跳到主要內容

鈦金級贊助商 Gandi - 永遠支持 OpenSource

Gandi 是在 1999 年成立於法國的域名註冊商，於 2014 年全資在台成立管地有限公司，主要提供域名註冊、SSL 憑證、網頁代管 (Simple Hosting) 與雲端主機 (VPS) 服務。一如往常，Gandi 支持台灣最大的 OpenSource 年會，COSCUP 2018，就像回到家一樣，我們又可以見到許多老朋友與新的活力注入社群。

從去年到今年，作為域名註冊商的我們，每天也都在努力提高使用者感受與系統的穩定性。Gandi News:https://news.gandi.net 是最能直接獲得我們第一手消息的地方，不論是域名優惠活動，或是我們功能上的改進，我們都會公佈在這個平台上，您可以透過 RSS(https://news.gandi.net/zh-hant/feed/) 或是開啟帳戶中的訂閱電子報功能。當然我們也有其他社交媒體平台：

Gandi V5

Gandi 自 1999 年成立後，持續不斷在改進界面，於 2017 年底時，我們推出了 Gandi V5 全新界面，全新界面除了加強整個 UX 的流程外，最主要的目的在於我們希望能開發出更多功能，譬如：
這期間，我們一直在增加功能，還沒結束！作為一個努力上進的域名註冊商，不斷的改進我們的產品，才能獲得使用者的青睞。當然！如果你有任何建議，都可以與我們聯絡：feedback@gandi.net

Gandi 組織功能

組織功能是可以在您的帳戶之下去建立組織，可以看做是台灣的公司、法人協會等，如果你需要開立發票的話，也是要先建立一個組織並將統一編號填入組織內，在結帳的時候就可開立統編。當然其實組織最大的功能是權限設定，您可以在組織底下建立不同的團隊，然後設定每個團隊的不同權限，再將使用者加入不同的團隊，您就可以與所有人共同管理您的域名與 Gandi 的所有產品，不需要再將帳戶密碼分享給其他人。

請參考：https://news.gandi.net/zh-hant/2017/06/gandiv5-組織-organizations-和團隊-teams/

最後，作為 COSCUP 的鈦金級贊助商，我們當天也會在現場與大家互動，Gandi 除了稟持不買廣告之外，我們也不會在攤位進行個人資料收集的工作，包含打卡、按讚等行為，我們希望用戶真心了解 Gandi，並且喜歡 Gandi 後才建立保持聯絡的關係，所以我們的攤位不是廣告，而是聊天！我們會與您聊天、交流，認識彼此。不要害羞，來我們的攤位聊聊吧！


Labels:

留言

張貼留言

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...
張貼留言
Read more »

COSCUP 2025 Call for Proposals / 徵稿辦法

COSCUP 常規徵稿已於 2025-05-10 截止，接下來進入加碼徵稿階段。加碼徵稿是為了提升大會的稿件品質，依據投稿狀況（數量、品質）部分徵稿主題可能提前喊停。最遲請於 05 月 24 日(AoE) 前投稿，徵稿主題可參考下方列表。 The regular call for proposals (CFP) for COSCUP closed on May 10, 2025. We are now entering the bonus CFP phase to improve the quality of submissions. Some topics may close earlier than expected, depending on the current status of submissions (in terms of quantity and quality). Please submit by May 24 (AoE) at the latest. You may refer to the topic list below for inspiration. 開始投稿 Submit Your Proposal 提案須知 Things you may need to know 演講形式：預設為現場30分鐘演講包含QA，若有其他需求可於提案系統註明，由各主題主辦單位決定如何安排。 Talk Format : The default format is a 30-minute on-site talk, including Q&A. If you have other requirements, please indicate them while submitting your proposal. The final arrangement will be decided independently by the organizers of each topic. 語言：COSCUP 受眾包含海內外與會者，大會不限制發表語言但鼓勵以英語發表。大會將公布雙語議程表，請提供中英文版議程介紹。 L...
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 »