無伺服器架構的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

Java也可以K8s：使用最新Quarkus打造新世代原生微服務

為了解決無伺服器架構的問題，作者任鋼 這樣論述：

從基礎到進階——Quarkus完整開發大全！ 　　Quarkus是一個來自Red Hat公司的超音速次原子Kubernetes原生Java框架。該框架允許Java開發人員結合容器、微服務和Kubernetes的能力來構建可靠、高性能、快速的雲端原生應用和Serverless應用。 　　本書是一本Quarkus開發大全，涵蓋Quarkus大部分內容，書中共包含50多個案例，共12章，第1章是Quarkus概述，可以從整體上認識Quarkus；第2章是對Quarkus的初探，將使用Quarkus構建一個微服務並開發基礎應用；第3章至第10章是本書的主要部分，將詳細講解如何在Quarkus架

構上進行Web、Data、Message、Security、Reactive、Tolerance、Health、Tracing、Spring整合應用場景的開發和實作；第11章介紹Quarkus在雲端原生應用場景下的實施和部署；第12章是Quarkus Extension，進階開發者在Quarkus的基礎上擴充外部元件。本書適合想在Quarkus獲得更多知識或實現更多新創方式的IT工程師，針對Spring框架已經有經驗的工程師更是如虎添翼。 　　※適合讀者群 　　本書適合對Quarkus感興趣且想在這方面獲得更多知識或實現更多想法的IT從業者。 　　．初級讀者：可以透過本書知道如何使用Qua

rkus進行Web、Data和Message方面的開發，能非常迅速、高效、簡單地架設一個微服務應用系統。 　　．中級讀者：如具有豐富開發經驗的軟體開發工程師等，可以透過本書獲得對Quarkus的全面認識，能建構安全的、整合的、伸縮性和容錯能力強的雲端原生應用。 　　．進階讀者：如具有豐富經驗的架構師和分析師，可以透過本書知道Quarkus的核心特性，能利用這些特性遊刃有餘地建構響應式的、高可靠的、高可用的、維護性強的雲端原生架構系統。 　　．在Spring上已經有經驗累積的工程師：幾乎可以零成本地又掌握一套基於Java語言的雲端原生開發工具。讀者如果有一些工作經驗，曾經用類似的工具（如S

pring等）進行過軟體開發，那麼將能非常快速地掌握Quarkus的使用方法。 本書特色 　　．Java工程師用K8s探索微服務的先驅Quarkus概述 　　．Quarkus中進行Web開發完整專案 　　．資料驅動的Quarkus案例實作 　　．Message系統的案例架設 　　．Security安全考量的微服務專案 　　．Reactive的整合場景 　　．Tolerance在Quarkus的應用場景 　　．Health的企業專案開發 　　．Tracing場景下的微服務應用 　　．Spring整合應用場景 　　．Quarkus在雲端原生實施部署 　　．Quarkus Extension進一

步使用 專業推薦 　　中國紅帽首席架構師 張家駒 　　亞馬遜雲端科技專業顧問服務團隊經理 陳明儀  

無伺服器架構進入發燒排行的影片

人工智慧物聯網結合無伺服器架構應用於水質檢測系統之實現

為了解決無伺服器架構的問題，作者陳薪宇 這樣論述：

運用雲端無伺服器系統應用於水質監測，以水質檢測與預測為出發點，運用pH、氧化還原、溶氧量、電導度以及溫度感測器為基礎，傳輸方式使用Wi-Fi訊號，傳輸檢測資料到Firebase雲端平台上，在此平台上運用無伺服器的技巧，建立一漸進式網路應用程式，並在水質出現問題時，即時的做出通知以及警報。針對水質感測器在水中產生的傳導干擾，研製一具有隔離訊號功能的DC-DC轉換器，提供3.7V的隔離電源與I2C通道，作為訊號隔離模組，使水質感測器之I2C訊號可以不受干擾的傳輸。整合市售常見的水質檢測項目與雲端無伺服器系統，運用在設計的實驗中，分別為封閉環境實驗、大腸桿菌實驗與養殖環境實驗，模擬水質在劣化的情況

下，投入改善水質的奈米銀，得到經過奈米銀沖洗的管線其水質與原先尚未汙染時相近。最後，應用機器學習預測數據，透過遞迴神經網路、門控循環單元以及長短期記憶模型三種不同模型來找出最佳預測參數以及預測神經網路。在訓練後，利用均方根誤差、平均絕對誤差以及平均絕對百分比誤差的公式求出誤差量，提供未來水質數據預測給養殖戶，避免水質變化所造成的損失。在經過實驗後發現除了氧化還原以外的數據皆以門控循環單元模型表現最佳，誤差大多在0.5以內，其中以pH值的預測最為精準，RMSE、MAE、MAPE的數值分別為0.0096、00080、0.0930%，預測之數據相當準確。

AWS Lambda程式設計

為了解決無伺服器架構的問題，作者JohnChapin,MikeRoberts 這樣論述：

用Java建立和部署無伺服器應用程式 　　「如果你是想要獲取無伺服器運算優勢的Java開發者，這本書就是你正在尋覓的！」 —Brian Gruber Meetup首席架構師 　　無伺服器改進了組織建立和部署軟體的方式。Java工程師可以透過本書的引導，學習無伺服器運算，並了解雲端運算執行模型如何降低開發和維運的複雜度和成本，同時減少進入市場的花費和時間。 　　工程師主管John Chapin和Mike Roberts將引導您使用AWS Lambda，透過開發應用程式，學習Amazon的事件驅動、無伺服器運算平台，包括準備開發環境、編寫Lambda函式和部署、維運無伺服器軟體。書中各章

節的練習題也有助於您了解開發過程中的各個面向。 　　‧介紹無伺服器架構、函式即服務和AWS Lambda 　　‧如何在雲端上部署Lambda函式 　　‧編寫Lambda函式，並和其他AWS服務整合 　　‧建立和包裝Java的Lambda程式碼和相關套件 　　‧建立無伺服器API和資料管線，打造無伺服器應用程式 　　‧使用自動化技術，測試無伺服器應用程式 　　‧打造顧客面向、隨時可用的應用程式 　　‧了解無伺服器架構的機會和易掉入的陷阱  

以無顯影劑的CT/MRI影像判讀 帕金森氏症分期之網頁平台開發

為了解決無伺服器架構的問題，作者何佳蓉 這樣論述：

帕金森氏症是種無法停止神經持續退化的疾病，平均在55歲左右發病並盛行率逐年上升，目前透過藥物使患者維持日常活動能力其延緩腦幹的黑質退化。臨床上診斷是利用H&Y臨床量表和帕金森症狀衡量表（UPDRS）做為初步評估後，對已知病患做多巴胺掃描（TRODAT SPECT），先前研究室已初步開發用電腦輔助偵測系統來計算對帕金森氏症患者之分期，探討減少病患對輻射劑量的吸收和取代TRODAT影像對早期的帕金森氏症診斷之可行性。本論文在於整合並強化本研究室初步成果結合為一套以無顯影劑的CT/MRI影像判讀帕金森氏症分期之網頁平台。透過網頁伺服器架構Python Flask框架進行，使平台系統呈現出其介面提供

使用，並以 Microsoft SQL server 進行帕金森氏症資料庫的建立，使用介面將會以網頁來做呈現，並且收集相關問題回報與建議和臨床影像，以擴大資料庫之資訊量。利用電腦輔助偵測系統計算大腦灰質及白質比例與紋狀體容積，透過影像處理技術分析PD初步研究並分期，研究步驟包含：（1）以區域成長法及濾波器，去除雜訊並分割出完整的腦組織；（2）設定閥值，區分灰白質與紋狀體；（3）CT使用區域成長法圈選特定紋狀體，MRI使用主動式輪廓圈選特定紋狀體；（4）藉由特徵之選取計算白質灰質及紋狀體體積；（5）分析紋狀體與灰白質比例與H&Y相關性;（6）分析結果提供醫生作為參考。使用80組病例進行訓練及驗證

。初步結果顯示：第一階段，利用臨界值法找出CT影像中之右、左側紋狀體特定面積比(SARR、SARL)與HY分數之相關性找出HY 0.0~HY 1.0、HY 1.0 ~ HY 2.0、HY 2.0 ~ HY 3.0間的臨界值分別為0.58/0.65、0.41/0.45、0.25/0.3。第二階段藉由混淆矩陣換算，進一步可得到之系統效能在CT影像判讀PD各分期之表現。以SARR/SARL之特徵對HY0.0、HY1.0、HY2.0與HY3.0分期之準確度及Kappa值分別0.85/0.83及0.798/0.766，而靈敏度與特異性則分別為0.875/0.889與0.938/0.935(針對HY0.0

)，0.75/0.636與0.89/0.87 (針對HY1.0)， 0.8/0.8與0.94/0.93(針對HY2.0)，1.0/1.0與1.0/1.0 (針對HY3.0)。其結果顯示針對無顯影劑之CT影像，系統具有PD分期之能力。藉由使用情況、網頁介面、平台穩定性之評估並予以調整，系統可提供客觀的資訊，評估帕金森氏症之嚴重程度。期望藉由提供之量化參數可幫助醫師更快速及準確的對病情判斷，並可作為後續深度學習之基礎。關鍵字：帕金森氏症、影像處理、電腦輔助偵測系統、腦萎縮