘚的例子 174 8.4 兩個假設 176 8

.4.1 齊次瑪律可夫假設 176 8.4.2 觀察獨立性假設 176 8.5 評估問題 177 8.5.1 評估問題的應用價值 177 8.5.2 暴力求解法 178 8.5.3 前向演算法 179 8.5.4 前向演算法的形式化描述 185 8.5.5 前向演算法的演算法描述 186 8.5.6 後向演算法 187 8.6 解碼問題 190 8.6.1 暴力求解法 190 8.6.2 維特比演算法 190 8.6.3 維特比演算法的形式化描述 197 8.7 學習問題 198 8.7.1 監督學習 199 8.7.2 非監督學習 201 8.7.3 一個更簡單的EM演算法例子 202 8.

7.4 更好一點的演算法 205 8.7.5 直觀方法 206 8.7.6 Baum-Welch演算法 207 8.7.7 Baum-Welch演算法的偽代碼表示 212 8.8 引申閱讀 213 8.8.1 發明人簡介 213 8.8.2 最新研究 214 8.9 本章總結 215 第9章 最大熵模型 216 9.1 應用場景 216 9.1.1 語義消歧 216 9.1.2 音字轉換 217 9.1.3 其他常見場景 217 9.2 直觀理解最大熵 217 9.2.1 熵增加原理 217 9.2.2 熵的定義 218 9.2.3 不要把雞蛋放在同一個籃子裡 219 9.2.4 不要隨意添加

主觀假設 219 9.3 最簡單的最大熵計算示例 220 9.3.1 方程組求解 220 9.3.2 最大熵化 221 9.3.3 拉格朗日乘子法 221 9.3.4 骰子的概率計算 223 9.3.5 計算複雜度分析 225 9.4 形式化定義 226 9.4.1 經驗分佈 226 9.4.2 特徵函數 227 9.4.3 特徵範本 228 9.4.4 約束條件及其期望 228 9.4.5 條件熵 230 9.4.6 最大熵的定義 230 9.5 最大熵模型的計算流程 231 9.5.1 模型訓練 231 9.5.2 模型執行 232 9.6 平滑方法 232 9.6.1 拉普拉斯平滑 23

3 9.6.2 古德—圖靈平滑 236 9.6.3 Jelinek-Mercer平滑 238 9.6.4 Katz平滑 239 9.6.5 絕對折扣平滑 241 9.6.6 Witten-Bell平滑 241 9.6.7 Kneser-Ney平滑 242 9.6.8 各種平滑方法的演化關係 243 9.7 特徵選擇 245 9.7.1 基於閾值的特徵選擇 245 9.7.2 增量式特徵選擇 245 9.8 參數計算 246 9.8.1 參數計算的形式化 246 9.8.2 參數的數值計算 248 9.9 引申閱讀 250 9.10 本章總結 251 第5篇 表示模型：萬事萬物的表示 當人們在

看到某個事物或現象後，需要向沒有看到的人描述這個事物或現象時，就需要盡可能找一個讓對方可以接受並理解的方式來表示該事物或現象。對事物或現象的表示，是這個事物或現象區別於其他事物或現象的基礎，是進行轉述、分析、處理的前提。 到了現代社會，表示方法越來越普遍，使用也越來越頻繁。重大的科技創新，往往都是從表示方法創新開始的。 第10章 向量空間模型 256 10.1 應用場景 256 10.2 之前的文本表示方法 257 10.3 向量空間模型 258 10.3.1 文檔的詞袋化 258 10.3.2 文檔的向量化 259 10.3.3 詞項的權重計算 261 10.4 相似度計算 263 10.5

引申閱讀 264 10.5.1 發明人介紹 264 10.5.2 最新研究 264 10.6 本章總結 265 第11章 潛在語義分析模型 266 11.1 應用場景 266 11.2 LSA模型的計算 268 11.2.1 詞—文檔矩陣 268 11.2.2 奇異值分解 270 11.2.3 降維處理 272 11.3 結果的解讀 275 11.3.1 3個矩陣的物理含義 275 11.3.2 實驗結果解讀 275 11.4 為什麼LSA模型有效 277 11.5 LSA模型的應用 278 11.5.1 識別同義詞和近義詞 278 11.5.2 文檔的聚類和分類 280 11.5.3 跨語

言語義檢索 281 11.6 LSA模型的不足 282 11.7 引申閱讀 283 11.7.1 發明人介紹 283 11.7.2 最新研究 283 11.8 本章總結 284 第6篇 相似模型：誰與我臭味相投 在現實生活的許多場景中，都需要判斷兩個事物有多相似。各種事物之所以可以比較，是因為我們已經潛在地計算了事物之間的相似度。之所以稱這種相似度是“潛在的”，是因為我們以為是在尋找事物之間的差異，其實在尋找差異之前我們已經找到了相似之處。 第12章 相似模型 288 12.1 歐幾裡得距離 288 12.2 曼哈頓距離 289 12.3 切比雪夫距離 292 12.4 閔可夫斯基距離 29

3 12.5 馬哈拉諾比斯距離 293 12.5.1 用歐氏距離計算身材相似度 293 12.5.2 歐氏距離失效的原因 294 12.5.3 引入原因 295 12.5.4 方差與協方差 295 12.5.5 馬氏距離的定義 298 12.5.6 馬氏距離為什麼有效 299 12.6 皮爾遜相關係數 299 12.7 Jaccard相關係數 300 12.8 余弦相似度 302 12.9 漢明距離 304 12.10 KL散度 305 12.11 海林格距離 307 12.12 編輯距離 307 12.13 本章總結 312 第7篇 分類模型：物以類聚，人以群分 分類問題是我們在日常生活中

每時每刻都可能遇到的。分類也是所有決策制定的基礎，沒有分類，就不可能有決策的制定與實施。各行各業每天都在處理各式各樣的分類問題：高校要根據高考成績判斷是否錄用考生；HR要根據候選人簡歷判斷是否安排面試；公司CEO要根據市場情況及時調整產品戰略和銷售目標；農民要根據天氣、作物生長狀況等決定是否澆水、施肥；廚師要根據火候判斷菜品是否應該出鍋；司機要根據目的地和交通狀況決定是直行還是轉向…… 在現實生活中，我們可能遇到的分類問題千差萬別，可以對分類問題進行分類，從而使每一類分類問題可以用一類分類模型來處理。 第13章 感知機模型 315 13.1 應用場景 315 13.2 神經元的工作原理 317

13.3 感知機模型的原理 320 13.3.1 感知機模型的數學表示 320 13.3.2 感知機模型的分類原理 320 13.3.3 距離的計算 323 13.3.4 代價函數 323 13.4 參數訓練 324 13.4.1 梯度下降法 324 13.4.2 計算示例 325 13.5 引申閱讀 326 13.5.1 發明歷史 326 13.5.2 最新研究 327 13.5.3 與其他模型的關係 327 13.6 本章總結 328 第14章 邏輯回歸模型 329 14.1 應用場景 329 14.2 直觀理解邏輯回歸模型 330 14.2.1 邏輯回歸的目標模型 330 14.2.2

邏輯回歸模型的工作原理 332 14.3 邏輯回歸模型的計算 333 14.3.1 相關符號表示 333 14.3.2 代價函數 334 14.3.3 梯度下降法 335 14.4 引申閱讀 336 14.4.1 發明人簡介 336 14.4.2 發明歷史 337 14.4.3 最新研究 337 14.5 本章總結 338 第15章 樸素貝葉斯模型 339 15.1 應用場景 339 15.2 先驗概率和後驗概率 340 15.3 貝葉斯公式 341 15.3.1 全概率公式 341 15.3.2 逆概率公式 342 15.4 獨立假設 343 15.5 文本分類的案例 344 15.5.1

訓練樣本介紹 345 15.5.2 詞典與先驗概率 345 15.5.3 直接使用貝葉斯公式 346 15.5.4 拉普拉斯平滑 347 15.6 引申閱讀 349 15.7 本章總結 349 第16章 決策樹模型 350 16.1 應用場景 350 16.2 決策樹模型的直觀理解 351 16.2.1 猜數字的遊戲 351 16.2.2 猜動物的遊戲 352 16.2.3 決策樹模型要解決的問題 354 16.3 最佳決策樹 354 16.3.1 蠻力的方法 355 16.3.2 從數據中領悟審批原則 355 16.3.3 什麼是好問題 356 16.4 信息量的計算 357 16.4.1

資訊熵的定義 357 16.4.2 熵的計算示例 358 16.4.3 熵的單位 359 16.5 資訊增益與ID3演算法 359 16.5.1 條件熵的定義 360 16.5.2 資訊增益的計算 360 16.5.3 使用資訊增益選擇特徵 361 16.5.4 ID3演算法 364 16.6 資訊增益比與C4.5演算法 364 16.6.1 資訊增益比的定義 364 16.6.2 計算示例 365 16.6.3 C4.5演算法 365 16.7 基尼係數與CART演算法 366 16.7.1 基尼係數定義 367 16.7.2 基尼係數計算示例 368 16.7.3 CART分類樹演算法

372 16.7.4 CART回歸樹 373 16.8 引申閱讀 375 16.8.1 發明歷史 375 16.8.2 最新研究 377 16.9 本章總結 377 第17章 支援向量機模型 378 17.1 應用場景 378 17.2 一元支持向量機 379 17.3 二元支持向量機 383 17.3.1 實例場景描述 383 17.3.2 最佳分類面 384 17.3.3 最佳分類直線的函數形式 385 17.3.4 分類間隔的計算 387 17.3.5 最大化問題的數學表示 388 17.3.6 拉格朗日乘子法 389 17.4 支持向量機的對偶問題 391 17.4.1 SVM模型的數

學描述 391 17.4.2 SVM模型的對偶問題 392 17.5 支持向量機的參數求解 396 17.5.1 SMO演算法的形式描述 396 17.5.2 SMO演算法的整體思路 397 17.5.3 參數更新過程 399 17.5.4 乘子的啟發式選擇 401 17.6 引申閱讀 402 17.6.1 發明歷史 402 17.6.2 發明人簡介 403 17.6.3 最新研究 403 17.7 本章總結 404

392銀行代碼進入發燒排行的影片

餐飲業社會企業員工的工作幸福感之研究－高階主管的觀點與作為

為了解決392銀行代碼的問題，作者陳宥如 這樣論述：

本研究旨在透過餐飲業社會企業高階主管的觀點與作為，以瞭解其員工的工作幸福感。研究目的包括：（一）瞭解餐飲業社會企業高階主管對員工的工作幸福感在個人層面之觀點與作為、（二）探討餐飲業社會企業高階主管對員工的工作幸福感在組織層面之觀點與作為，以及（三）分析餐飲業社會企業高階主管對員工的工作幸福感在整體層面之觀點與作為。本研究採用個案研究、深度訪談，以及文件分析等研究方法，以6間餐飲業社會企業為個案研究的對象，並以其高階主管作為本研究的研究參與者，同時使用半結構式訪談大綱為研究工具。本研究透過資料蒐集、歸納、整理與分析，得出以下研究結果：（一）餐飲業社會企業創辦之緣起，大多為業主對本身所面臨的社會

問題，或社會現象困境感知需要解決之故；（二）高階主管對員工的工作幸福感，在「個人層面｣之觀點與作為，可包括：1.提供肩負社會責任的混合型組織文化、2.具有回到初心的工作理念、3.提供富有利他主義的核心工作價值、4.給予工作能力的信心支持、5.懂得用心瞭解員工需求，以及6.提供具有挑戰性的工作，產生助人的工作成就；（三）高階主管對員工的工作幸福感，在「組織層面｣方面，可包括：1.提供員工發揮空間，和穩定的工作環境、2.提供明確的目標，使員工有工作的自我價值、3.促進員工積極主動的參與工作、4.營造溫暖與富有情感的工作氛圍、5.產出各司其職的團隊工作模式、6.著重口頭表揚與實質獎勵，和7.採用開放

及尊重的溝通方式；以及（四）高階主管對員工的工作幸福感，在「整體層面｣方面，則可包括：1.上下認同核心價值，內化企業使命、2.全體竭盡所能，發揮自我效能、3.瞭解並認真執行工作的社會意義、4.企業與員工一心，全心投入工作目標、5.具有共同的革命情感和組織承諾、和6.凝聚高昂的團隊士氣。

Spring Batch權威指南

為了解決392銀行代碼的問題，作者（美）邁克爾•T.米內拉 這樣論述：

本書主要包括： 探索Spring Batch 4中的新特性。 使用Spring Batch項目在雲環境中完成有限的批次處理任務。 通過一些示例，理解最新的基於Java和Spring Boot的配置技術 掌握複雜場景和雲環境中的批次處理 開發能夠運行在現代平臺上的批次處理應用 除了Spring Batch，使用Spring Portfolio的其他部分開發關鍵任務型批次處理應用 Michael T. Minella是一位軟體工程師、作家和演說家，擁有超過18年的專業經驗。Michael是Pivotal的軟體工程主管，領導了Spring Batch和Spring Cloud T

ask專案，他也是JSR-352(Java Batch)的專家組成員。另外，他還是一名Java Champion和JavaOne Rockstar，曾在許多不同的Java國際會議上發表演講。   在日常工作外，Michael還在播客OffHeap上扮演“脾氣暴躁的人”。他個人對資訊安全話題(InfoSec)也很感興趣。Michael的愛好包括攝影和木工，他和愛人Erica、孩子Addison生活在一起。 第1章 批次處理和Spring 1 1.1 批次處理的歷史 2 1.2 批次處理面臨的挑戰 3 1.3 為什麼使用Java進行批次處理 4 1.4 Spring Batch

的其他用途 5 1.5 Spring Batch框架 7 1.5.1 使用Spring定義作業 8 1.5.2 管理作業 9 1.5.3 本地和遠端的並行化 9 1.5.4 標準化I/O 10 1.5.5 Spring Batch生態系統的其他部分 10 1.5.6 Spring的所有特性 10 1.6 如何閱讀本書 11 1.7 本章小結 11 第2章 Spring Batch入門 13 2.1 批次處理的架構 13 2.1.1 深入討論作業和步驟 14 2.1.2 執行作業 15 2.1.3 並行化 16 2.1.4 文檔 18 2.2 專案設置 19 2.2.1 獲取Spring Ba

tch 19 2.2.2 IntelliJ IDEA 21 2.3 “Hello，World!”示例程式 22 2.4 運行作業 25 2.5 本章小結 26 第3章 示例作業 27 3.1 瞭解敏捷開發 27 3.1.1 通過用戶故事捕捉需求 28 3.1.2 使用測試驅動開發捕捉設計 29 3.1.3 使用版本控制系統 29 3.1.4 在真正的開發環境中工作 30 3.2 理解作業需求 30 3.3 設計批次處理作業 34 3.3.1 作業描述 35 3.3.2 理解資料模型 36 3.4 本章小結 37 第4章 理解作業和步驟 39 4.1 作業介紹 39 4.2 配置作業 41

4.2.1 基本的作業配置 41 4.2.2 作業參數 43 4.2.3 使用作業監聽器 55 4.2.4 執行上下文 58 4.2.5 操作ExecutionContext 58 4.3 使用步驟 62 4.3.1 Tasklet和基於塊的處理 62 4.3.2 步驟的配置 63 4.3.3 理解其他類型的Tasklet 65 4.3.4 步驟流 80 4.4 本章小結 95 第5章 作業存儲庫和中繼資料 97 5.1 作業存儲庫是什麼 97 5.1.1 使用關聯式資料庫 97 5.1.2 使用記憶體存儲庫 101 5.2 配置批次處理基礎設施 101 5.2.1 BatchConfigu

rer介面 101 5.2.2 自訂JobRepository 102 5.2.3 自訂TransactionManager 103 5.2.4 自訂JobExplorer 104 5.2.5 自訂JobLauncher 105 5.2.6 配置資料庫 106 5.3 使用中繼資料 106 5.4 本章小結 110 第6章 運行作業 111 6.1 使用Spring Boot啟動作業 111 6.2 使用REST API啟動作業 113 6.3 使用Quartz進行調度 118 6.4 停止作業 121 6.4.1 自然結束 121 6.4.2 以程式設計方式結束 122 6.4.3 錯誤處

理 134 6.5 控制作業的重啟 136 6.5.1 阻止作業再次執行 136 6.5.2 配置重啟次數 137 6.5.3 重新運行一個完整的步驟 138 6.6 本章小結 139 第7章 ItemReader 141 7.1 ItemReader介面 141 7.2 檔輸入 142 7.2.1 平面文件 142 7.2.2 XML文件 167 7.3 JSON 172 7.4 資料庫輸入 174 7.4.1 JDBC 174 7.4.2 Hibernate 180 7.4.3 JPA 184 7.4.4 存儲過程 186 7.4.5 Spring Data 187 7.5 現有的服務

191 7.6 自訂輸入 194 7.7 錯誤處理 198 7.7.1 跳過記錄 199 7.7.2 把無效的記錄記入日誌 200 7.7.3 處理沒有輸入的情況 202 7.8 本章小結 203 第8章 ItemProcessor 205 8.1 ItemProcessor概述 205 8.2 使用Spring Batch提供的ItemProcessor 206 8.2.1 ValidatingItemProcessor 207 8.2.2 輸入校驗 207 8.2.3 ItemProcessorAdapter 213 8.2.4 ScriptItemProcessor 215 8.2.5

CompositeItemProcessor 216 8.3 編寫自己的條目處理器 220 8.4 本章小結 222 第9章 ItemWriter 223 9.1 ItemWriter概述 224 9.2 基於文件的ItemWriter 225 9.2.1 FlatFileItemWriter 225 9.2.2 StaxEventItemWriter 235 9.3 基於資料庫的ItemWriter 239 9.3.1 JdbcBatchItemWriter 239 9.3.2 HibernateItemWriter 244 9.3.3 JpaItemWriter 249 9.4 NoS

QL ItemWriter 252 9.4.1 MongoDB 252 9.4.2 Noe4j 255 9.4.3 Pivotal Gemfire和Apache Geode 259 9.4.4 Repository抽象 263 9.5 輸出到其他目標的ItemWriter 266 9.5.1 ItemWriterAdapter 266 9.5.2 PropertyExtractingDelegating-ItemWriter 268 9.5.3 JmsItemWriter 271 9.5.4 SimpleMailMessage-ItemWriter 275 9.6 複合的ItemWriter

280 9.6.1 MultiResource-ItemWriter 280 9.6.2 CompositeItemWriter 288 9.6.3 ClassifierComposite-ItemWriter 291 9.7 本章小結 294 第10章 示例應用 297 10.1 回顧銀行對帳單作業 297 10.2 配置新專案 298 10.3 導入客戶資料 300 10.3.1 驗證客戶ID 306 10.3.2 寫入客戶更新 308 10.4 導入交易資料 311 10.4.1 讀取交易 313 10.4.2 寫入交易 314 10.5 計算當前餘額 315 10.5.1 讀取交易

316 10.5.2 更新帳戶餘額 316 10.6 生成對帳單 317 10.6.1 讀取對帳單數據 317 10.6.2 為對帳單添加帳戶信息 320 10.6.3 寫對帳單 322 10.7 本章小結 326 第11章 伸縮和調優 327 11.1 分析批次處理作業的性能 327 11.1.1 VisualVM之旅 328 11.1.2 分析Spring Batch應用的性能 331 11.2 伸縮作業 337 11.2.1 多執行緒步驟 337 11.2.2 並行步驟 339 11.2.3 組合使用AsyncItemProcessor和AsyncItemWriter 344 11.2

.4 分區 346 11.2.5 遠程分塊 360 11.3 本章小結 365 第12章 雲原生的批次處理 367 12.1 “12要素應用” 367 12.1.1 代碼庫 368 12.1.2 依賴 368 12.1.3 配置 368 12.1.4 支援服務 368 12.1.5 構建、發佈、運行 369 12.1.6 進程 369 12.1.7 埠綁定 369 12.1.8 併發 369 12.1.9 可丟棄性 369 12.1.10 開發環境與線上環境的等價 370 12.1.11 日誌 370 12.1.12 管理進程 370 12.2 一個簡單的批次處理作業 370 12.3 斷路

器 376 12.4 外部化配置 379 12.4.1 Spring Cloud Config 379 12.4.2 通過Eureka進行服務綁定 381 12.5 批次處理過程的編排 384 12.5.1 Spring Cloud Data Flow 385 12.5.2 Spring Cloud Task 386 12.5.3 註冊和運行任務 387 12.6 本章小結 390 第13章 批次處理的測試 391 13.1 使用JUnit和Mockito進行單元測試 391 13.1.1 JUnit 392 13.1.2 mock對象 394 13.1.3 Mockito 395 13.2

使用Spring的實用工具進行集成測試 398 13.2.1 使用Spring進行通用集成測試 398 13.2.2 測試Spring Batch 400 13.3 本章小結 408

超商業、金融業之知識分享與服務創新關係之實證比較

為了解決392銀行代碼的問題，作者劉仲軒 這樣論述：

摘要學號 : M10758010論文名稱 : 超商業、金融業之知識分享與服務創新關係之實證比較總頁數 : 134學校名稱 : 國立屏東科技大學 系(所)別 : 企業管理系畢業時間及摘要別 : 一百零八學年度第二學期碩士學位論文摘要研究生 : 劉仲軒 指導教授 : 洪春吉 博士蔡展維 博士論文摘要內容 :知識分享與服務創新皆為管理領域內重要議題，本研究以台灣重要產業之金融業、超商業為研究母體，實證探討金融業、超商業之知識分享與服務創新之實證比較。本研究所採用之量表為 Bock & Kim (2002)所設計之知識分享量表，以及莊立民

（2002）所發展之服務創新量表，經學者及本研究之測試，量表信效度皆高。本研究以天下雜誌(2019)所列國內前一百大金融業及連鎖超商業為 研究母體。本研究以金融業 47 家、超商業 58 家共 105 家公司。本研究先以電話聯絡及親自拜訪所有母體公司，徵求配合之意願，針對配合參與之公司，以親自拜訪及郵寄的方式發放問卷，總共發放600份問卷，有效問卷共 513 份，其中金融業 279 份、超商業 234 份，有效問卷回收率為 89%。本研究實證結果發現如下 :一、 超商業在知識分享「期望關係」、「期望貢獻」、「期望報酬」、「知識分享的行為」之認知高於金融業。二、 超商業在服務創新「新

服務概念」、「新顧客介面」之認知高於金融業。三、 金融業之知識分享之「知識分享的行為」、「期望貢獻」、「期望關係」構面均能影響服務創新。四、 超商業之知識分享之「期望報酬」、「期望貢獻」構面均能影響服務創新。五、 金融業之知識分享與服務創新呈現高度顯著正相關，超商業亦然。六、 就企業變項而言，(一)金融業之知識分享之不同「職位階層」、不同「服務年資」都有顯著差異；(二)金融業之服務創新之不同「職位階層」、不同「服務年資」都有顯著差異；就企業變項而言超商業則無顯著差異。七、 就人口統計變項而言，(一)金融業之知識分享之不同「婚姻狀況」、不同「年齡」、不同「教育程度」

都有部分顯著差異；(二)金融業之服務創新之不同「婚姻狀況」、不同「年齡」、不同「教育程度」亦都有部分顯著差異；(一)超商業之知識分享之不同「性別」、不同「年齡」亦然有部分顯著差異；(二)超商業之服務創新則無顯著差異。關鍵字 : 知識分享、服務創新、超商業、金融業