數值分析dcard的問題,透過圖書和論文來找解法和答案更準確安心。 我們找到下列地圖、推薦、景點和餐廳等資訊懶人包

國立中興大學 科技管理研究所 何建達所指導 許智誠的 專業生產內容影片對於購買意願之影響:以智慧型手錶為例 (2019),提出數值分析dcard關鍵因素是什麼,來自於專業生產內容、智慧型手錶、網路廣告模型、購買意願。

而第二篇論文淡江大學 電機工程學系碩士班 衛信文所指導 魏齊佑的 基於授課內容與學生學習偏好的課程推薦系統 (2019),提出因為有 推薦系統、協同過濾的重點而找出了 數值分析dcard的解答。

接下來讓我們看這些論文和書籍都說些什麼吧:

除了數值分析dcard,大家也想知道這些:

專業生產內容影片對於購買意願之影響:以智慧型手錶為例

為了解決數值分析dcard的問題,作者許智誠 這樣論述:

隨著通訊設備與智慧型手機的普及,各項穿戴式裝置也逐漸智慧化。再者,隨 著人們對於運動與健康意識的抬頭,智慧型手錶已經逐漸成為受歡迎的穿戴式科 技裝置。但由於市場的未成熟化,目前的消費者大多為先進消費者,未來廠商們將 面臨如何提升一般大眾對於智慧型手錶的需求,以求將智慧型手錶需求普及化。而在過去研究中,大多在探討智慧型手機等普及率較高的科技產品,對於消費 者購買意願的影響。因此本研究旨在探討,台灣的智慧型手錶市場中,透過網路平 台上具有知識性質的開箱介紹、使用心得等專業生產內容影片,是否提高消費者的 品牌認知,最終影響其購買意願。而在消費者尚未了解且未使用過智慧型手錶的狀況下,往往上網搜索產品

性 能或使用心得作為購買參考。這當中的產品介紹內容,分為職業、用戶與專業生產 內容,前者泛指各大報章雜誌,具有普遍大眾認知的知名度、可信度與傳播速度。 而用戶生產內容意旨,普通用戶將自己生產的內容,透過社群媒體展示給其他用 戶,較無進入障礙且數量龐大。而本研究將以專業生產內容做為主要的探討來源, 專業生產內容影片的生產者,需具備一定影響力、該領域的專業知識和一定程度的 粉絲基礎。而當消費者認為該影片具有一定可信度時,他們會將廣告視為有用的資 訊來源,進而影響購買意願。本研究的數據來源,透過網路 Survey Cake 問卷發放於各大社群平台(如:PTT、 Dcard、Facebook),共得

416 份有效問卷,並使用結構方程式(Structural Equations Model, SEM)作為分析方法,探討網路廣告模型的四個變數:資訊性、娛樂性、刺 激性和可信度,對於觀看者的廣告價值與心流體驗的影響,進而提升購買意願。從研究結果中可得知,透過觀看專業生產內容影片消費者會產生四種廣告價 值,而當中的娛樂性、可信度能為廣告價值和心流體驗帶來正向的影響,然而資訊 性和刺激性卻有可能帶來相反的效果,導致降低消費者的購買意願。因此本文研究 貢獻在於,提供企業內部行銷人員一個衡量該廣告的廣告價值的參考指標,在智慧 型手錶廣告佈局上,應該針對廣告的娛樂性和可信度為主要策略方向。

基於授課內容與學生學習偏好的課程推薦系統

為了解決數值分析dcard的問題,作者魏齊佑 這樣論述:

隨著科技的演變,資訊在網路流通迅速,在商業、媒體、學術…等,都有很大的突破,商業上以虛擬的平台,解決了買方與賣方之間的距離,媒體也在網路上將想傳遞的資訊更快速到人們眼中,在學術交流上更成為了一大福音,人們查詢資料不再需要在圖書館中才能找到資料,資訊的取得對人們無往不利,但同時也成為人們選擇資料的一大難題,因此有了推薦系統的誕生。在多數的推薦系統當中使用的方法為基於個人偏好為或者基於熱門度的方式進行推薦,但在推薦上面往往不是最理想的答案。而這樣的問題同樣顯現在教育學習的領域上,在目前自主學習與無邊界學習的風潮下,學生如何在眾多的課程中,找到合適自己修習的課程,則成了本論文的研究動機。因此,本論

文想在課程學習上建立一個推薦系統,目的是透過分析出與此使用者相關聯的課程,進而推薦給找尋課程的使用者。本論文選擇了課程作為分析的資料庫,選擇的原因有幾個主要的目的,第一、在跨領域的課程,在選擇上都會因不熟悉而無法選擇,第二、由於課程教學方式不同,在相同的課程題目下,不同教師的教授情形,可能提供學生不同的學習能力,第三、學生的學習方式偏好與興趣,可能適合學習不同的課程,因此想藉此推薦系統協助學生找到合適之課程。本論文首先透過前測問卷瞭解學生特質、學習方式與教學方式之間的關聯性,再進一步透過正式問卷的設計取得學生資料以及其對不同課程在各個層面上的評價。接著,利用KNN與SVD分析,將關連性及相似度

進行評測,利用協同過濾的方式對使用者進行課程上的推薦。最後,我們利用MAE與RMSE來評估KNN與SVD在預測上的準確度。對於未來的研究延伸,也可添加各個大學生討論平台的課程討論,如:Facebook、Dcard、PTT…等,對於該課程的評論進行褒貶的評價加入考量當中,藉由語意的辨識,更加強化推薦系統的精準度。