來一趟說走就走的旅行論文書籍站
棧板計算excel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
棧板計算excel的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦劉凱寫的 從芯片到雲端：Python物聯網全棧開發實踐 和（德）伊夫·希爾皮斯科的 Python金融大數據分析都 可以從中找到所需的評價。
這兩本書分別來自電子工業 和人民郵電所出版 。
國立高雄科技大學 運籌管理系 蔡坤穆所指導 眭怡婕的 棧板自動產品推放之研究 （2020），提出棧板計算excel關鍵因素是什麼，來自於OPM、自動堆棧、棧板堆疊問題、棧板產品推放、產品空間放置率。
而第二篇論文國立虎尾科技大學 工業管理系工業工程與管理碩士班 李孟樺所指導 王睦華的 應用時間序列法及資料探勘技術於精實生產管理之研究-以B公司之產品銷售預測為例 （2018），提出因為有 精實生產管理、銷售預測、時間序列預測、類神經網路的重點而找出了 棧板計算excel的解答。
從芯片到雲端：Python物聯網全棧開發實踐
為了解決棧板計算excel 的問題，作者劉凱 這樣論述：
物聯網開發重新定義了「全棧開發」的范圍。Python作為一門快速發展的語言，已經成為系統集成領域的優選語言之一，其可覆蓋從電路邏輯設計到大數據分析的物聯網端到端開發。各領域開發者可以利用Python交叉涉足物聯網設備、邊緣計算、雲計算、數據分析的工程設計。《從芯片到雲端：Python物聯網全棧開發實踐》嘗試讓讀者建立物聯網設計的整體概念，從基礎概念開始，到相關技術選型、開源工程、參考設計與經驗分享。無論是物聯網領域的創業者，還是系統架構師，都可從本書中獲得靈感。本書對於嵌入式開發領域的開發者尤具學習價值，利用Python可加快開發迭代速度、降低開發成本，並可以基於嵌入式Python建立完整的物
聯網軟硬件生態。劉凱，服務於微電子行業二十余載的資深工程師。曾在飛利浦半導體（即NXP恩智浦半導體前身）任資深工程師，從事軟、硬件開發與產品設計等工作，有用匯編/C/C++開發嵌入式系統固件、用Perl/Python腳本做開發支持工具、用PHP/Java/Python做設備雲和Web應用的豐富經驗。現作為獨立系統集成開發商，專業從事物聯網相關項目設計和咨詢服務，主攻嵌入式、RFID、微控制器、物聯網、WSN、Linux、Python、開源等領域。 第1章 物聯網簡介 11.1 物聯網定義 11.2 物聯網發展趨勢 11.3 物聯網應用與技術 21.3.1 物聯網核心價值 2
1.3.2 物聯網發展階段 31.3.3 物聯網分層 51.3.4 物聯網數據傳輸與網絡拓撲 51.3.5 物聯網實施所需技術棧 81.3.6 標准、現狀與未來 101.4 本章小結 16第2章 Python語言基礎 172.1 Python的由來與特征 192.1.1 概述 192.1.2 設計定位與哲學 192.1.3 優點與缺點 202.2 Python與物聯網開發 222.3 獲取Python資源 242.3.1 Python主程序 242.3.2 Python文檔 242.3.3 Python PyPI 242.4 Python解釋器運行環境 262.4.1 REPL交互模式 262
.4.2 直接運行與模塊運行 262.4.3 腳本文件直接運行 272.4.4 源程序文字編碼與結束符 282.5 Python類型與語法 292.5.1 動態類型 292.5.2 傳值與傳引用 302.5.3 數據類型 312.5.4 內置類型 322.5.5 內置類型的普適操作 342.5.6 數值類型 352.5.7 布爾類型 372.5.8 迭代器類型 372.5.9 生成器類型 382.5.10 yield表達式 392.5.11 序列類型 392.5.12 set集合類型 542.5.13 映射類型 552.5.14 其他類型 562.5.15 控制流 592.5.16 內置函數
612.5.17 用戶自定義函數 622.5.18 模塊 652.5.19 輸入/輸出 682.5.20 面向對象編程 742.5.21 進程和線程 822.5.22 錯誤和異常 902.6 Python標准庫概覽 932.7 本章小結 94第3章 Python語言進階 953.1 HOWTO：常見任務和解決方案 953.1.1 數據類型轉換 963.1.2 數據的調試打印 1003.1.3 數據類型資源優化 1023.1.4 數據結構與算法 1023.1.5 數據緩存 1033.1.6 數據多路復用和解復用 1043.1.7 數據序列化和反序列化 1073.1.8 數據壓縮和解壓縮 1193
.1.9 數據加密 1203.1.10 數據傳輸 1213.1.11 數據后處理 1213.1.12 數據持久化 1213.1.13 數據交換 1223.2 HOWTO：函數式編程 1233.2.1 高階函數 1233.2.2 map函數 1243.2.3 reduce函數 1243.2.4 filter函數 1243.2.5 sorted函數 1253.2.6 返回函數 1253.2.7 閉包 1263.2.8 匿名函數 1263.2.9 裝飾器 1273.3 HOWTO：並發運行模型 1313.3.1 協程 1313.3.2 I/O模型 1343.4 HOWTO：日期與時間 1363.4.
1 類型轉換 1363.4.2 時區的處理 1383.5 Python版本遷移 1393.5.1 Python 2與Python 3的區別 1403.5.2 Python 2到Python 3的流程 1403.5.3 多個Python版本共存 1403.5.4 virtualenv 1413.5.5 Windows多個版本共存 1413.5.6 Linux多個版本共存 1423.6 其他常見技巧 1433.6.1 常數類型的模擬 1433.6.2 枚舉類型的模擬 1433.6.3 開發自定義模塊 1443.7 Python與其他語言 1453.8 Python語言擴展 1513.8.1 C語言
擴展Python 1513.8.2 ctypes訪問Windows DLL 1533.8.3 Jython訪問Java類 1543.8.4 IronPython訪問.NET 1553.9 Python加速 1573.9.1 PyPy 1583.9.2 Cython 1593.9.3 PyCUDA 1593.9.4 PyOpenCL 1593.9.5 Theano 1593.9.6 Nuitka 1593.10 本章小結 160第4章 嵌入式系統開發 1614.1 嵌入式系統硬件分類 1624.1.1 MCU 1624.1.2 MPU 1634.1.3 DSP 1634.1.4 SMP 1644
.1.5 異構大小核 1644.1.6 FPGA原型 1654.1.7 SoPC 1654.1.8 GPU 1674.1.9 哈佛結構和馮•諾依曼結構 1684.2 電路原型設計 1684.2.1 集成電路設計流程 1704.2.2 模擬電路原型設計 1704.2.3 數字電路原型設計 1754.3 常見嵌入式微控制器（MCU） 1794.3.1 MCU市場狀況 1794.3.2 Arduino/Wiring 1804.3.3 ARM mbed 1814.3.4 設計專屬架構和專屬MCU 1824.3.5 ARM MCU差異化競爭 1824.4 常見嵌入式處理器和主板 1844.4.1 ARM
架構 1854.4.2 其余的ARM Linux主板 1884.4.3 MIPS開發板 1904.4.4 x86 mini-ITX 1914.5 常見傳感器和執行器 1924.5.1 虛擬傳感器 1934.5.2 智能傳感器 1934.5.3 專用傳感器 1944.5.4 執行器 1954.6 物聯網通信集成電路 1964.7 嵌入式系統開發語言演進 1974.7.1 從匯編到嵌入式C 1974.7.2 從C到C++ 1994.7.3 壓縮C++的系統消耗 1994.7.4 C++適合物聯網開發 2004.8 C/C++的編程模式和技巧 2044.8.1 C/C++設計模式 2054.8.2
回調函數 2064.8.3 有限狀態機模型 2094.8.4 善用結構體 2114.8.5 C/C++協程 2144.9 開發生態選擇 2154.9.1 工業標准與廠家私有指令集架構 2154.9.2 硬件與軟件平台選擇 2154.9.3 編譯器選擇 2164.10 常見操作系統 2174.10.1 無操作系統 2174.10.2 RTOS的優勢 2184.10.3 uC/OS 2194.10.4 Keil RTX 2194.10.5 mbed RTOS與mbed OS 2204.10.6 FreeRTOS 2214.10.7 Linux是開發復雜聯網設備的現實選擇 2224.11 物聯網中間
件 2274.11.1 WSN堆棧 2274.11.2 TCP/IP 2274.11.3 USB 2274.11.4 FAT/FS 2284.11.5 GUI 2284.11.6 Terminal 2284.11.7 MQTT 2284.11.8 CoAP 2294.12 物聯網安全性 2304.12.1 安全相關芯片 2304.12.2 安全中間件 2314.12.3 Python安全算法 2324.13 設備固件更新 2324.13.1 固件更新技術發展史 2324.13.2 本地固件更新 2344.13.3 遠程固件更新 2344.13.4 固件升級定制 2344.14 各類串口實現聯網
2354.14.1 串口協議的選擇 2354.14.2 模擬串口設備 2364.14.3 其他類型虛擬設備 2384.14.4 ISP編程器 2384.14.5 串口設備監控器 2394.15 本章小結 239第5章 設備連接和編程接口 2405.1 設備連接概述 2405.1.1 嵌入式系統連接層次 2405.1.2 選擇正確的連接方案 2415.1.3 具體落實連接設計 2415.1.4 本章內容安排 2425.2 連接能力匯總 2425.2.1 連接由芯片開始 2435.2.2 芯片內部系統總線 2455.2.3 芯片間連接技術 2465.2.4 設備間連接 2495.2.5 設備組網
2505.2.6 設備組網與聯網的無線技術 2535.2.7 連接性回顧 2665.3 Linux文件系統 2665.3.1 設備即文件 2665.3.2 設備文件系統 2675.3.3 Linux設備文件的演變 2685.3.4 文件I/O操作 2715.3.5 Linux硬件編程 2725.4 並行接口 2735.4.1 老舊的PC並行接口 2745.4.2 高速總線 2745.4.3 GPIO 2745.4.4 Linux訪問GPIO 2755.4.5 GPIO的Python包 2765.5 串行接口 2775.5.1 異步通信串行口 2775.5.2 I2C總線 2845.5.3 S
PI總線 2905.5.4 與其他硬件平台相關的Python包 2945.6 USB總線 2965.6.1 USB Endpoints 2975.6.2 USB Device/Host/OTG 2975.6.3 USB 3.0 2975.6.4 libUSB 2975.6.5 PyUSB 2985.6.6 標准化USB橋接 2995.6.7 與USB相關的其他設計 3015.7 Linux網絡設備驅動 3015.7.1 TCP/IP套接字編程 3015.7.2 IEEE 802.3到IEEE 802.11 3025.7.3 網絡通信實現方案 3025.7.4 私有通信協議棧 3055.7.5
短距離無線連接 3075.8 工業總線 3105.8.1 CAN總線 3105.8.2 LIN總線 3125.8.3 其他ASIC 3135.8.4 定制Python擴展 3135.8.5 Windows DLL 3145.9 本章小結 314第6章 嵌入式Python虛擬機 3156.1 嵌入式高級語言平台大薈萃 3156.1.1 高級語言與二次開發 3156.1.2 BASIC 3196.1.3 Java 3196.1.4 Lua 3226.1.5 JavaScript 3226.1.6 .NET 3236.2 前一代Python虛擬機 3236.2.1 Telit GPRS模塊 3236
.2.2 Symbian 3256.2.3 Windows CE 3256.2.4 OpenMoko 3256.3 深嵌入式Python平台 3266.3.1 LEGO EV3 3266.3.2 TinyPy 3266.3.3 嵌入式Python的局限 3276.4 PyMite 3286.4.1 硬件平台 3286.4.2 維護者 3296.4.3 pymbed分支 3296.4.4 開發現狀 3316.4.5 文檔 3326.4.6 源碼樹 3336.4.7 使用流程 3356.4.8 實踐 3366.4.9 工程小結 3376.4.10 網絡資源 3386.5 VIPER/Zerynth
3386.5.1 硬件平台 3396.5.2 Zerynth Studio 3406.5.3 與標准Python的區別 3416.5.4 快速啟動 3426.5.5 坎坷的使用過程 3426.5.6 Zerynth目錄結構 3436.5.7 硬件相關庫 3446.5.8 其他特性 3556.6 MicroPython 3566.6.1 工程背景知識 3566.6.2 在線評估網頁 3586.6.3 官方硬件平台分支 3586.6.4 衍生項目 3596.6.5 UNIX版本 3606.6.6 MicroPython庫 3636.6.7 STM32HAL分支 3656.6.8 NUCLEO-F
401RE適配 3676.6.9 pyboard評估 3726.6.10 異步處理和中斷處理 3896.6.11 中斷處理的普遍問題 3926.6.12 使用心得 3956.6.13 商品化與知識產權 3966.6.14 BBC microbit 3966.7 Linux與Python 3986.7.1 Linux中Python的運行環境 3986.7.2 交叉編譯CPython 4016.7.3 交叉編譯MicroPython 4026.7.4 Jython運行環境 4046.7.5 Android SL4A 4066.8 本章小結 407第7章 Python應用APP 4087.1 基於字
符的人機界面 4097.1.1 命令行參數 4097.1.2 字符終端開發 4107.1.3 ncurses 4117.2 桌面GUI開發 4127.2.1 Tkinter 4137.2.2 wxPython 4147.2.3 Boa Constructor 4157.2.4 wxGlade 4167.2.5 PyGTK 4177.2.6 PyQt 4197.2.7 PySide 4207.2.8 Enthought 4217.2.9 Cocoa+PyObjC 4237.2.10 Java AWT 4247.2.11 IronPython與WPF 4257.2.12 其他UI 4257.3 本
地Web GUI 4267.3.1 與WebKit相關的Python包 4277.3.2 OneRing 4277.3.3 Pyjs 4277.3.4 Python Flexx 4287.4 本地可執行文件 4297.4.1 Linux可執行文件 4297.4.2 Mac OS X應用程序包 4307.4.3 Windows可執行文件 4307.4.4 pyinstaller 4307.4.5 py2exe 4307.4.6 py2app 4307.4.7 cx_Freeze 4317.4.8 Windows系統服務 4317.4.9 Windows定時任務 4327.4.10 Linux系統
服務 4337.4.11 Linux定時任務 4357.5 移動APP開發 4367.5.1 響應式網頁 4377.5.2 PhoneGAP應用開發 4377.5.3 SL4A 4377.5.4 QPython開發 4417.5.5 Kivy 4437.5.6 其他開發方式 4497.6 本章小結 449第8章 Python開發輔助支持 4518.1 物聯網開發需要不斷優化 4528.2 專屬小工具 4528.2.1 單位轉化器 4538.2.2 內碼轉換器 4548.2.3 其他編碼轉換 4558.3 原型驗證 4588.4 代碼生成器 4598.5 軟件測試 4618.5.1 unitte
st單元測試 4628.5.2 socket壓力測試 4628.5.3 urllib2遠程記錄 4638.5.4 PCBA測試 4668.6 文檔生成器 4688.6.1 文檔格式 4698.6.2 文檔生成工具 4738.7 文檔操縱 4778.7.1 Doc文檔操縱 4778.7.2 Excel表格操縱 4788.8 國際化與本地化 4798.8.1 gettext 4798.8.2 Web多語種切換 4828.8.3 字庫文件生成器 4828.8.4 GB2312點陣字庫提取 4828.8.5 TTF字庫提取 4838.9 配置管理 4848.9.1 軟件配置管理 4848.9.2 軟件
配置管理自動化 4858.9.3 Git Bash 4858.9.4 Dulwich/Gittle包 4858.9.5 Python Subversion包 4868.9.6 watchdog系統監控 4868.10 數據與素材處理 4868.10.1 二維碼顯示 4868.10.2 多媒體相關軟件包 4908.10.3 地理位置 4948.11 通信報文分析 4958.11.1 PyShark 4958.11.2 pypcapfile 4978.11.3 scapy和scapy3k 4978.11.4 pcap Web分析 4978.12 與Arduino/mbed相關的Python包 49
78.12.1 Arduino Prototyping 4988.12.2 pyFirmata 5018.12.3 Py2B 5018.12.4 CmdMessager 5018.12.5 mbed 5048.12.6 mbed RPC 5048.12.7 mbed-ls 5058.12.8 Python-mbedtls 5078.12.9 Python-xbee 5088.13 虛擬儀器 5098.13.1 實時顯示波形 5108.13.2 Instrumentino 5108.13.3 Vipy 5118.13.4 PyVISA 5118.13.5 Pythics 5128.14 3D/V
R/AR 5128.14.1 PyOpenGL 5138.14.2 PySoy 5148.14.3 VPython 5148.14.4 Printrun 3D打印 5148.15 本章小結 515第9章 物聯網服務器端設計 5169.1 物聯網計算模型 5179.1.1 雲計算 5179.1.2 Web PaaS與IoT PaaS 5189.1.3 IoT PaaS供應商 5189.1.4 PaaS/IaaS混合架構 5249.1.5 霧計算 5259.2 物聯網與互聯網設計異同 5269.2.1 基礎架構 5269.2.2 標准化程度 5279.2.3 業務模式 5279.2.4 系統構成
5279.2.5 設備接入協議 5289.2.6 數據特性 5299.2.7 系統架構 5309.2.8 數據持久層 5329.2.9 大數據分析架構 5349.2.10 業務耦合與分離 5349.2.11 業務與數據融合 5359.2.12 認證授權與計費 5359.3 物聯網網關與邊緣服務器 5359.3.1 Python socket服務器 5369.3.2 pyserial RFC2217 5369.3.3 SubGHz網關panStamp 5379.3.4 Rascal micro 5389.3.5 Java IoT網關 5399.4 物聯網設備接入協議 5409.4.1 異步通信框
架Twisted 5419.4.2 Twisted 套接字服務器設計 5449.4.3 物聯網專用協議 5589.4.4 CoAP 5609.4.5 MQTT 5649.4.6 mosquitto/paho 5679.4.7 REST API 5729.4.8 服務器數據推送技術 5729.5 高可用性與高並發性 5759.5.1 並行與並發計算 5759.5.2 網絡I/O模型分類 5759.5.3 架構優化的路徑 5769.5.4 關系數據庫系統 5769.5.5 SQL/NoSQL/NewSQL 5789.5.6 Redis 5799.5.7 MongoDB 5809.5.8 時序數據庫
5819.5.9 消息隊列 5839.6 業務與數據融合 5859.6.1 網站權限管理 5859.6.2 認證授權與計費 5869.6.3 OpenID 5879.6.4 OAUTH 5879.6.5 OpenID與OAUTH的異同 5889.6.6 社交化硬件 5889.7 Web開發框架 5899.7.1 MVC模型 5899.7.2 Web開發流程 5899.7.3 Python Web百花齊放 5909.7.4 Zope 5919.7.5 Django 5919.7.6 Flask 5929.7.7 gevent提升性能 5939.7.8 異步Web框架Tornado 5939.7
.9 異步網絡框架Twisted 5939.7.10 異步Web框架Cyclone 5949.7.11 靜態網頁 5949.7.12 TLS安全網頁 5949.8 物聯網安全 5979.8.1 物聯網安全現狀堪憂 5989.8.2 操作系統安全 5989.8.3 數據緩存與數據持久層安全 5999.8.4 Web框架與容器安全 5999.8.5 遠程加載風險 6009.8.6 Web前端安全 6009.8.7 傳輸層安全 6019.9 服務器交付 6039.9.1 虛擬機交付 6039.9.2 Docker容器交付 6039.9.3 VirtualEnv交付 6059.10 服務器運維 605
9.10.1 Linux定時任務 6069.10.2 常見的定時任務 6109.10.3 系統監控 6119.10.4 集成化運維軟件 6139.11 物聯網系統設計實踐 6149.11.1 服務器端需求分析 6149.11.2 確定設備接入方式 6169.11.3 物聯網的實時要求 6179.11.4 EPIC IoT設備服務器 6179.11.5 EPIC架構優化 6199.12 本章小結 625第10章 融合應用與數據分析 62610.1 物聯網是可編程的 62610.1.1 Web API的「滿漢全席」 62710.1.2 Web API技術演進 62810.1.3 IoT Web A
PI的必要性 62810.1.4 Device as a Service 62910.2 數據統計、分析和挖掘 63010.2.1 名詞解釋 63010.2.2 術語小結 63110.2.3 大數據分析 63210.3 采集整理自有數據 63310.3.1 原始設備數據 63310.3.2 數據埋點 63310.3.3 服務器端數據 63410.3.4 需求確定分析方法 63710.4 采集第三方數據 63710.4.1 結構化數據 63810.4.2 半結構化數據 63810.4.3 非結構化數據 63910.4.4 數據錄入 64410.4.5 數據融合 64410.4.6 數據規整 64
610.4.7 數據交易 64610.5 數據分析 64710.5.1 常見編程語言 64710.5.2 數據分析分類 64710.5.3 科學計算數據分析工具 65110.5.4 統計學數據分析工具 65810.5.5 金融數據分析工具 65910.5.6 大數據平台與生態 66110.6 數據可視化 66310.6.1 數據可視化的發展趨勢 66410.6.2 matplotlib 66510.6.3 seaborn 66510.6.4 mpld3 66610.6.5 Chaco 66710.6.6 Pygal 66810.6.7 Plotly 67010.6.8 TVTK 67110.6
.9 VPython 67210.6.10 Folium 67310.6.11 NetworkX 67410.6.12 Bokeh 67610.6.13 Mayavi 67810.6.14 Vispy 68010.6.15 MoviePy 68110.6.16 其他新技術 68210.7 本章小結 682推薦書目與結束語 683
棧板自動產品推放之研究
為了解決棧板計算excel 的問題，作者眭怡婕 這樣論述：
隨著工業4.0的崛起，德國目前已有許多產業皆邁向自動化技術發展，倉儲及物流業者也不例外，德國之EDEKA集團在進貨、揀貨及補貨等作業方面，使用大量自動化技術，不僅有效提升揀貨效率及準確率，更節省了人力成本，為台灣倉儲及物流業者學習之標竿。本研究將針對EDEKA物流中心所使用之OPM（Order Picking Machinery）自動揀選機器系統，深入探討系統自動揀貨時，產品應如何排序，探討對象為單一尺寸之棧板以及多種尺寸之產品，產品在底為同一面之條件下，可向左或右旋轉90度推放，不考慮重量以及可耐重程度。根據產品之特性，包含長、寬及高，提出一個兩階段之演算法，並透過實例測試，求出數個可行解
。第一階段為資料處理階段，針對一筆訂單所需之產品，利用Excel VBA以及Python中之Cluster，根據產品之高度進行排序並分群，高度較高之產品視為離群值，接著將每群之產品資料根據長度排序。第二階段為求解產品順序階段，利用Excel中之求解規劃功能，以「區塊」為單位，求出推放之最佳產品組合。而高度較高之產品則分為兩方式進行計算，一為將其留至後續計算，推放至一個空的棧板，二為將其推放至每個棧板之最上層。針對此方法所求出之數個可行解，計算其每個棧板之產品空間放置率，期望本研究提出之演算法能實際應用至產業中。
Python金融大數據分析
為了解決棧板計算excel 的問題，作者（德）伊夫·希爾皮斯科 這樣論述：
Python憑借其簡單、易讀、可擴展性以及擁有巨大而活躍的科學計算社區，在需要分析、處理大量數據的金融行業得到了廣泛而迅速的應用，並且成為該行業開發核心應用的編程語言。《Python金融大數據分析》提供了使用Python進行數據分析，以及開發相關應用程序的技巧和工具。《Python金融大數據分析》總計分為3部分，共19章，第1部分介紹了Python在金融學中的應用，其內容涵蓋了Python用於金融行業的原因、Python的基礎架構和工具，以及Python在計量金融學中的一些具體入門實例；第2部分介紹了金融分析和應用程序開發中重要的Python庫、技術和方法，其內容涵蓋了Python的數據類型和
結構、用matplotlib進行數據可視化、金融時間序列數據處理、高性能輸入/輸出操作、高性能的Python技術和庫、金融學中需要的多種數學工具、隨機數生成和隨機過程模擬、Python統計學應用、Python和Excel的集成、Python面向對象編程和GUI的開發、Python與Web技術的集成，以及基於Web應用和Web服務的開發；第3部分關注的是蒙特卡洛模擬期權與衍生品定價實際應用的開發工作，其內容涵蓋了估值框架的介紹、金融模型的模擬、衍生品的估值、投資組合的估值、波動率期權等知識。《Python金融大數據分析》適合對使用Python進行大數據分析、處理感興趣的金融行業開發人員閱讀。伊夫
•希爾皮斯科（Yves Hilpisch）是Python Quants（德國）股份有限公司的創始人和任事股東，也是Python Quants（紐約）有限責任公司的共同創辦人。該集團提供基於Python的金融和衍生品分析軟件（參見 http://pythonquants.com，http://quant-platfrom.com和http://dx- analytics.com），以及和Python及金融相關的咨詢、開發和培訓服務。Yves還是Derivatives Analytics with Python（Wiley Finance，2015）的作者。作為獲得數理金融學博士學位的商業管理專業
研究生，他在薩爾州大學講授計算金融學中的數值化方法課程。 第1部分 Python與金融第1章 為什麼將Python用於金融 31.1 Python是什麼 31.1.1 Python簡史 51.1.2 Python生態系統 51.1.3 Python用戶譜系 71.1.4 科學棧 71.2 金融中的科技 81.2.1 科技開銷 91.2.2 作為業務引擎的科技 91.2.3 作為進入門檻的科技和人才 91.2.4 不斷提高的速度、頻率、數據量 101.2.5 實時分析的興起 111.3 用於金融的Python 121.3.1 金融和Python語法 121.3.2 Pytho
n的效率和生產率 151.3.3 從原型化到生產 191.4 結語 201.5 延伸閱讀 20第2章 基礎架構和工具 212.1 Python部署 222.1.1 Anaconda 222.1.2 Python Quant Platform 272.1.3 工具 302.1.4 Python 302.1.5 IPython 302.1.6 Spyder 402.2 結語 422.3 延伸閱讀 43第3章 入門示例 453.1 隱含波動率 463.2 蒙特卡洛模擬 543.2.1 純Python 563.2.2 用NumPy向量化 573.2.3 利用對數歐拉方法實現全向量化 593.2.4 圖
形化分析 603.2.5 技術分析 623.3 結語 673.4 延伸閱讀 68第2部分 金融分析和開發第4章 數據類型和結構 714.1 基本數據類型 724.1.1 整數 724.1.2 浮點數 734.1.3 字符串 754.2 基本數據結構 774.2.1 元組 774.2.2 列表 784.2.3 離題：控制結構 804.2.4 離題：函數式編程 814.2.5 字典 824.2.6 集合 844.3 NumPy數據結構 854.3.1 用Python列表形成數組 854.3.2 常規NumPy數組 874.3.3 結構數組 904.4 代碼向量化 914.5 內存布局 934.6
結語 954.7 延伸閱讀 95第5章 數據可視化 975.1 二維繪圖 975.1.1 一維數據集 985.1.2 二維數據集 1035.1.3 其他繪圖樣式 1095.2 金融學圖表 1165.3 3D繪圖 1195.4 結語 1225.5 延伸閱讀 122第6章 金融時間序列 1236.1 pandas基礎 1246.1.1 使用DataFrame類的第一步 1246.1.2 使用DataFrame類的第二步 1276.1.3 基本分析 1316.1.4 Series類 1346.1.5 GroupBy操作 1356.2 金融數據 1366.3 回歸分析 1426.4 高頻數據 1506
.5 結語 1546.6 延伸閱讀 154第7章 輸入/輸出操作 1557.1 Python基本I/O 1567.1.1 將對象寫入磁盤 1567.1.2 讀寫文本文件 1597.1.3 SQL數據庫 1607.1.4 讀寫NumPy數組 1627.2 Pandas的I/O 1647.2.1 SQL數據庫 1657.2.2 從SQL到pandas 1667.2.3 CSV文件數據 1687.2.4 Excel文件數據 1697.3 PyTables的快速I/O 1707.3.1 使用表 1707.3.2 使用壓縮表 1757.3.3 使用數組 1767.3.4 內存外計算 1777.4 結語
1797.5 延伸閱讀 180第8章 高性能的Python 1818.1 Python范型與性能 1828.2 內存布局與性能 1848.3 並行計算 1868.3.1 蒙特卡洛算法 1868.3.2 順序化計算 1878.3.3 並行計算 1888.3.4 性能比較 1918.4 多處理 1918.5 動態編譯 1938.5.1 介紹性示例 1938.5.2 二項式期權定價方法 1958.6 用Cython進行靜態編譯 1998.7 在GPU上生成隨機數 2018.8 結語 2058.9 延伸閱讀 205第9章 數學工具 2079.1 逼近法 2089.1.1 回歸 2089.1.2 插值
2189.2 凸優化 2219.2.1 全局優化 2229.2.2 局部優化 2239.2.3 有約束優化 2249.3 積分 2269.3.1 數值積分 2289.3.2 通過模擬求取積分 2289.4 符號計算 2299.4.1 基本知識 2299.4.2 方程式 2309.4.3 積分 2319.4.4 微分 2329.5 結語 2339.6 延伸閱讀 233第10章 推斷統計學 23510.1 隨機數 23610.2 模擬 24110.2.1 隨機變量 24110.2.2 隨機過程 24410.2.3 方差縮減 25610.3 估值 25910.3.1 歐式期權 25910.3.2 美
式期權 26310.4 風險測度 26610.4.1 風險價值 26610.4.2 信用價值調整 27010.5 結語 27210.6 延伸閱讀 273第11章 統計學 27511.1 正態性檢驗 27611.1.1 基准案例 27711.1.2 現實世界的數據 28411.2 投資組合優化 28911.2.1 數據 29011.2.2 基本理論 29111.2.3 投資組合優化 29411.2.4 有效邊界 29611.2.5 資本市場線 29711.3 主成分分析 30011.3.1 DAX指數和30種成分股 30111.3.2 應用PCA 30111.3.3 構造PCA指數 30211.
4 貝葉斯回歸 30511.4.1 貝葉斯公式 30511.4.2 PyMC3 30611.4.3 介紹性示例 30711.4.4 真實數據 31011.5 結語 31811.6 延伸閱讀 318第12章 Excel集成 32112.1 基本電子表格交互 32212.1.1 生成工作簿（.xls） 32312.1.2 生成工作簿（.xslx） 32412.1.3 從工作簿中讀取 32612.1.4 使用OpenPyxl 32812.1.5 使用pandas讀寫 32912.2 用Python編寫Excel腳本 33212.2.1 安裝DataNitro 33312.2.2 使用DataNitr
o 33312.3 xlwings 34212.4 結語 34212.5 延伸閱讀 343第13章 面向對象和圖形用戶界面 34513.1 面向對象 34513.1.1 Python類基礎知識 34613.1.2 簡單的短期利率類 35013.1.3 現金流序列類 35413.2 圖形用戶界面 35613.2.1 帶GUI的短期利率類 35613.2.2 值的更新 35813.2.3 帶GUI的現金流序列類 36013.3 結語 36213.4 延伸閱讀 362第14章 Web集成 36514.1 Web基礎知識 36614.1.1 ftplib 36614.1.2 httplib 36814
.1.3 urllib 36914.2 Web圖表繪制 37214.2.1 靜態圖表繪制 37214.2.2 交互式圖表繪制 37414.2.3 實時圖表繪制 37514.3 快速Web應用 38314.3.1 交易者的聊天室 38414.3.2 數據建模 38414.3.3 Python代碼 38514.3.4 模板 39114.3.5 樣式化 39614.4 Web服務 39714.4.1 金融模型 39914.4.2 實現 40014.5 結語 40614.6 延伸閱讀 406第3部分 衍生品分析庫第15章 估值框架 40915.1 資產定價基本定理 40915.1.1 簡單示例 409
15.1.2 一般結果 41015.2 風險中立折現 41215.2.1 日期建模和處理 41215.2.2 固定短期利率 41315.3 市場環境 41515.4 結語 41815.5 延伸閱讀 419第16章 金融模型的模擬 42116.1 隨機數生成 42216.2 泛型模擬類 42316.3 幾何布朗運動 42716.3.1 模擬類 42716.3.2 用例 42916.4 跳躍擴散 43116.4.1 模擬類 43116.4.2 用例 43416.5 平方根擴散 43516.5.1 模擬類 43516.5.2 用例 43716.6 結語 43816.7 延伸閱讀 440第17章 衍生
品估值 44117.1 泛型估值類 44117.2 歐式行權 44517.3 估值類 44517.4 美式行權 45117.4.1 最小二乘蒙特卡洛方法 45117.4.2 估值類 45317.4.3 用例 45417.5 結語 45717.6 延伸閱讀 458第18章 投資組合估值 45918.1 衍生品頭寸 46018.1.1 類 46018.1.2 用例 46218.2 衍生品投資組合 46318.2.1 類 46318.2.2 用例 46718.3 結語 47218.4 延伸閱讀 474第19章 波動率期權 47519.1 VSTOXX數據 47619.1.1 VSTOXX指數數據 4
7619.1.2 VSTOXX期貨數據 47719.1.3 VSTOXX期權數據 47919.2 模型檢驗 48019.2.1 相關市場數據 48019.2.2 期權建模 48119.2.3 檢驗過程 48319.3 基於VSTOXX的美式期權 48719.3.1 期權頭寸建模 48719.3.2 期權投資組合 48819.4 結語 48919.5 延伸閱讀 490附錄A 精選的最佳實踐 491附錄B 看漲期權類 499附錄C 日期和時間 503
應用時間序列法及資料探勘技術於精實生產管理之研究-以B公司之產品銷售預測為例
為了解決棧板計算excel 的問題，作者王睦華 這樣論述：
台灣許多中小企業由代工生產起家，而後發展自有品牌，在過程中面臨許多挑戰，如何改善及解決企業存在之浪費，以達到降低成本並提高利潤及效率，是企業重視的一大課題。精實生產管理即是透過持續改善，減少浪費進而降低成本，本研究以精實生產管理精神為出發點，透過探討個案公司現存的浪費，以成品庫存浪費為主題，提出改善方案，以建構銷售預測模式準確預測未來銷售量，緩解過量生產問題。本研究應用時間序列預測法中季節趨勢預測、指數平滑法，與資料探勘技術中類神經網路結合季節指數運算進行銷售預測研究，比較不同方法之結果，選出準確度最佳之方法。預測結果與 2017年實際銷售值進行誤差計算及驗證，以平均絕對誤差百分比評估不同方
法於銷售產品預測準確度，研究結果為指數平滑法之預測值最接近實際銷售值，以提供企業參考，有效解決成品庫存浪費之問題。