電腦科學
含有「電腦科學」共 13 篇內容
全部內容
發佈日期由新至舊
大魔王指標：初學者的天堂路。
指標（Pointer）是 C 語言裡的「大魔王」，是資工系學生花了至少 9 小時上的課。我們一起用 18 分鐘文章快速了解指標的基本概念，中間在字串的部分我將結果和程式碼做對照。最後，我會將我跟 ChatGPT 對話放上來跟大家一起學習。
即便科技在數十年間已然完全不可同日而語，我們卻彷彿仍活在1950年代，以「圖靈測驗」做為檢視的標準與框架。這除了凸顯出人在面對挑戰自己在神之下地位的對象時的焦慮與保守，更點出了一個在過往的生物科學中，這些學者與教材編纂者不願意面對的議題－－植物是否有意識？以及進一步的，物質是否有意識？
今天在行銷課堂上學到的STP分析，讓我發現這個行銷理論不僅適用於商業領域，對學術研究和論文寫作也同樣適合。STP分析的核心概念——市場細分（Segmentation）、目標市場選擇（Targeting）以及市場定位（Positioning）——可以幫助我們更清晰地規劃研究的讀者群和論文的貢獻定位
上次我們提到了演算法（algorithm），它是一種解決問題的方式。但演算法只是資料結構與演算法（Data Structures and Algorithms, DSA）這個領域的一部分。今天，我們要進一步探索這個主題，了解它的核心概念。
什麼是資料結構與演算法呢？簡單來說，資料結構是用來組織和存
最近因為假放得比較多，多了一些空白的時間讓我開始思考一些關於人生的不同想法，甚至一面也在思考要轉職重回學術界。雖然距離「最後的演講」至今已經超過15年，但是這基於Randy Pausch(蘭迪·鮑許)最後的演講而撰寫整理而成的《最後的演講(The Last Lecture)》，令我深感啟發。
本文探討排序演算法中最基本的一種：泡沫排序。雖然在日常工作中我們多使用內建函數來進行排序，但瞭解其背後的邏輯和效能對於演算法學習至關重要。此文分步介紹了泡沫排序的實作過程，並分析其時間與空間複雜度，助於讀者更深入掌握基礎演算法。
1. 誤以為自己已經掌握了微積分：
- 許多學生在學完微積分課程後，往往會自信地認為自己已經完全掌握了微積分的精髓。事實上，他們可能只理解了公式的應用，而沒有深入了解其背後的推理和邏輯。例如，他們能夠解微分方程，但對於微積分如何從基本原理推導出來，卻知之甚少。這種表面理解使得他們在面對更高階
將「未知的"真實強盜參數"與未知的"最優行動"」 替換成「已知的“估計強盜參數與已知的”強盜算法選擇的行動“」。 於是，在瞬間後悔定義中用到的未知量， 都能轉化為強盜算法設計就能知道的已知量， 那麼分析就能繼續下去。 這個思維在做理論研究的時候相當重要，
決斷的演算：預測、分析與好決定的11堂邏輯課
探討人類演算法的設計概念，把電腦科學解決問題的方法套用到人類日常生活的挑戰上。
大語言模型（LLMs）對於任何對人工智能和自然語言處理感興趣的人來說都是一個令人興奮的領域。
這類模型，如GPT-4，
透過其龐大的數據集和複雜的參數設置，
提供了前所未有的語言理解和生成能力。
那麼，究竟是什麼讓這些模型「大」得如此不同呢？
幫助工作，減輕負擔。