CLS300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

人工智能導論（第3版）

為了解決CLS300的問題，作者丁世飛 這樣論述：

主要闡述人工智慧的基本原理、方法和應用技術。全書共13章，除第1章討論人工智慧基本概念、第13章討論人工智慧的爭論與展望外，其餘11章按照“基本智慧+典型應用+計算智慧”三個模組編排內容。   一個模組為人工智慧經典的三大技術，分別為知識表示技術、搜索技術和推理技術，主要包括知識表示、確定性推理、搜索策略、不確定性推理；第二個模組為人工智慧的典型應用領域，包括機器學習、支援向量機和專家系統；第三個模組為計算智慧與群智慧，包括神經計算、進化計算、模糊計算和群智慧。 　　 該書力求科學性、模組化、實用性。內容由淺入深、循序漸進，條理清晰，讓讀者在有限的時間內，掌握人工智慧的基本原理、基本方法和應用

技術。該書為教師提供習題答案。 　　 該書可作為電腦科學與技術、智慧科學與技術、人工智慧、自動化、機器人工程等相關專業的教材，也可供從事人工智慧研究與應用的科技工作者學習參考。 丁世飛，男，畢業於中國科學院計算技術研究所，中國礦業大學教授，博士生導師。從事人工智慧、機器學習、模式識別、資料採擷、大資料智慧分析、生物資訊識別、粗糙集與軟計算等方面理論與應用研究。   主持國家重點基礎研究計畫（973計畫）課題1項、國家自然科學基金面上專案2項、江蘇省自然科學基金專案1項、中國博士後科學基金1項、國家重點實驗室開放基金3項；參加國家”863”高技術專案1項、國家自然科學基金重點

專案1項、國家自然科學基金面上專案3項等。   近年來，出版專著4部，申請或授權發明專利10項，在國內外重要學術期刊上發表研究論文200餘篇，其中被SCI檢索100餘篇，其中被電腦學科ESI檢索20餘篇。 第1章 緒論 1 1．1 人工智慧的概念 1 1．1．1 智慧的定義 1 1．1．2 人工智慧的定義 3 1．2 人工智慧的產生和發展 5 1．2．1 孕育期（20世紀50年代中期以前） 5 1．2．2 形成及第一個興旺期（20世紀50年代中期至60年代中期） 6 1．2．3 蕭條波折期（20世紀60年代中期至70年代中期） 7 1．2．4 第二個興旺期（20世紀70年代

中期至80年代中期） 8 1．2．5 穩步增長期（20世紀80年代中期至今） 10 1．2．6 中國的人工智慧發展 11 1．3 人工智慧的主要學派 12 1．3．1 符號主義學派 12 1．3．2 連接主義學派 13 1．3．3 行為主義學派 14 1．4 人工智慧的主要研究內容 14 1．5 人工智慧的主要應用領域 17 小結 24 習題1 24 第2章 知識表示 25 2．1 知識表示概述 25 2．1．1 知識的概念 25 2．1．2 知識表示的概念 26 2．2 一階謂詞邏輯標記法 27 2．2．1 命題 27 2．2．2 謂詞 28 2．2．3 謂詞公式 29 2．2．4 謂詞邏

輯表示 30 2．2．5 謂詞邏輯標記法的特點 33 2．3 產生式標記法 33 2．3．1 產生式表示的基本方法 33 2．3．2 產生式系統的基本結構 35 2．3．3 產生式系統的分類 36 2．3．4 產生式標記法的特點 37 2．4 語義網路標記法 39 2．4．1 語義網路的基本概念 39 2．4．2 語義網路的基本語義關係 39 2．4．3 語義網路表示知識的方法 41 2．4．4 語義網路的推理過程 45 2．4．5 語義網路標記法的特點 46 2．5 框架標記法 46 2．5．1 框架結構 46 2．5．2 框架表示 48 2．5．3 框架表示的推理過程 50 2．5．4 框

架標記法的特點 50 2．6 腳本標記法 50 2．7 物件導向標記法 54 小結 56 習題2 57 第3章 確定性推理 59 3．1 推理概述 59 3．1．1 推理的概念 59 3．1．2 推理的分類 59 3．1．3 推理的控制策略 61 3．2 推理的邏輯基礎 63 3．2．1 謂詞公式的永真性和可滿足性 63 3．2．2 置換與合一 65 3．3 自然演繹推理 68 3．4 歸結演繹推理 69 3．4．1 子句型 69 3．4．2 魯濱遜歸結原理 72 3．4．3 歸結演繹推理的歸結策略 76 3．4．4　用歸結原理求取問題的答案 81 小結 81 習題3 82 第4章 搜索策

略 85 4．1 搜索概述 85 4．2 一般圖搜索 86 4．2．1 圖搜索的基本概念 86 4．2．2 狀態空間搜索 87 4．2．3 一般圖搜索過程 91 4．3 盲目搜索 92 4．3．1 寬度優先搜索 93 4．3．2 深度優先搜索 95 4．3．3 有界深度搜索和反覆運算加深搜索 97 4．3．4 搜索最優策略的比較 98 4．4 啟發式搜索 99 4．4．1 啟發性資訊和評估函數 99 4．4．2 啟發式搜索A演算法 100 4．4．3 實現啟發式搜索的關鍵因素 102 4．4．4 A*演算法 103 4．4．5 反覆運算加深A*演算法 106 4．5 回溯搜索和爬山法 107

4．5．1 爬山法 107 4．5．2 回溯策略 108 4．6 問題規約 109 4．7 與/或圖搜索 111 4．7．1 與/或圖表示 111 4．7．2 與/或圖的啟發式搜索 113 4．8 博弈 117 4．8．1 極大極小過程 119 4．8．2 α?β過程 121 小結 122 習題4 123 第5章 不確定性推理 125 5．1 不確定性推理概述 125 5．1．1 不確定性推理的概念 125 5．1．2 知識不確定性的來源 125 5．1．3 不確定性推理要解決的基本問題 126 5．1．4 不確定性推理方法的分類 128 5．2 概率方法 129 5．2．1 概率論基礎 1

29 5．2．2 經典概率方法 130 5．2．3 逆概率方法 130 5．3 主觀貝葉斯方法 132 5．3．1 規則不確定性的表示 132 5．3．2 證據不確定性的表示 134 5．3．3 組合證據不確定性的計算 135 5．3．4 不確定性推理 135 5．3．5 結論不確定性的合成演算法 137 5．4 確定性理論 140 5．4．1 可信度 140 5．4．2 CF模型 142 5．4．3 確定性方法的說明 145 5．5 證據理論 146 5．5．1 證據理論的形式描述 147 5．5．2 證據理論的推理模型 150 5．5．3 證據不確定性的表示 152 5．5．4 規則不確定

性的表示 152 5．5．5 不確定性的推理 152 5．5．6 組合證據的不確定性計算 152 5．6 模糊推理 155 5．6．1 模糊數學的基本知識 155 5．6．2 模糊假言推理 157 小結 160 習題5 161 第6章 機器學習 163 6．1 機器學習概述 163 6．1．1 學習與機器學習 163 6．1．2 學習系統 164 6．1．3 機器學習的發展簡史 166 6．1．4 機器學習的分類 167 6．1．5 機器學習的應用和研究目標 168 6．2 歸納學習 169 6．2．1 歸納學習的基本概念 169 6．2．2 變型空間學習 171 6．2．3 歸納偏置 17

3 6．3 決策樹學習 174 6．3．1 決策樹的組成及分類 174 6．3．2 決策樹的構造演算法CLS 175 6．3．3 基本的決策樹演算法ID3 177 6．3．4 決策樹的偏置 179 6．4 基於實例的學習 180 6．4．1 k?近鄰演算法 180 6．4．2 距離加權最近鄰法 181 6．4．3 基於範例的學習 181 6．5 強化學習 186 6．5．1 強化學習模型 186 6．5．2 瑪律可夫決策過程 187 6．5．3 Q學習 188 小結 190 習題6 191 第7章 支持向量機 193 7．1 支持向量機概述 193 7．2 統計學習理論 194 7．2．1

學習問題的表示 194 7．2．2 期望風險和經驗風險 195 7．2．3 VC維理論 196 7．2．4 推廣性的界 197 7．2．5 結構風險最小化 198 7．3 支持向量機的構造 199 7．3．1 函數集結構的構造 199 7．3．2 支援向量機的模式 200 7．4 核函數 203 7．4．1 核函數概述 203 7．4．2 核函數的分類 204 7．5 SVM的演算法及多類SVM 205 7．6 用於非線性回歸的SVM 206 7．7 支援向量機的應用 207 小結 209 習題7 209 第8章 專家系統 210 8．1 專家系統概述 210 8．1．1 專家系統的特性 2

10 8．1．2 專家系統的結構和類型 211 8．2 基於規則的專家系統 213 8．3 基於框架的專家系統 215 8．4 基於模型的專家系統 217 8．5 專家系統的開發 219 8．5．1 專家系統的開發過程 219 8．5．2 專家系統的知識獲取 220 8．5．3 專家系統的開發工具和環境 222 8．6 專家系統設計舉例 224 8．6．1 專家知識的描述 224 8．6．2 知識的使用 227 8．6．3 決策的解釋 230 8．6．4 MYCIN系統 230 8．7 新型專家系統 231 小結 233 習題8 234 第9章 神經計算 235 9．1 神經計算概述 235

9．2 感知器 237 9．2．1 感知器的結構 237 9．2．2 感知器的學習演算法 238 9．3 反向傳播網路 240 9．3．1 BP網路的結構 240 9．3．2 BP網路的學習演算法 241 9．4 自組織映射神經網路 244 9．4．1 SOM網路結構 244 9．4．2 SOM網路的學習演算法 244 9．5 Hopfield網路 246 9．5．1 離散Hopfield網路的結構 246 9．5．2 離散Hopfield網路的穩定性 247 9．5．3 離散Hopfield 網路的學習演算法 247 9．6 脈衝耦合神經網路 248 9．6．1 PCNN的結構 248 9

．6．2 PCNN的學習演算法 249 9．7 深度神經網路 249 小結 250 習題9 251 第10章 進化計算 252 10．1 進化計算概述 252 10．2 遺傳演算法 253 10．2．1 遺傳演算法的基本原理 253 10．2．2 遺傳演算法的應用示例 255 10．2．3 模式定理 257 10．2．4 遺傳演算法的改進 259 10．3 進化規劃 260 10．3．1 標準進化規劃及其改進 261 10．3．2 進化規劃的基本技術 262 10．4 進化策略 263 10．4．1 進化策略及其改進 263 10．4．2 進化策略的基本技術 264 10．5 GA、EP、E

S的異同 266 小結 267 習題10 267 第11章 模糊計算 268 11．1 模糊集合的概念 268 11．1．1 模糊集合的定義 268 11．1．2 模糊集合的表示方法 268 11．2 模糊集合的代數運算 273 11．3 正態模糊集和凸模糊集 275 11．4 模糊關係 276 11．4．1 模糊關係的概述 276 11．4．2 模糊關係的性質 277 11．5 模糊判決 277 11．6 模糊數學在模式識別中的應用 278 11．6．1 最大隸屬度原則 278 11．6．2 擇近原則 279 小結 280 習題11 280 第12章 群智能 282 12．1 群智能概述

282 12．1．1 群智慧優化演算法定義 282 12．1．2 群智慧優化演算法原理 283 12．1．3 群智慧優化演算法特點 283 12．2 蟻群演算法 283 12．2．1 蟻群演算法概述 283 12．2．2 蟻群演算法的數學模型 284 12．2．3 蟻群演算法的改進 286 12．2．4 蟻群演算法的應用示例 287 12．3 粒子群優化演算法 288 12．3．1 粒子群優化演算法基本思想 288 12．3．2 粒子群優化演算法基本框架 288 12．3．3 粒子群優化演算法參數分析與改進 290 12．3．4 粒子群優化演算法的應用示例 291 12．4 其他群智慧優化演

算法 292 12．4．1 人工魚群演算法 292 12．4．2 細菌覓食演算法 295 12．4．3 混合蛙跳演算法 297 12．4．4 果蠅優化演算法 298 小結 299 習題12 300 第13章 爭論與展望 301 13．1 爭論 301 13．1．1 對人工智慧理論的爭論 301 13．1．2 對人工智慧方法的爭論 302 13．1．3 對人工智慧技術路線的爭論 302 13．1．4 對強弱人工智慧的爭論 303 13．2 展望 304 13．2．1 更新的理論框架 304 13．2．2 更好的技術集成 305 13．2．3 更成熟的應用方法 305 13．2．4 腦機介面 3

06 小結 306 習題13 307 附錄A 參考答案 308 參考文獻 309 人工智慧是一門研究如何用機器實現人類智慧的學科，即用人工的方法和技術研製智慧型機器或智慧系統來模仿、延伸和擴展人的智慧，實現智慧行為，誕生以來幾經起伏，已經走過了60餘年的曲折歷程。 　　 近年，隨著雲計算、大資料、深度學習等技術的快速發展，人工智慧又在算力支撐、資料驅動、演算法引領、需求牽引下強勢興起，並正在成為新一輪科技革命和產業變革的核心動力，以及全球科技實力競爭的重要標誌。 　　 繼美國政府2016年10月發佈《國家人工智慧研究與發展策略規劃》後，各國（或地區）政府先後發佈了自己國家的

人工智慧發展規劃，將人工智慧上升為本國的國家戰略。2017年7月，國務院發佈《新一代人工智慧發展規劃》，在將人工智慧上升為我國國家戰略的同時，特別強調了人工智慧技術對我國科技進步和產業發展的引領作用。 　　 當今社會，人工智慧作為時代需求的核心生產力，正在逐步改變著人類的生產、生活方式和社會經濟活動模式，並必將成為人類認知自然、擴展智力、改變社會，走向智慧生活的重要工具。當然也應該看到，人工智慧之路還相當漫長，且充滿艱難曲折，人工智慧的光明前景還需要廣大教育工作者和科技工作者不懈的腳踏實地和辛勤耕耘。 　　 中國礦業大學丁世飛教授編著、中國科學院計算技術研究所史忠植研究員主審的著作《人工智慧導

論（第3版）》系統地闡述了人工智慧的基本原理、方法和應用技術，全面反映了人工智慧領域國內外的最新研究進展和動態。本書是作者在多年教學與科研工作基礎上撰寫而成的，內容豐富、結構合理、深入淺出、學用結合，體現出“嚴肅、嚴密、嚴格”的優良作風，按照“基本智慧+典型應用+計算智慧”三個模組，以逐層深入的方式進行教學，以期達到不同專業之取捨、不同層次的教學研究之需要。 　　 相信本書能成為我國智慧科學與技術、人工智慧、自動化、機器人工程等新工科專業學生學習“人工智慧”或“人工智慧導論”課程的優秀教材，也可供從事人工智慧研究與應用的科技工作者學習參考。

CLS300進入發燒排行的影片

旅遊意象，健康行為自我效能與遊憩涉入對溫泉休閒態度之探討：以礁溪溫泉為例

為了解決CLS300的問題，作者練宗憲 這樣論述：

國民健康成為最受關注的學術課題，維持健康有多種方式，而溫泉休閒對促進健康也有效果，本研究以礁溪溫泉旅遊地之消費者為研究對象，探究旅遊意象，健康行為自我效能，遊憩涉入三個自變項對溫泉休閒態度之影響。問卷採取實體親訪礁溪遊客填寫紙本問卷，也同時使用網路便利抽樣方式回收問卷，兩者總共有607位受測者，回收574份有效問卷。本研究資料分析工具方法採用描述性統計分析、信度分析、變相分析、相關分析及複迴歸分析。研究結果：旅遊意象與溫泉休閒態度皆呈現緊密相關與顯著性；健康行為自我效能對溫泉休閒態度皆呈現緊密相關與顯著性；遊憩涉入與溫泉休閒態度皆呈緊密相關與顯著性。本研究依分析結果也提供相關建議給地方政府及

溫泉業者參考。

Solving the Dynamic Complexity Dilemma: Predictive and Prescriptive Business Management: Answering the Need for a New Paradigm

為了解決CLS300的問題，作者Abu El Ata, Nabil,Perks, Maurice J. 這樣論述：

Dynamic complexity results from hidden, un-known factors--or more precisely, interactions between factors--that can unexpectedly im-pact the perfor-mance of systems. When the influences of dynamic complexity are not meas-ured and understood, new never-seen-before behaviors can come as unwelcomed sur

prises, which disrupt the performance of systems. Left alone, processes that were once prized for their effi-ciency unexpectedly begin to degrade--costs increase, while volumes and quality decline. Evidence of problems may come too late for effective resolution as technology advance-ments induce rap

id change and compress the time available to react to that change. The results of dynamic complexity are always negative and unmanaged dynamic complexity can bring business or global systems to the point of sudden chaos. The 2009 H1N1 pandemic, 2008 Credit Crunch and 2011 Fukushima Daiichi nuclear d

isaster are global examples of the dangers of undiagnosed dynamic complexity.With increasing frequency executive leaders today are discovering that their business and IT system performance levels are not meeting expectations. In most cases these performance deficiencies are caused by dynamic complex

ity, which lies hidden like a cancer until the symptoms reveal themselves--often when it is too late to avoid negative impacts on business outcomes. This book examines the growing business problem of dynamic complexity and presents a path to a practical solution. To achieve better predictability, or

ganizations must be able to expose new, dangerous patterns of behavior in time to take corrective actions and know which actions will yield the optimal results. The book authors promote new methods of risk management that use data collection, analytics, machine learning and automation processes to h

elp organizations more accurately predict the future and take strategic actions to improve performance outcomes. The presented means of achieving this goal are based upon the authors' practical experiences, backed by scientific principles, and results achieved through consulting engagements with ove

r 350 global organizations. Dr. Nabil Abu el Ata, Founder and CEO, Accretive Technologies as Accretive’s founder and CEO, Dr. Abu el Ata has invested over 20 years in perfecting the science behind the company’s X-Act Platform with over 15 patents. He offers a breadth of analytical skills, risk man

agement and business intelligence expertise, as well as IT and business process management knowledge. To say Dr. Abu el Ata has a passion for mathematics, science and technology and more specifically modeling of dynamic complexity for corporate systems would be under-statement. Having published two

books, 15 scientific papers, and over 300 tech-nical and management reports, he has a proven ability to absorb, process and add insight on a wide variety of technological subjects. Dr. Abu el Ata’s accomplishments include doctorate (Ph.D. and D.Sc. from Paris-Sorbonne) and bachelor’s degrees in Math

ematics and a master’s degree in Physi-cal Sciences (Royal Observatory, Cambridge University).He is a valued former Doctorate Fellow of the European Space Organization; former Data Processing Director and Advisor for the French Atomic Energy Authority; and former CTO of First Data. Dr. Abu el Ata is

also an advisory board member of the European Strategic Program for Research in IT; a Steering Committee member for European Programs: Pyramid, Europicon and Itaqua; an advisor to CLS, Deutsche Bank, First Data and BNPP and an advisory board member of French Employment Organization, French Ministry

of Finance, French Postal Services, one of France’s largest banks (Credit Agricole); an External Professor for a number of universities in France, the UK, and the US; and Laureate of ComputerWorld Honors 2008.Dr. Maurice J. Perks, Board Technology Adviser Accretive Technologies Dr. Perks joined IB

M in 1968 as a Systems Engineer. Over the span of his 44-year career with IBM, Dr. Perks specialized in the design of IT systems for large organizations. He is a world authority on the development of IT sys-tems in a range of industry sectors, and particularly the financial sector. Dr. Perks is note

d for his methodological approach, which helps to understand and assess the complex-ity of systems, and his ability to apply that knowledge to design and modify complex sys-tems. He is currently working to promote under-standing of modern IT systems complexity and is bringing new ways of combining t

he triangle of business knowledge, IT knowledge and mathematics to this challenge. He is constantly seeking new ways of avoiding the increasing complexity that IT sys-tems are externalizing to business change. He is a great believer in the increased use of modeling and simulation to help tame the gr

owing challenges that business and IT change pose. His ability to understand real-world business and IT system design was recognised by IBM in 2002, when Dr. Perks became the first IBM Fellow to be appointed from within the IBM Services Division. As a Fellow of the British Computer Society, a Fellow

of the Institute of Engineering and Tech-nology and a Royal Academy of Engineer-ing Visiting Professor of IT Integration at the University of York, Dr. Perks offers a wealth of knowledge and real world experience as Accretive’s Board of Director, Technology Advisor. The Aston University, UK has rec

ognized his sustained work on complex system design.

合意併購中獨立董事之受託義務

為了解決CLS300的問題，作者王元宏 這樣論述：

摘要企業併購不外乎追求綜效，以提升營運、財務、市場、管理等綜合效果，或是為擴張事業體進行多角化策略、組織整合、國際化發展、或是技術互補、資源重組甚而移轉經營權等，已成為企業面對產業快速發展，透過企業併購而達到轉型、擴張及商業模式改變的最佳策略之一。企業併購時，公司董事除依公司法第23條之規定應盡善良管理人之注意義務及忠實義務外，依企業併購法第5條第1項規定：「公司進行併購時，董事會應為公司之最大利益行之，並應以善良管理人之注意，處理併購事宜」。在企業併購過程中，獨立董事應如何協助公司尋求最適性發展，如何進行並取得允合的價值評估，如何平衡公司不同利害關係人之利益，以善盡其一般董事地位之注意及忠

實義務，以及我國法制另對於獨立董事令賦予重託之監督職責。觀諸近年關於企業併購中產生獨立董事的爭議案件，2016年樂陞收購案件、2016年光洋科爆發持續5年作假帳弊案、2019年福懋油經營權轉手、2020年大同公司變天等引發社會及法界對公司進行併購過程中獨立董事的職責、功能、責任範圍、獨立董事應具備何條件、獨董權限及獨董選舉等議題的討論，凸顯我國獨立董事制度在企業併購法制架構，及實務實踐的成熟度仍有進步空間。因此引起筆者關注，希望藉由比較美國獨立董事制度及法院裁判實務對於獨立董事責任的審查標準建立，例如商業判斷法則、整體公平原則進一步探討，釐清我國現行法規規範及實務運作之落差以探求現行併購制度及

司法實務之判斷原則發展是否能支持獨立董事實踐併購中業務決策及發揮控制監督的功能，並以獨立董事權責明確、法規建置完整性、公司法第23條內涵發展及符合獨立董事職責之責任限制與保障等面向之研究結果提供未來可能的修法參考。