跳到主要內容

電子報第四期_你一定要知道的焦點議程、優惠、還有識別證、還有識別證手工日的繽紛花絮。

COSCUP 2013 小啄報你知 第四期
圖片 COSCUP Logo

小啄報你知

第四期 2013/07/24 (也 歡迎點這裡看網頁版!

Hi

倒數第二期了,也就是說 COSCUP 剩下十來天啦!這期當然還是要告訴你一些焦點議程(Linux 核心大神 Greg KH!),還有優惠,還有識別證,還有識別證手工日\Hands on 的繽紛花絮,如果你喜歡這 期的週報,可別忘了到小啄 FacebookTwitterPlurkGoogle+ 給我們一點掌聲喲!

焦點議程

Open Code: Why Linux's openness enabled it to succeed where all others failed.

Greg Kroah-Hartman (Greg KH)
今年 COSCUP 請來了 Linux 核心大神 Greg Kroah-Hartman,大家每天所用的每台 Linux 系統,都是使用 Greg KH 維護的穩定版 Linux 核心作基礎。
Linux 核心是電腦史上最大的開放源碼專案,在社群人數和開發速度高速增長下,提供一個讓所有商業和差不多所有人每天也使用的操作平台。Greg KH 會講述誰為這平台作開發工作,到底開發速度有多快,發展過程又是怎麼樣?
(本講題以英文講解)
時間\地點:8/4 13:00 - 14:00 / 全場地聯播

新創到中型技術 團隊的經營發展 - 導入OpenSource發展經驗

你可能聽過一間新創公司如何發展商業模式,但小啄告訴你,你可能沒有聽過在團隊中的技術團隊如何保持成長動能不斷向前,這間公司從 7 到 70 人,進擊的路上李佳憲(Hiiir 時間軸科技副總經理)帶領大家從互相猜忌到擁抱共識(OpenSource) 讓他們們更專注於目標和架構,李副總經理跟小啄說~~ 偉大航道上遇到的困境和導入方式,分享給大家~
時間\地點:8/4 11:20~11:50 / 201EF

高併發 (High Concurrency)、低延遲 (Low Latency)、可擴展 (Scalable)的廣告交易系統設計與演進

Vpon 是國內最大的行動廣告平台之一。現任 Vpon Inc. 技術長 Austin Huang 相信,技術只是起點,解決問題及滿足人類需求才是重點。他熱愛挑戰各式系統應用問題,夢想跟一群志同道合的朋友,開發出世界級的系統。在本次的分享中, Austin 將聊聊如何從一個簡單的 SSH 架構,一步一步克服各種 Scaling 問題,轉變為服務超過2億人、每月提供超過60億次廣告請求的即時廣告交易系統。
哇~~ 每月60億次的廣告請求~~ 感覺資料量好大啊~ 小啄要飛進去了解一下了,你也快跟上吧!
時間\地點:8/3 11:15~11:45 / 103

How To Make "Pseudo-Google Glass"

Noritsuna Imamura
相信只有很少人試用過 Google Glass (別問有多少人擁有了),你想擁有「Google Glass」嗎?
當然小啄和 COSCUP 不會送 Google Glass,但是我們找來今年在台灣工作的 Noritsuna Imamura 分享他自製的 Pseudo-Google Glass。他講解如何利用 Android 平台加上其他裝置如 Kinect、透視顯示器等,來製作這台自家「Google Glass」。
(本講題以英文講解)
時間\地點:8/3 16:20 - 16:50 / 201D
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~

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:

COSCUP2013 會眾住房優惠

你在擔心住宿的問題嗎?在台北沒有落腳的地方嗎?只剩下睡火車站的選擇嗎?
今年大會贊助商晶璽商旅為 COSCUP 會眾提供住房優惠。若於大會期間有住宿需求,可以參閱連結內容取 得住房優惠

近期密切注意你 家信箱!! 神秘識別證快 要到你家!!

今年獲得識別證的方法與入場報到都與以往大不同!在大會前郵差杯杯會陸陸續續把一封來自COSCUP的神祕信函寄★到★你★家,其中內 容包含了入場所需要的識別證。大會的時候請大家務必帶著識別證到大會報到,今年入場會刷識別證上的NFC(就是那個圈圈貼紙),如果沒帶識別證來大會的話,在 報到處入口使用人工處理會排隊排很 久很久很久喔!(不要怪小啄沒告訴你:真的會很久!)因為很重要所以要說三次,
記得帶識別證!
記得帶識別證!
記得帶識別證!
神秘識別證已經請郵差先生掛號去你家,2013/7/26晚上九點如果還沒收到,請與COSCUP 客服專線(行政組):attendee@coscup.org 聯繫!

如果你收到識別 證

你收到 COSCUP 識別證了嗎?
今年為了避免大家入場排隊簽到等待太久,COSCUP 與 雪爾萊克 首度推出「嗶嗶識別證」,(就是識別證上的圈圈貼紙)
只要攜帶著 COSCUP2013 識別證到會場,就可以「嗶嗶」快速通關唷!
目前識別證已經大量寄出了,親愛的朋友們,有沒有什麼開信文之類的來跟小啄分享一下 ^O^~
還有還有,別忘記~識別證要保存好,大會兩天報到要記得帶到 TICC 來「嗶嗶」喔!
(咦,又提醒一次要帶識別證 XD)

★★識別證手工 日繽紛花絮★★


隨著活動日期越來越近,識別證的主體和週邊設備都備妥,7/21這天,我們一群小工人集合在雪爾萊克的辦公室要來做手工啦~~~~
在這次的手工日中,我們也發現了之前規畫的流程在實做上有些許的困難點和一開始沒想到的環結;還有大宗郵件寄送的規畫也不容小覷。這些 種種小啄發現都已經加在Lessons Learn文件裡了~ 大家都好棒唷~~~
小啄感謝盡心盡力協助的各位:
精心策劃手工日的場務組工頭: Trista
場務組夥伴:小畢、賴奕辰 (lan)、MouseMs、Rainny、下午、Sako、Rifur、Vagabond、AngelBoy、欣哥、loye、Yu-chang Chen (Aleck陳經理)、Sony、雁子、多加、大眼
線路組夥伴:Neo、David
銷售組與記錄組夥伴:Candy、丞相、CYJ
行銷公關組夥伴與總召:Singing、Bob
以及 Sharelike 贊助商 Shock 的熱情協助。
以下內容摘錄手工日 Lessons Learn:
小啄好想給參與夥伴每人100個讚啊~~
....9 人的識別證生產線:平均 15 秒左右可產出一張「對折後 貼完貼紙 塞入識別證套」的識別證。
瓶頸關卡在於「貼貼紙」,大概就需要 30 秒,本次由兩人分擔,故最終平均產能如上。
* 1700多張名牌,約 2 小時 20 分鐘完成全部的『「對折後 貼完貼紙 塞入識別證套」的識別證』。...
更多完整精彩的手工日劇照,請由此去

★★Hands on 繽紛花絮★★

一小時網頁 App 離線儲存就上手 - gasolin
小啄聽說這場Hands on 跟HITCON 衝堂之後,緊張萬分,幸好報名參加的夥伴有98%出席率。
感謝 gasolin 的分享~ 這裡有一些活動照片, 還有如果想要回顧一下活動介紹,請 點這裡
下午場的:一小時 Firefox OS App 就上手 - 是由 Mozilla Taipei 工程師團隊所帶領,讓大家了解如何使用 HTML5 標準 API 與 Mozilla Web API 打造出 Web App。再 一次, 我們溫馨回顧精彩畫面

★★COSCUP2013 信封獨秀★★

感謝中華數位的特別贊助,讓會眾與講者收到識 別證時有翻外驚喜,也期待大家會喜歡~
這次紀錄組在收到大會信封後特地走訪一間燈光美氣氛佳的咖啡簡餐店,幫信封做了美美的紀錄
歡迎大家分享唷~~~
COSCUP 2013 信封。我們在六 丁目

最後一次 COSCUP 2013 議程重點整理與注意事項,請待下期分解!

這個網誌中的熱門文章

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...

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...

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...