跳到主要內容

[2013_七月強力放送電子報]-第三期

圖片 COSCUP Logo

~小啄報你知~

第三期 2013/07/17

Hi

來了來了,小啄又從遙遠的彼方飛過來了!第三次的電子報,小啄要講講今年主題中的「Open Data」,當然也要跟你說些有趣的議程、以及今年跟往年更多不一樣的地方!一如往常,如果你喜歡這期的週報,可別忘了到小啄的 FacebookTwitterPlurkGoogle+ 給我們一點掌聲喲!

焦點議程

噹噹噹~~ 今年 COSCUP 的主題是 Open x [Web, Mobile, Data],結合了三種方向不同、但精神相符的面向,這一次就來看看 OPEN x Data 的部分吧!作為拜搜尋引擎教的網民,想必你我都已經體會到「資料」所帶來的無限潛能。但在我們的身邊,還有更多資料無緣將這些潛能好好發揮出來,因為他們都被鎖在政策、使用權等等的黑盒子裡。「Open Data」就是希望能將這些資料從各種黑盒子中釋放出來,跟 Open Source 概念一樣、期待藉由開放發揮更強大的潛能。
今年議程裡有很多跟 Open Data 相關的演講,我們更是請到協助政府開放資料的政務委員張善政先生前來發表 Keynote。對 Open Data 有興趣、有熱情的朋友,一定要好好規劃一下 COSCUP 兩天的行程喲!

App on Server: NAS 上的 App 開發與商業模式


隨著近年來網路儲存 (NAS) 的硬體平台運算能力及擴充性不斷的向上提升,NAS 有逐漸取代原有中小企業中各個應用程式伺服器的趨勢。
藉由 QNAP NAS 上的應用程式開發中心,使用者可以很容易地在 NAS 的嵌入式系統中加入各式各樣的應用程式,就如同目前在 Android 上開發 App 一樣,但功能更為強大,資源不受限制。
在此演講中,會針對 NAS 上 Server App 的開發模式,以及適用於商用軟體的授權機制進行介紹,期使參與者可以了解 Server App 的新架構,進而發揮創意,讓個人與商業的需求可以在 NAS上被實現。
據講者很認真的告訴小啄:『使用 Linux 程式的 source code為您的NAS大改造,QNAP讓NAS不只有儲存』
時間\地點:8/3 14:30~15:00 102會議室

HELLO ! NFC!


那天小啄在噗浪上看到有朋友說:【我以為NFC是家喻戶曉的技術耶】。
熊熊的想起,這次大會的報到程序就是用NFC!根據小啄翻閱WIKI百科(Near Field Communication)距離無線通訊 ,是一種短距離的高頻無線通訊技術,允許電子設備之間進行非接觸式點對點資料傳輸,在十公分(3.9英吋)內交換資料。
有沒有感覺很很抽象啊?這次小啄就請負責大會報到的雪爾萊克跟大家介紹如何將報到資料與NFC貼紙結合,縮短大型活動的報到時間唷~
時間\地點:8/3 11:15~11:45 201D

Open Source Governance Today - Where We Are and Where We Are Going


Shane Coughlan is an expert in communication methods and business development and helped establish the first law review and law book dedicated to FOSS. He will give a talk to explore developments in Open Source governance around the world over the last twelve months with a particular focus on the outcomes of recent events, meetings and discussions held in Europe, Japan, Korea and Taiwan.
It will explain how Open Source is being managed in server, desktop, mobile and embedded products, and discusses how this knowledge will prove useful for future products in the embedded, mobile and automative markets. It will put emphasis on how governance is broader than technical or legal concerns, and includes issues of business strategy.
時間\地點:8/3 16:50 - 17:20 \ 201AB

巨量資料分析輕鬆上手 -- 教你玩大強子實驗公開數據 / How to Play with the LHC Open Data?


大強子實驗產生巨量資料,原來這個物理實驗也可以作開放源碼講題!
YChao 在台大物理所擔當研究員,目前參與大強子對撞機 CMS 實驗的物理數據分析。目前 CERN 所使用的大型強子對撞型加速器 (LHC),每年產生 15 PentaByte 的實驗數據,這個絕對是一個巨量資料 (Big Data) 講題。YChao 會基於 CMS 實驗公開提供的模擬與一小部份真實數據與線上課程,將示範使用 ROOT (類似 R Language 的開源碼工具),在零物理背景知識下,來做簡單的視覺化,與多維度統計分析。
時間\地點:8/4 09:30 - 10:00 \ 201EF
上面的議程均有提供錄影授權,親愛的朋友~~ 快查一下議程表,決定要聽哪一場吧~

小啄還要告訴你,這裡有個[Hands-On]

這次 COSCUP 與 Mozilla 合辦兩場 Hands-on,上午第一場由大神 gasolin 為大家帶來「一小時網頁 App 離線儲存就上手」,這麼難得的機會怎能錯過!
第二場我們邀請到陣容華麗的 Mozilla Taipei 工程師團隊,將讓您在短時間之內,馬上瞭解 Firefox OS App!
名額有限,大家快點搶位子吧!

行。前。通。報

人生海海,COSCUP 有些大代誌要給你瞭改,且聽小啄說來:

別忘了自約 BoF!


往年 COSCUP 第一日晚上 都會有 BoF, Birds of a Feather,今年也按慣例的提醒你!有想約的團嗎?有想跟的團嗎?別忘了趕快報名!今年大會沒有提供 BoF 的場地,想約 BoF 的主辦,別忘了事先找場地才能舉辦好玩又開心的聚會!BoF 一起揪團去,請往這裡走

還有好多好多~


各位捧油們,我們除了正規的議程之外,今年還多了社群議程。所謂的社群議程就是請許許多多的開源社群來介紹他們的社群、或是正在做的事。如果你想貢獻更多但還沒有專屬的社群、如果你向認識更多的開源社群,社群議程是你不可或需的好幫手!來過看過千萬不要錯過~~(叫賣ing

也不遑多壤


開源社群是組成 COSCUP 的一個重要元素,當然社群攤位是一定要的。今年擺攤的名單有 MozTW, Mozilla 台灣社群、OSSF 自由軟體鑄造場、Python Taiwan、Taiwan R user Group、Bitcoin 中文社群、UbuntuTW 等六個社群,每個社群都有準備豐富的內容、或許還有可以讓你偷偷帶走的專屬紀念品。你準備好去社群攤位打聲招呼了嗎 (Rock 凹_凹)

蛇摸!! 贊助商 RS-Components 有辦活動要送 Raspberry Pi !!!!



只送給COSCUP會眾和講者的好康活動要公布了! 現在開始上載使用Raspberry Pi的方案到新發佈的DesignShare就有機會贏取Raspberry Pi 連外殼! 最快上載的五個參加者就可以在COSCUP會場把獎品帶回家,還會在現場抽出五個幸運的參加者。馬上到活動專頁參加! DesignShare是一個分享開源專案的專區,讓開源用戶分享和學習開源專案。
活動網址,立即點閱

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...