高大選課系統的問題，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

論自動駕駛車輛交通事故之刑事責任與立法芻議

為了解決高大選課系統的問題，作者陳亭諠 這樣論述：

在人工智慧技術帶動自駕車產業發展之同時，必須慮及自駕車產品使用上可能產生之風險，而於法制政策層面的推動上，提前思索如何建立相關人員刑事責任之分配，以確保駕駛人與道路交通參與者之法益安全性。基於高階的自動駕駛技術應用上，已逐漸由自動駕駛系統取代人類駕駛之地位，因此自動駕駛系統亦將承擔如同傳統駕駛人般之責任。然以現行的刑法體系，係以自然人作為規範主體，自無法對人工智慧為處罰，故需再行思考可否科予自動駕駛系統背後的研發製造者責任。除此之外，於完全駕駛自動化時代來臨前，車輛行駛上之控制者不僅只有人工智慧，尚有駕駛人得以隨時進行動態駕駛任務的執行，若僅以現行的交通刑法有限規定與過失實害犯之相關規定為界

定不同等級自駕車駕駛人之事故責任，是否會發生責任歸屬上之困難，亦屬值得討論之問題。又因自駕車的研發製造上涉及之企業與人員眾多，並無法將產品研發製造上之瑕疵歸責於特定人之疏失，因此在面對自駕車交通事故涉及之因果關係證明上難題時，本文除了嘗試賦予自駕車研發製造者特定之行為義務外，亦一併提出追究法人刑事責任之論點，以及討論承認過失共同責任之可行性。

深度強化學習用於精準醫療-以DQN選課模型的開發來提高大學生成績為例子

為了解決高大選課系統的問題，作者詹凱淳 這樣論述：

近年來人工智慧的發展迅速，Pytorch 為重要的深度強化學習框架之一，使用者可以運用軟體庫裡的強化學習運算法，簡單開始架設模型，並且訓練這個架設的模型，最後運用它來預測一些目標，簡單來說概念是從過去的資料中探討未來的發展性。我們認為，這項技術應用在學校系統上也一定能夠有實質的幫助。本文主要介紹如何將 DQN技術應用於分析學生成績分析資料上，再來下一步建立一個由第一學期時，必修課成績及必修課程為基礎，來選擇接下來學期的選修課，目標是從各個系所的眾多選修課程中，挑出容易使修課學生獲得高分的課程，此 DQN 模型目的是幫助學生在選課上有更多的資訊。 本文先使用 R 語言做資料前處理，針對所

有大學部學生的課號及修課成績資料，首先將這些大學生每一學期的成績資料逐一排列，並選出人數最多的系所進行模型的參考訓練目標。再來是利用Python 加上 DQN 演算法來訓練模型，並調整模型內的參數，逐步訓練後找出最「DQN選課」的模型。雖然在本文最後有成功建立出目標模型，但由於此模型只是經由過去的數據來預測未來，並沒有實質上的模擬是否可行，所以還需要投入更大量的時間去證明它是否可用於現實的選課。 最後引用Deep Reinforcement Learning and Simulation as a Path Toward Precision Medicine 這篇論文，使用模擬的方式來去

驗證Deep Reinforcement Learning 的實際可行性，並且將它投入精準醫療的領域，實驗最後顯示此方法的優點為，不僅可以探索臨床實踐和可用數據之外新的治療策略，還能隨著時間的推移，患者的個體疾病進展將捕捉到患者之間的差異，和單個患者內疾病進展的內在隨機性。