跳到主要內容

鑽石特刊 - RS





COSCUP是開源界一年一度的盛會，RS Components Ltd. 已連續兩年成為COSCUP的鑽石級贊助商，並邀請Raspberry Pi的共同創辦人Naren Sankar與大家分享Raspberry Pi的新動向和經驗。今年RS還會與大家分享新的開源測量儀器Red Pitaya和RepRapPro Ormerod 3D印表機的使用經驗。
上年COSCUP有與會者說很期待參與DesignSpark的工作坊，所以RS今年會在Day2早上舉辦一場DesignSpark免費設計資源工作坊，想學免費設計軟體就記得帶安裝了軟體的筆記本電腦過來參加了!
今年跟上年一樣有COSCUP門票贈送活動，記得留意DesignSpark 的Facebook專頁: www.fb.com/DSChinese
另外，RS也邀請了Raspberry Pi創辦人Eben Upton在八月中來台，預計會舉辦個小活動，有興趣了解更多活動詳情請先登記，有最新消息會透過電郵通知大家。
<<馬上登記>>

Raspberry Pi最新動向和發佈兩年的體驗
Day1 13:25 – 14:15 全場地聯播
Raspberry Pi基金會兼駐台灣營銷主管Naren Sankar會分享Raspberry Pi最新硬體及模組資訊，以及回顧過去兩年的經驗，如何推動開放軟體於Raspberry Pi建立富創意的應用。



開源測量儀器和3D列印產品使用經驗: Red Pitaya, Ormerod
Day1 17:50 – 18:30 (R1)
Red Pitaya 和Ormerod 是兩個很成功的開源產品，幫助工程師提高生產力的同時降低成本。這次會與大家分享組裝3D印表機的經驗和RepRapPro 3D印表機的優缺點，並介紹一個新的開源測量儀器Red Pitaya的好處。


DesignSpark免費設計資源工作坊 (3小時)
Day2 09:50 – 12:50 (H2)
覺得電路設計或3D設計軟體很複雜、很昂貴嗎? 參加DesignSpark免費設計資源工作坊，一起學習免費又操作簡單的電路板設計和3D設計軟體!
本次工作坊會一步一步教大家動手操作DesignSpark PCB和DesignSpark Mechanical軟體，讓大家體驗零成本、快速地從概念到設計，到製造原型的過程! 有興趣參加者請預先安裝DesignSpark軟體，並帶你的筆記本電腦到工作坊學習!
下載和激活DesignSpark PCB軟體: www.designspark.com/pcb
下載DesignSpark Mechanical軟體: www.designspark.com/mechanical


RS Components攤位
開源新產品示範與販售，包括Red Pitaya，Raspberry Pi，Arduino
體驗免費設計軟體: DesignSpark PCB和DesignSpark Mechanical
RS 台灣購買平台: www.twcn.rs-online.com
DesignSpark社區: www.designspark.com
DesignSpark Facebook專頁: www.fb.com/DSChinese





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 »