COSCUP 2018 攤位活動搶先看！

今年各家贊助商攤位有哪些好活動呢？

小啄收到以下資訊，歡迎大家有空走過、路過、不要錯過！

[雷亞遊戲]

活動1：按讚或分享指定貼文，送＂Cytus II＂遊戲專屬貼紙！活動2：與遊戲角色合影並＂公開分享＂於instagram或Facebook，送活動飲品＂純喫茶＂！

[Skymizer]

2018/8/11 ~ 8/12 宜：參加 COSCUP ! 忌：陪女友/男友、建立資料庫、專案Kick off、更換主機上的綠色乖乖、拜估狗大神、替網站加新單元。

參加 COSCUP 來 Skymizer 攤位參加開源巔峰挑戰賽兌換開源解憂餅乾，

每日數量有限，請把握機會！

[17 直播]
當 17 遇上全台最熱門開源研討會 COSCUP ，又會迸出什麼樣的火花呢？
今年 17 直播贊助 COSCUP 大會，並舉辦【17@COSCUP 好聰明】活動，透過 17 App 限時答題考考你對於 COSCUP 了解有多少，還有機會抽中 17 寶寶、AirPods 等多項好禮哦！
8 月 12 日下午一點，快記下這個日期，我們到時見！
參與步驟：
1. 於 Google Play 或 App Store 下載 17 App
2. 掃描 QR Code 並追蹤 17@COSCUP 帳號
3. 8/12 下午 12:50 提前進入直播間等候節目開始
4. 符合抽獎資格的朋友，請攜帶手機在 8/12 下午三點到 17 COSCUP 攤位現場抽獎，逾時視同放棄資格。
精彩好禮：
* COSCUP 知識王：七題全對，有機會獲得 AirPods (共兩組)。
* COSCUP 研究生：答對六題，臨門一腳，有機會抽中限量版 17 寶寶（共三隻）。
注意事項：
* 可以透過 QR Code 進入遊戲，或於 17 App 熱門頁下拉搜尋 17@COSCUP 帳號
* 請務必於 8/12 下午一點前進入遊戲，遲到的朋友將會是觀眾模式，是沒辦法參與答題的哦！！
* 答對六題或七題即符合抽獎資格。

[Newegg 台灣新蛋]

發放好吃又消暑的雞蛋冰～

[工研院]

工研院資通所人才招募中，請與會者掃 QRcode 填表單留 E-mail，對於資安技術開發、雲端技術、虛擬化、open source、前後端有興趣的人快來留聯絡方式吧！

會後再聯絡大家，攤位也有小禮物可以拿唷！

[Shopee蝦皮購物]

技術分享MESOS大神、贈品不想帶回公司、人才招募、歡迎來新加坡。

[微軟]

【填寫問卷，繳回微軟展示攤位，即有機會抽中電動眼部按摩器乙台！】

微軟將於活動第二天 8/12 (日) 下午 4 點於攤位前現場抽出十名幸運兒，請大家準時出現在微軟展示攤位唷～

注意事項：

1. 現場抽獎當下，我們將唱名三次，如未到，則視同放棄囉

2. 請獲獎者出示名片證明身分，即可直接將好禮帶回家

請大家踴躍填寫問卷並繳回~我們活動現場微軟展示攤位前見囉！

還有其他攤位等著各位探索喔 ~

留言

工作人表示…

看了一下雷亞的面試心得，評價非常好欸！
面試趣的面試心得：https://interview.tw/c/k3fW

2018年10月22日下午4:53

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...

COSCUP 開源人年會

搜尋此網誌