A* 演算法
A* 演算法（A* Algorithm），又稱作 A* 搜尋演算法（A* Search Algorithm），是眾多遊戲與人工智慧應用中常見的路徑規劃演算法之一。其演算法結合戴克斯特拉演算法的全局最短路徑特性與貪婪演算法的啟發式搜尋策略，使 A* 演算法兼具效率與準確性，因此廣受歡迎。同時， A* 演算法也廣泛用於機器人導航、地圖路徑規劃等等眾多領域中。
發佈日期 / 更新日期
淺談貪婪演算法
貪婪演算法（Greedy Algorithm）是一種透過每一步都選擇目前看起來最有利的選項進行求解的演算法，透過簡單且直觀地判斷在當前所有選擇中的最優解，並期望這些局部的選擇能累積成整體的最佳解，直到滿足終止條件為止。由於貪婪演算法僅專注於當下的局部環境，故選擇的解法不一定是全局的最優解，甚至可能會繞遠路。但不可否認的是，由於貪婪演算法不考慮全局，僅對局部選項做決策，因此通常具有相當高的執行效率。
戴克斯特拉演算法
戴克斯特拉演算法（Dijkstra's Algorithm）是探討最短路徑的一種演算法，最早是用於尋找兩點間的最短路徑，後拓展到由固定一點尋找與其他點的最短路徑，稱為該點的「最短路徑樹」。
在 LoveIt 主題的文章中新增相關文章區塊
常用的距離度量方法
封面圖片由 ChatGPT 生成。
前言
如何計算距離是現今統計分析中重要的一個環節，選擇不同的距離度量方式對於統計分析方法可能會產生不同的結果。以下介紹常用的距離度量方法。
【心得】第 34 屆 南區統計研討會
直角坐標、極坐標與球坐標
常見的坐標系包含直角坐標系、極坐標系與球坐標系，每一種坐標系各有其不同的使用情形與優缺點。
安斯庫姆四重奏
今天在聽取報告時，偶然聽見一個名詞——安斯庫姆四重奏（Anscombe's quartet），這是一個我從未聽說過的詞，但卻與統計學與資料視覺化有著重要的影響。
感知機簡介
感知機（Perceptron）是最早期的人工神經網路模型之一，其發展奠定了現代機器學習的基礎，可以說是神經網路的「始祖」。它能執行簡單的二元分類任務，並以數學方式模擬神經元的運作邏輯，至今仍常被作為機器學習入門的教學範例。
多維尺度分析（MDS）
多維尺度分析（Multi-dimensional Scaling, MDS）是一種降維方法，透過計算資料集中物件兩兩之間的距離，並呈現在低維空間中，同時保留原資料的相對距離結構。 MDS 可視為一種將資料視覺化的方法，以便直觀地觀察資料的相對關係。