跳到主要內容

2014 COSCUP電子報 啄事今蜚 第二期

COSCUP 啄事今蜚會前快報

第二期 2014年06月28日發行

2014 COSCUP電子報 啄事今蜚 第一期

小啄這期因天氣炎熱飛得比較慢一點(鞠躬)
馬上來看最新消息吧,今年大會主題是「軟硬兼施的手創革命」
所以當然有許多身為文青小啄最愛的東西拉(望) 這期介紹了三個手創議程
「多軸飛行器」、「蠍子史加納與小烏龜嘎美拉」(小啄表示感到懼怕)、「自由軟體3D印表機」(可以印一隻小啄嗎)
在活動方面,BoF同好會又回來了,還不知道這是什麼的鳥兒們快來瞧瞧吧!
贊助商這特地隆重為大家介紹 ShareLike,聽說今年將有神祕「感應門」現身。
最後感謝三輛列車感謝今年的白銀級贊助商和青銅級贊助商,感謝有他們才能讓小啄穿的水水的。

Workshop: 多軸飛行器教學 Han-Gee 開源手機開發 Arduino 與 WiFiModule 應用開發

Sunny(戴揚)
多軸飛行器教學、Han-Gee 開源手機開發、 Arduino & WiFiModule 應用開發

人人都可以成為Maker─
多足機器人製作分享「蠍子史加納與小烏龜嘎美拉(ガメラ)」

Garfield (盧彥廷)、
RB 魔人 (田嘉翔)

蠍子史加納為遊戲(LOL)之其中角色實體化,為六足機器人,外觀多為金屬(鋁)。目前常見的六足機器人,大多以每隻腳三個自由度為主。我們的所設計的足部也是使用三個自由度設計。史加納之控制器用的是Roboard,硬體用到伺服馬達、喇叭(配合動作音效)、LED。

動作設計用到正逆運動學配合程式架構設計達到移動(前後左右)、轉彎、展示動作(嘲笑)、微調各部位參數(調整細微動作)和聲音效果,最後將開發完成之開源設計檔案放在GitHub: Robot-Skarnar

小烏龜嘎美拉是四足機械獸,嘎美拉取自為日本怪獸片裡的烏龜”ガメラ”。
嘎美拉設計過程中秉持著「人人皆可上手」的理念,藉由簡易及輕量化的機構,使得任何背景的人皆可組裝機器人,體驗動手實作的樂趣。嘎美拉的控制模組用的是 86Duino,其IDE開發環境與Arduino無異,程式編輯好上手,人人皆可依其喜好編輯嘎美拉的動作。

使用自由軟體玩轉3D Printer

tonghuix (佟辉)
這個演講,我將會着力講解我是如何使用完全的自由軟體玩轉3D Printer的。
1. 使用自由軟體開發3D Printer
2. 使用自由軟體做我所想
3. 用3D Printer製作的戒指向姑娘表白
4. 用自由軟體對模型做二次開發
5. 貢獻到3D Printer社區中去軟體授權資訊的呈現,目前並沒有大一統的制式標準規格,所以不同自由開源軟體專案儲放授權資訊的位置與架構常見有所不同,而其中的描途文字,也常不會一樣,這樣的情況在融合許多第三方元件的大型專案中,更顯得複雜,讓一些開發者望而卻步,因此本場次將會說明尋找正確授權資訊的重點訣竅,然後輔以近年經諮詢輔導的實際案例,說明採用者常會遭遇到的問題,以及該如何進行妥善處理,以利後續應用。

更多精彩議程即將公開!瞭解更多來這裡吧
http://coscup.org/2014/zh-tw/program/

COSCUP 2014 社群攤位徵選結果出爐囉!

讓人懷念已久的B(披)o(薩)F(龍)回來COSCUP 2014了,新朋友還不知道這是什麼嗎?簡單來說 BoF 就是 開源社群的同樂會,只要有相同喜好的人一起歡樂聚會的活動!就因為喜好相同,所以你們可以暢談彼此在相同主題上的新發現,又或者與其他只在網路上聊過天、卻沒見過面的「熟人」碰個面。COSCUP 是一個聚集了開放源碼社群成員,讓大家三分聽議程七分交朋友的地方,絕對是舉辦 BoF 的絕佳環境,所以快來報名吧!快來揪團報名吧,有揪團的鳥兒才有Pizza 分著吃喔!

BoF 糾團、登記、認親,請到這邊登記

雪爾萊克!
大型活動的超級門神!
也是電子集點的創新收藏家!

ShareLike

今年COSCUP報到還是邀請了雪爾萊克一起共創嶄新樂章!去年我們使用NFC嗶嗶感應、今年我們要更快速的完成報到,小啄聽說攜帶識別證穿越感應大門就完成了報到! 好神奇呀~你開始期待活動日了嗎?

電子集點行之有年,但複雜的操作程序,令大家感到不便。 雪爾萊克推出了感應集點產品「Stampa!蓋吧!」 能協助店家提高客單價、增加回流率、掌握消費者行為。 「Stampa!蓋吧!」是結合軟硬體的裝置,使用簡便。
1. 客戶端輸入手機號碼
2. 店家端使用電子感應印章蓋印

雪爾萊克執行長鄭翰霖,他提到創業,覺得自己像是坐在協和號上,看著地上的世界一樣。接下來於6/28(六)14:00-17:00,分享年輕人創業心路歷程,欲參加者可上「你知我知好學網」查詢。

第一波感謝專車:
白銀級車廂

Appier












COSCUP 感謝白銀級贊助夥伴:雪爾萊克、中華數位科技、CLBC Coworking Space、神來也(慧邦科技)、祐生研究基金會、時間軸科技熱情的支持! 謝謝你們

第一波感謝專車:
青銅級車廂 1

第一波感謝專車:青銅級車廂 1







COSCUP 感謝青銅級贊助夥伴:Unishare 悠夏爾科技、BizEditor 雲翻譯、仕橙3C教室、資通電腦、非常婚禮、巴哈姆特熱情的支持! 謝謝你們

第一波感謝專車:
青銅級車廂 2

第一波感謝專車:青銅級車廂 2







COSCUP 感謝青銅級贊助夥伴 : NETBASE、精誠資訊、AcoMo 杏昕科技、瞻營全電子、廣達研究院、Wabow 哇寶國際資訊熱情的支持! 謝謝你們

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...