台積電薪水算法的問題，透過圖書和論文來找解法和答案更準確安心。 我們挖掘到下列精選懶人包

誰都學得會的「算股」公式：成長與價值的綜效之路，新手也可以創造15%投報率

為了解決台積電薪水算法的問題，作者葉怡成 這樣論述：

一看就懂，簡單易學！ 【誰都學得會的最強選股公式GVI】作者葉怡成教授又一力作！！ 買股票前要先知道合理股價， 本書直接給你計算合理股價的公式 並用13年台股數據回測其運用在投資的績效 全書說明詳細的推理過程！ 如果你嫌麻煩，不想自己計算？  只要查詢不同產業適用的係數，輕鬆代入就可以。 　　任何股票投資人都關心一件事！如何計「算」「股」票值多少錢？ 　　本書完整的討論這個議題，也提出現有證據下，最完備的計算方法。以及以其為依據的投資程序。 　　你說你什麼都不要，只服膺股神巴菲特標舉的「價值投資」。不過價值投資其實也有很多種，以巴菲特來說，他早年和晚年的「算股」哲學就不一樣。他早年偏

好相對於資產「價值」，股價「便宜」的股票；而近期則偏向於在成長性佳的企業中，找到相對於資產「價值」，股價「合理」的股票。 　　同樣是價值投資，這兩種不同的觀念，會使投資人選用不同的指標來選擇投資標的。 　　哪一種選股指標有最有效？哪一個「巴菲特」比較會賺錢？ 　　本書作者利用13年的統計資料，告訴你如你用股價浄值比、近四季本益比、預估本益比及股東權益報酬率等指標進行選股，那你的年報酬分別是7.7%、11.6%、25.4%及11.8%。 　　但是那一種指標最好？ 　　本書在比較適合一般投資人的投資方法後，向你證明考慮以下兩個指標會達到最好的效果：股價淨值比及股東權益報酬率！ 　　前者衡

量股票價格與資產價值間的關係、後者衡量企業的成長性！就這麼簡單！ 　　善用這兩個指標，配合書中提供的參數，讓你可以相對準確的評估股價。 　　善用這兩個指標，配合一定的選股程序，長期投資下可以戰勝大盤。本書提供的方法及程序，經過台股過去的資料進行回測，曾創下9.8%至29%的年投報率（因為投資於大型股或是全部股票等因素而使投資績效產生差異），勝過台長期大約8%的投報率。 本書特色 　　★特色一：你屬意的股票價格合不合理？查查表就知道！ 　　如果你對一支電子業的股票有興趣，你想知道他的合理價格，而這個價格綜合考量他的資產及未來的成長性。你只要去網上查他的股東權益報酬率及每股淨值（一堆網站都

有），然後查閱書中依產業提供的兩個係數，價值係數和持續係數，以電子業而言分別為0.832及5.334（你也可以不管什麼產業全用0.792及5.804這兩個數字）。然後代入以下的公式 　　合理股價＝0.832×每股淨值×（1＋股東權益報酬率）5.334 　　低於合理股價的個股會讓你買的更有信心。 　　★特色二：不因困難而放棄「準確」，不以簡單而擁抱「粗略」 　　很多投資方法強調簡單，如「本益比低於12買進，高於25賣出」，這個方法很容易執行，但是合理嗎？合於條件的以百計，你如何從其中選擇？如果你用兩個指標那問題更大，如果你兩個指標都採高標準，你可能選不到股，如果都放鬆，那麼老問題又來了，你

會選出一堆平庸的個股。 　　本書採用兩個指標選股，因此以加權的方法為個股計算分數，分數越高越值得買進。本書提供的方法，比較複雜，但是比簡單的方法準確。至於投資人的取捨，則視個人而定。 　　★特色三：各種股票投資工具有沒有用？翻翻書就知道！ 　　有關股票的投資，有各種方法，基本分析、技術分析是兩大分類。其下運用的指標以數十計。但是這麼多的工具、方法各有什麼用途？要用在哪？學術界其實進行了大量的研究而有明確的看法。如技術分析的眾多指標又可以分順勢系統及擺盪系統兩類。順勢系統（如移動平均線）其理論基礎是漲者恆漲、跌者恆跌，即當漲或跌形成某一趨勢時，會持續一個波段。這類系統勝率雖不高，但是往往大賺

小賠，所以報酬率較佳。擺盪系統（如威廉指標、KD、RSI），其理論基礎是漲多必跌、跌多必漲，即當股價短期漲或跌超過一個程度時終會回到合理範圍。這類系統勝率較高，但經常小賺大賠，且交易頻率過高，導致交易成本大增，侵蝕報酬率。 　　讀了本書你就對主要的投資工具運用的方法及效果了然於心。 　　★特色四：台股的真實面？看看書就知道！ 　　選股常用的比例如股東權益報酬率、股價淨值比、股市殖利率、股市報酬率及成交量等常用資料，均提供近二十年的統計資料。讓你以後在新聞看到這些數字，立刻可以判斷好壞。 　　★特色五：深入的證明過程與簡單的生活舉例 　　本書對投資方法提出了具體的建議，但你怎知不是「虎

爛」？於是自然要花一些篇幅來證明。而在證明與解說的過程中也用了許多淺出的解說，讓一般的民眾也可以理解。如買一支股票其實和選一份工作有相似的地方。有的工作現在的薪水高，但是有的工作未來調薪機率大，你要怎麼選？正如同有的股票現在超有價值，但不會變的更好，有的股票現在普普，但是未來會增值，你要如何選？  

大演算：機器學習的終極演算法將如何改變我們的未來，創造新紀元的文明?

為了解決台積電薪水算法的問題，作者PedroDomingos 這樣論述：

★亞馬遜AI與機器學習類暢銷榜　第1名 ★亞馬遜數學與統計類暢銷榜　第1名 ★亞馬遜資訊理論類暢銷榜　第1名 ★CNN、《新科學人》、《經濟學人》、《柯克斯書評》等多家媒體推薦報導 ★比爾．蓋茲年度選書！ 　　揭開大數據、人工智慧、機器學習的祕密， 　　打造人類文明史上最強大的科技——終極演算法！ 　　有一個終極演算法，可以解開宇宙所有的祕密， 　　現在大家都在競爭，誰能最先解開它！ 　　．機器學習是什麼？大演算又是什麼？ 　　．大演算如何運作與發展，機器可以預測什麼？ 　　．我們可以信任機器學過的東西嗎？ 　　．商業、政治為什麼要擁抱機器學習？ 　　．不只商業與政治，醫學與科學界也

亟需機器學習，包含DNA解碼、癌症藥品開發等。 　　．你擔心人類會被大演算所取代嗎？可以避免嗎？該如何做？ 　　華盛頓大學電腦工程系教授佩德羅．多明戈斯（Pedro Domingos）破解了一個在機器學習領域中長久以來的瓶頸，成功把機器學習、哲學與人工智慧結合起來，這個突破性研究還登上了《新科學人》（New Scientist）雜誌的封面故事。 　　他指出，機器學習有五大思想學派，每個學派有主要的演算法，能幫我們解決特定的問題── 　　．符號理論學派：將學習視為是逆向演繹法，從哲學、心理學和邏輯思路方面取得概念 　　．類神經網路學派：導傳遞演算法可以模擬人腦思考行為，是受到神經科學和物理學

的啟發 　　．演化論學派：遺傳程式規劃會在電腦上模擬演化，澈底運用遺傳基因和演化生物學理論 　　．貝氏定理學派：相信學習是機率推理的形式，是根據統計學的理論 　　．類比推理學派：支持向量機從相似度判斷進行推論學習，並受到心理學和數學的影響 　　多明戈斯認為，如果有人可以成功整合這些演算法的優點， 　　就能發展出「終極演算法」，便可以從大數據與人工智慧中， 　　獲得世界上過去、現在與未來的所有知識，將創造新紀元的文明。 　　站在大數據與文明終將合一的浪潮上， 　　終極演算法將帶領我們，望見未來。 　　【為什麼你必須知道大演算？】 　　◎如果你是一般市民或決策人士 　　讓你了解大演算的來龍

去脈，從隱私到未來的工作與機器人戰爭的倫理， 　　你將會看到真正的問題在哪裡，並思考如何看待這些問題。 　　◎如果你要把機器學習運用在工作上 　　不管你在哪個行業、什麼職業別，機器學習能幫你省下人工編寫程式的費用， 　　避免資訊系統僵化，並預測未來你會面臨的科技發展， 　　甚至讓你成為精準的市場分析家、解讀大數據的科學家。 　　◎如果你是科學家或工程師 　　過去的數學和現有資訊學習與數據分析，不會讓你有任何改變。 　　機器學習將讓你具備非線性分析，帶給你嶄新的科學世界觀，有所突破。 　　◎如果你是機器學習專家 　　雖然你應該很熟悉機器學習，但本書仍會提供給你許多新的想法、 　　機器學習發

展史上有價值的資訊、有用案例與類似的情境， 　　甚至提供給你機器學習的嶄新觀點，啟迪你全新的思考方向。 　　◎如果你是任何學齡階段的學生 　　目前世界各地極度缺乏機器學習專家，這是現在也是未來最受關注的領域。 　　未來，不只局限現有的資訊工程、電機工程等相關科系， 　　無論是醫學、醫工、生物科技、行銷、電商、社會、心理、哲學、教育、財經等各科系， 　　機器學習終將與這些領域整合，現在了解大演算，你就不會被趨勢潮流所淘汰。 專業推薦 　　王國禎｜交大資工系系主任 　　林泰宏｜前臺灣微軟合作夥伴技術支援顧問 　　林蔚君｜亞洲大學副校長 　　張宗堯｜美商凱博數據創辦人／總經理 　　陳明義｜資策

會技術長／大數據所所長 　　陳縕儂｜美國微軟研究所研究員 　　趙坤茂｜臺大資工系系主任 　　謝孫源｜成大資工系特聘教授兼系主任 　　簡禎富｜清華講座教授暨清華-台積電卓越製造中心主持人 　　「大至預測變化萬千的商業潮流的走向，到小至預知是否能成功約到心儀對象，都屬於《大演算》的範疇。本書作者以極盡生動活潑的闡述及例子，與讀者分享如何將機器學習演算法應用於日常生活中，甚至可以應用於學習治療癌症。」──交大資工系系主任　王國禎 　　「我們生活在一個充滿數據與機器學習的環境。無論是在網路或實體世界，我們的一舉一動，隨時隨地被記錄和分析。數據分析，知識精煉與學習精進的能力，對人類、企業、社會、環境

及臺灣的經濟發展都很重要。訪間大數據的書雖然已有不少，但對機器學習的處理大都一筆帶過。佩德羅．多明戈斯在這本書中，不但將深奧的機器學習概念，以深入淺出的方式，介紹給非專業的讀者，同時也以清楚的內容，滿足專家深入了解的需求。」──亞洲大學副校長 　林蔚君 國際好評如潮 　　「作者多明戈斯專業與熱情筆觸，讓這本書極具可讀性。」──《新科學人》（New Scientist） 　　「《大演算》研究與統整了機器學習領域的五大主流技術……內容豐富，主題發人深省。作者透過適時深入淺出的巧妙介紹手法，讓我們很快汲取精髓觀念。」──《經濟學人》（The Economist） 　　「隨著『機器學習』和『大

數據』經常登上頭條新聞，有關於這類的主題，不乏充斥炒作話題的商業書籍，以及還有一些過於技術導向的教課書，使得較難理解。對於普羅大眾來說，不管事從經理主管到大專院校學生，這是一本理想的書籍，真正展現了為什麼不用透過沉重的數學演算，就能明白機器學習如何運作。不同於其他書籍只是浮誇宣稱一個光明的未來，這本書實際上給你需要了解的知識，並且明白即將到來的變化。」──Google研究總監 彼得．諾維格（Peter Norvig） 　　「這是一本令人愛不釋手的書，由在這創新領域的領導專家所著。如果你想知道新世代人工智慧將如何改變你我未來的生活，就閱讀這本書吧！」──Google研究員、無人駕駛車發明人 塞

巴斯蒂安．史朗（Sebastian Thrun） 　　「一開始便大膽主張所有知識都可以透過一個單一的『大演算』，從數據資料中分析推論得出，多明戈斯透過明快節奏的說明歷程，帶領讀者進入這華麗全新的機器學習世界。輕鬆的寫作筆法卻深具威信，多明戈斯是一位完美的嚮導，從書上你將會學到一切你需要知道關於這個令人振奮的領域，以及有關科學與哲學的大量闡釋。」──微軟研究院首席研究員、《6個人的小世界》（Six Degrees）與《為什麼常識不可靠？》（Everything Is Obvious）作者 鄧肯．華茲（Duncan Watts） 　　「電腦科學的聖杯就是一種可以教導自己學習的機器，如同我們人類

一樣，從經驗中獲取知識。機器學習可以幫助我們從事每一件事情，從治療癌症到建立人形機器人。佩德羅．多明戈斯揭開機器學習的神祕面紗，並充分展現未來是多麼令人驚奇與振奮人心。」──《賈伯斯傳》（Steve Jobs）作者 沃爾特．艾薩克森（Walter Isaacson） 　　「機器學習是一種最具變革性的技術，將在未來15年裡，塑造人類的嶄新生活。這是一本必讀之書──一個用詞大膽、文辭優美的新框架，帶領我們展望美好的未來。」──《跨越鴻溝》（Crossing the Chasm）作者 傑弗里．墨爾（Geoffrey Moore） 　　「這是一本非常重要且實用的書籍。機器學習已經是你我生活與工作的

關鍵，且對未來的影響只會變得日益加遽。終於等到佩德羅．多明戈斯以清晰易懂的方式寫出關於這方面的著作。」──貝伯森學院（Babson College）特聘教授、《決勝分析力》（Competing on Analytics）與《大數據@工作力》（Big Data at Work）作者 湯瑪斯．戴文波特（Thomas H. Davenport） 　　「機器學習正在改變世界，被廣為人知的是運用在商業的預測分析。這本引人入勝、廣泛深遠，並啟發靈感的書籍，將深奧的科學概念，不只是介紹給非專業的讀者，也滿足專家嘗鮮的閱讀需求，深刻的觀點揭露了最有前景的研究方向。這真是一顆堪稱罕見的寶石。」──預測分析世界

大會（Predictive Analytics World）創辦人、《預測分析時代》（Predictive Analytics）作者 艾瑞克．席格（Eric Siegel） 　　「機器學習是個迷人的世界，之前卻鮮少被外人看上一眼。佩德羅．多明戈斯透過書中五大學派的語法，傳授你神祕的語言，並邀請你參與他的整合學派計畫，打造人類文明史上見識過最強大的科技。」──普林斯頓教授、《連結》（Connectome）作者 塞巴斯蒂安．升（Sebastian Seung） 　　「一本充滿專業熱情，而不是概略介紹機器學習的書……內容清晰易懂、理論與實務講解兼具……具有智慧、遠見和學術價值，多明戈斯完整詮釋科

學家如何開發程式，讓電腦可以自我教導。你將會發現許多令人著迷的創見。」──《柯克斯書評》（Kirkus Reviews） 　　「這是劃時代突破性的電腦科學，開始展開一場令人振奮的全新冒險旅程。」──《書目》（Booklist） 布萊斯．克理斯坦森（Bryce Christensen） 　　「多明戈斯絕對是一位親切且有趣的知識導師，他能用最淺顯易懂的語言，通透解釋這些艱澀難懂的機器學習理論學派知識領域，協助初學者快速領略這演算法，可謂近幾十年來難得的經典之作……這是一本理論完整與實務說明詳實的書籍，不僅能滿足單純好奇的初學讀者，更是適合早已具備基本機器學習領域知識的專業人員，更能融會貫通此領

域的重要神髓。透過每一篇章的學理翔實描述和討論，淺白解釋難懂的術語，以及提出明確與易於理解的實例，這些努力都是本書最值得推薦讚揚之處。」──《英國泰晤士高等教育專刊》（Times Higher Education） 　　「《大演算》澈底勾勒我們眾人從沒看到或人心未曾思想過的嶄新世界，並對我們的日常生活產生難以抹滅的巨大影響。」──《讀者的書意識》（Shelf Awareness for Readers） 　　「這真是令人驚訝且博學、幽默、易讀易懂的入門書。」──大數據分析網站 KDNuggets  

運用深度學習建構個股預測模型-以台積電為例

為了解決台積電薪水算法的問題，作者吳宗哲 這樣論述：

在現今這個普遍低薪水高物價的環境中，投資也成為現在這一世代必學的必修課。如今，各種大數據與人工智慧的演算法應育而生，也讓金融領域的預測成為時下熱門的研究議題之一。而股市資料屬於時間序列型資料，且過去研究通常使用傳統倒傳遞類神經網路為預測模型，因此本研究分別比較倒傳遞類神經網路(BPN)、時間序列倒傳遞類神經網路(TS-BPN)與深度學習中的遞歸神經網路長短期記憶模型(RNN-LSTM)，來探討何種類神經網路對時間序列資料能有更好的學習與預測。而在訓練類神經網路時，模型的學習參數是左右模型訓練好壞的關鍵，所以本研究除了使用田口法規劃實驗組合外，也以田口法為基礎延伸為改良田口法，探討參數水準層外

之新參數解，並分別比較何種參數組合優化方法能找出更好的學習參數組合，提高績效。最終實驗結果表示，本研究延伸之改良田口法也優於傳統田口法，除了能有效取代試誤法減少實驗組合外，也能有系統地找出學習參數水準層移動方向，找出新學習參數水準層解。而RNN-LSTM在預測股市時間序列資料上有最好的預測能力，漲跌方向能達到81.9%，判斷模型誤差績效的RMSE只有0.007505，為本研究綜合績效最好的預測模型。