跳到主要內容

COSCUP 2013 individual sponsorship 個人贊助 徵求募集

     
* 活動時間：2013/06/01~2013/07/12


* 活動緣起：

(1)一個活動的品質好壞取決於內容，以及整體活動之籌畫；對於 COSCUP 來說，前者以議程內容為目標，後者以志工人員與資金籌措為主幹。


(2)COSCUP 2013 為服務往年都有無法報到名向隅的參加者，以及容納更多交流討論的議程內容，首次嘗試在 TICC 舉辦能容納近兩千人的研討會活動。


*活動簡介：

COSCUP 是 由台灣各開源社群集結舉辦的研討會，我們希望提供友善且豐富的環境讓各界交流 CPU (Coder, Promoter, User) 能當面交流討論技術、分享經驗心得，透過軟體技術、應用或是共享社群與推廣經驗，激盪火花甚至促進合作。而這樣的活動舉辦除了各種的資源協 助，更需要資金的支撐，希望能藉由您的一份力量，來促成活動的舉行，讓國內外資源的互相分享與交流，讓我們的未來更有無限的可能!
 We (heart) Open.


*活動辦法：

─ 只要您個人贊助金額：NT $5,000，
即可獲得 COSCUP 2013 入場券一張 + COSCUP 限量獨家紀念品 + COSCUP 專屬紀念衣服一件，並名列 COSCUP  2013 特別感謝頁面。

─ 若您願意多贊助，我們十分感謝您的心意！
同樣給予您，COSCUP 2013 入場券一張 + COSCUP 限量獨家紀念品 + COSCUP 專屬紀念衣服一件，並名列 COSCUP  2013 特別感謝頁面，請點選您欲捐款的金額選項。

─ COSCUP  2013 特別感謝頁面將依贊助款金額與姓名筆劃順序排列贊助者。

─ ATM 轉帳單筆上限為兩萬元，信用卡單筆上限為三萬元。

─ 若您意欲贊助其他金額或有任何問題請與 sponsorship@coscup.org 聯繫，謝謝。


個人贊助方案 Registrano 頁面: 
http://registrano.com/events/personalsponsor

 COSCUP 2013 活動網站:http://coscup.org/2013/
     



Call for Individual Sponsorship of COSCUP 2013


Event Schedule:

2013/06/01~2013/07/12



Event Overview:


COSCUP is the largest annual open source conference in Taiwan. Founded in 2006, COSCUP is a 2-day conference which creates a friendly, informative and exciting environment for those who are interested in open source technologies to  learn new technologies, be connected and be inspired.


The conference requires tremendous amount of resource and capital. To successfully host the conference in order to promote international collaboration and sharing, we are looking for support and sponsorship from corporates and individuals.


Event Sponsorship:


For those who sponsor minimum NTD $5,000 (or USD $170) for COSCUP 2013, you will receive one COSCUP 2013 ticket, one package of exclusive souvenir and one COSCUP t-shirt. We will also show our appreciation of your support by listing the name of our sponsors on our “Acknowledgment Page” on COSCUP 2013 website.


We greatly appreciate sponsorship beyond the minimum amount.


The order of list of sponsors on of “Acknowledgment Page” on COSCUP 2013 website will depend on the sponsorship amount and name strokes.


The web page of individual sponsorship:



COSCUP 2013 website:



For any inquiries, please contact Sponsorship Team at sponsorship@coscup.org.

Thank you.


COSCUP 2013 - 個人スポンサー募集 -


★お知らせ：
このたびCOSCUP 2013では初めてTICC（Taipei International Convention Center ）
にて2000人ほどのカンファレンスの開催を予定しております。
COSCUPの運営は主にボランティアにより成り立っており、
この活動は様々な企業スポンサーに支持され、
年々成長し交流も活発になってきました。
COSCUPの参加希望者数もますます増加しているため、
今回初めてTICCにて、大規模なカンファレンスを開催する予定です。
そのため、ただいまCOSCUPでは夏の活動に向けて、
支持していただける個人スポンサー様を募集しております。
受付期間：2013/06/01(土) ~ 2013/07/12(金)
仕様：１口 NT $5,000
複数のお申し込みも歓迎致します。
ご支援して頂く金額を選択してください。
購入口数によらず、個人スポンサー様のお申し込み一回につき、
「特典およびチケット」1セットの進呈となります。
★活動の紹介：
COSCUPは台湾における各オープンソースコミュニティーの集まりであり、
参加者同士が協力し合い、お互いに交流を深めることのできる場でもあります。
COSCUPは参加者に各領域のCPU（Coder, Promoter, User）として交流できる多様な環境を提供し、各自の持つ経験を持ち合い気軽に話し合える空間です。
参加して頂く方々とともに力を合わせ、お互いに助け合い交流することで
台湾にあるオープンソースコミュニティーを発展させていくことが
私たちCOSCUPの願いです。
COSCUPがみなさまの交流を深める為の良いきっかけとなれば幸いです。
We (heart) Open.


特典：
COSCUP 2013チケット
COSCUPオリジナルグッズ
COSCUPオリジナルTシャツ
COSCUP 2013スペシャルサンクスページにお名前の掲載


特典について：
購入口数によらず個人スポンサーお申し込み一回につき、
個人スポンサー特典およびチケットは1セットの進呈となります。





お問い合わせ：
ご不明な点が御座いましたら、お手数ですが下記メールアドレスよりお問い合わせ下さい。
sponsorship@coscup.org


Labels:

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...
張貼留言
Read more »

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...
張貼留言
Read more »

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...
張貼留言
Read more »