跳到主要內容

十二年深耕臺灣,四大天王帶您一起認識 COSCUP

COSCUP(開源人年會)於今年8月5日、6日,在臺灣大學社會科學院盛大舉行。今年COSCUP 以「擁抱社群,回歸創始,莫忘初衷,擁抱開源」為主題,並邀請各界的開源貢獻代表人物,張善政董事長、呂秋遠律師、吳聲明建築師與柯文哲市長,擔任開幕演講嘉賓,承先啟後,為 COSCUP 十二年歷史,拉開新的序幕。
COSCUP 起源於2006年,是由台灣一群充滿熱情的工程師所發起的開放原始碼聚會,至今已經發展成為華人世界中,連結亞洲與全世界,最大型的開放原始碼聚會。秉持著透明化的開放資訊與共同合作的精神,COSCUP 相信,透過開放與合作,我們就可以為世界帶來一點改變。
COSCUP 採取多軌並行制,在每個活動時段中,同時有多項社群議程在進行,多樣化的主題讓所有與會者自行選擇參與。社群議程中,不僅探討開放原始碼的技術,也探討各項技術對社會的實際應用,從程式碼到實際硬體成品,都可以在議程中分享與討論。例如「開放農業」的專案,利用開發板做天氣觀測站、自動播種機、水溫測量。
今年 COSCUP 社群議程,網羅目前台灣熱門議題,來自世界各地講者,帶來包含開放農業、物聯網技術與開發、資料庫的應用與研究、全端網頁技術的優化、Android App 開發、分散式與海量計算電腦區塊鏈、作業系統開發與選擇、電腦字型發展、社群經營、開放API與資訊安全。除了上述這些議題,COSCUP 也有準備輕鬆愉快的開源歷程分享,讓第一次參與 COSCUP 的與會者們瞭解其他人的開源之路。
COSCUP 的籌備團隊來自台灣各大領域,分工合作,籌備每年亞洲資訊圈盛事。 除了協辦單位「開放文化基金會」協助,與擁有相同信念的志工、講者和會眾的熱情參與。最重要的是擁有一群瞭解且支持 COSCUP 信念,鼎力協助活動進行的贊助單位,不論是長年支持社群活動的 KKBOX、Yahoo ( Oath ) 、Appier、gandi、神來也、祐生研究基金會;或是同時贊助以及參與活動籌備的 Skymizer、悠夏爾科技;更有多年的 COSCUP 會眾如天鏡科技,成立公司後主動贊助 COSCUP;幕後長期提供支持與即時援助的 Pixnet 、癮科技等,都一直陪伴 COSCUP 成長,給予 COSCUP 最強而有力的支持與回饋。
十二年的耕耘,COSCUP 吸引多家企業,如 17.Media、旋轉拍賣、Awoo、雷亞遊戲 等團隊的認同,贊助支持 COSCUP 活動,來到現場招募人才,同時 COSCUP 也創造一個推廣與交流平台,吸引諸多企業前來COSCUP進行技術服務與推廣,如MySQL 在近三年在現場攤位都會搭建現場資料庫小講堂、 Google 委託萬里雲來現場推廣雲端服務。 COSCUP 為台灣社會開啟資訊技術交流的大門,人人都可以參與其中。眾人之事,眾人助之。城市和社會,COSCUP 通過開源的理念來分享對於共同家園的熱愛,建立人與物之間的連繫,共同協作建設家園,努力使城市更加美好。
新聞聯絡人: 許莉苹 Doris , 0912-718979 <pr@coscup.org>

留言

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...