跳到主要內容

補文:pingooo 總召的碎碎唸

COSCUP 2009 總召 pingooo 在 2009 年寫了三篇有關 COSCUP 的文章,這是第二篇,轉貼到 COSCUP 部落格留個記錄。



正在寫 COSUCP 2009 的總結文,忽然想到:為了大會手冊寫的「pingooo 總召的碎碎念」沒有出現在網路上耶!就把它貼到部落格來,留個紀念。




這篇碎碎唸 140 字寫不下,所以各位不用去噗浪或推特找了。 XD

回想今年三月多開始策劃 COSCUP 2009 的時候,正是金融海嘯的浪頭,消費券也才剛領幾個禮拜,到處都是用消費券的廣告,加上竹科各公司放無薪假的新聞不斷襲來,真的是人心惶惶啊!

到了四月,開始拈拈手上的現金和預算,才赫然發現:「如果沒拉到贊助,今年辦完 COSCUP 後,要貼 20 萬!」 @_@

四月中,兩個 open source 研討會的主辦人異口同聲說:今年景氣冷冰冰,很難募款。其中一個甚至停辦了。

可是,都公開說要辦了...

不管了,穿上雪衣,衝吧!

團隊

第一股暖流來自於社群。在 lman 幫忙組織之下,得到了許多熱情朋友的響應,加入籌備團隊,把許多繁雜的工作挑了起來。而且加入的人越來越多,一開始我還有點小小擔心,加入的人知不知道是要來被荼毒的啊?有些會不會是來亂的?但時間證明我想太多了。

 你想知道 COSCUP 2009 是由誰些人辦起來的嗎?請翻到工作人員名單那一頁。

回來了?你數得出來有多少人在為 COSCUP 2009 貢獻嗎?我已經數不清了。

這一群熱心的社群朋友,在 Google groups、IRC、私噗、MSN 上討論 COSCUP 的大小事,從 3/18 Google groups 啟用以來,上面的 e-mail 件數逐月成長,依這個趨勢,七月有可能突破單月 1000 封信的大關!

(喂!每個月六七百封信還被 Google groups 列成「活動: 低度活動」是怎樣?)

拉贊助


五月初,我們準備好了贊助徵求書,一家一家廠商地寄出去。Jouston 和 Rex 出了很好的主意:台灣以硬體產業見長,COSCUP 應該要適度強調 open source software 對硬體產品的優勢,對在地產業比較有用,也做出 COSCUP 的特色來。因此 Rex 開始聯絡台灣各個可能有用到 open source 的硬體公司,我則聯絡外商和軟體公司,加上 Arthur 幫忙牽線,許多之前不認識的社群朋友也主動拿出自己的人脈介紹廠商來贊助!

這麼多人幫忙拉贊助,這是第二股暖流,感恩啊!

為了寫這篇碎碎念,今天算一算,才發現我們一共聯絡了 46 家廠商和組織! (gym)

(咦?這不是噗浪?)

廠商支持



剛開始寄贊助徵求書的時候,很擔心找錯廠商窗口,被當垃圾信丟掉,連說明的機會都沒有。但隨著回函一封一封進到信箱裡,我開始覺得,好像有希望了。

5 月 10 日是重要的一天,因為發行 Ubuntu 的 Canonical 公司同意贊助了!今年的第一筆贊助!很快地,Pixnet 和 Linpus 也先後同意贊助。等到 Sun 也同意,今年確定不用墊錢了! (heart) (dance)

(狀態顯示為「不管是不是噗浪了!」)

這是第三股暖流。

到今天為止,COSCUP 2009 一共有 17 家廠商或組織贊助。社群默默地、自動自發地、無私地幫 COSCUP 牽線募款,和廠商的大力支持,是今年募款會成功的重要原因,在景氣寒冬的今年尤其感激大家。

講者


雖然募到錢了,但是一場好的研討會,有錢是不夠的!君不見某些百萬級的研討會「爛評如潮」、「讓人罵了還想再罵」。真正好的研討會需要 xdite 所說的三寶:網路、食物和正妹,呃... 這些交給 David、Layla 和 Lzy 去張羅好了。其實一樣重要的是:題材、講者和聽眾。題材新穎有意思、講者風趣又有料、聽眾能有迴響和彼此交流,才是好玩的研討會。更何況 COSCUP 的最重要目的是社群大拜拜,如果社群的大大們不來講講他們手上的新玩意,新加入社群的人不來交朋友,那還有什麼意思!

但這不是一兩個人能獨力做到的,要靠社群大大們願意出山來演講,吸引大家來參加。

今年感覺上有不少話題,也為了讓更多人可以參與,去年單線的排法怕會排不下,所以排了平行議程。但是,往年的 open source 研討會一向要四處邀請講者,call for paper 都不容易 call 到人投稿,今年到底有沒有那麼多講者啊?

講者群就是第四股暖流。

今年不但有不少人主動投稿,而且還有重量級的大大,投進來的稿,重到一隻手拿不動,要用雙手捧!如
  • freedom 前輩要來講把 Android 移植到 Gigabyte MID 上的經驗
  • wycc 前輩講用 open source 軟體做居家自動化
  • 人帥真好的 jserv 要為 COSCUP 搏命演出(剛做了一個 hypervisor?)
  • 剛出 App Engine 中文書的 ericsk 上官神人要來講 App Engine(你還沒買書嗎?買了竟然忘記帶來大會請神人簽名嗎?)
  • xdite(最近太紅了吧?),要來講可以飛上總統府^H^H^H雲端的 Ruby
還有遠從馬來西亞投稿的 takizo 喔!

除了投稿,邀稿和贊助單位的演講也都很有水準,我就不一一列了,請翻到議程和講者介紹那幾頁去看。我只引用一下 ericsk:「這講者群太華麗了吧。」

感謝社群大大們和贊助單位的熱情支持,「COSCUP 2009 的議程根本就是多到滿出來了 XD」(引用 jserv 的話),兩個議程分別在相隔二分鐘的台大應力所和台大博理館,也儘量讓兩邊的主題有明顯的區隔,希望你能找到自己喜歡的題目唷!

聽眾


今年的聽眾實在太狂熱了!

往年的網路報名都要好幾個禮拜,去年快很多,大約是十天報滿 400 個名額。今年因為平行議程座位比較多,開放 550 個名額,其中 100 個是「學生保障名額」,大會當天要憑學生證報到,剩下 450 個是一般名額。本來想說 7/16 11:00am 開放報名後,過兩三天來看看進度。










一般報名區 15 分鐘就湧進 100 人!第一個小時就超過了 200 人。午飯時間稍微休息,吃完午飯,就再度以每刻鐘約 20 人的驚人速度上昇。

下午 3:07 就 550 人爆滿!

有沒有搞錯啊?COSCUP 不是 Cosplay CUP 耶!沒有 Cosplay 的美眉,也沒有明星上台唱歌跳舞,大家真的沒有報錯名嗎?

名額被秒殺,好些社群長輩白天沒時間,晚上就沒得報名了! 囧rz

眼尖的你可能發現圖中的總人數不到 450,這是因為圖是 7/22 做的,為了讓沒報到名的人有第二次機會,有些工作人員已經把名額讓出來給第二波報名了。


這不只是暖流,這是連撞沈鐵達尼號的冰山也要融化的熱浪啊!

總之...


碎碎唸了這麼多,如果你讀到這裡,恭喜你!請找心怡妹妹或愛美麗妹妹領取啾咪一枚。

COSCUP 2009 從今年三月開始籌備,到今天這四個多月,讓我再度感受到,台灣社群的熱血貫穿全身啊!如果問我這幾個月來最大的收穫是什麼,亳無疑問、非常肯定、如假包換、童叟無欺的,是多了一個外號^H^H,不不不,是多了一群年輕的好朋友。Pofeng、柏強、Rex、Layla、Ijs、Jouston、hychen、lman、Fred、medicalwei、宇狗、David、Lzy、Arthur、BlueT、小鷗、雨蒼、Ducati、琦琦、阿民... (這下族繁真的不及備載了),要不是你們,COSCUP 怎麼會搞得這麼大?

pingooo,
2009/7/23 在 Mountain View, California, U.S.A.

這個網誌中的熱門文章

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係,越來越多企業開始實施分流或在家工作,視訊會議的需求也日益增加。 在商用解決方案選擇上,有不少企業會選擇知名品牌的產品,例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備,今年五月也因應疫情升溫,全員 work from home 至今兩個月有餘。 當然,取之 Open Source,也要對社群有些貢獻。在這一屆 COSCUP,我們要來介紹 Open Source 圈中也很知名,效果也很不錯的一套視訊會議平台: Jitsi 。 除了基本的視訊會議功能外,在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限,且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範,如何簡單的建置出一個 Jitsi 環境,並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance(1 core CPU + 2GB RAM + 60GB SSD),作業系統則是 Ubuntu 20.04 來示範。當然,使用其他 VPS 亦可,大同小異,這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新: $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device,如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 ): $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新: $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...