跳到主要內容

【2020 COSCUP】以 5G 掀開序幕 首日上午湧人潮

【2020 COSCUP】以 5G 掀開序幕 首日上午湧人潮


COSCUP（開源人年會）於今日（8 月 1 日）在國立臺灣科技大學盛大舉辦，今年議程也加入科技界最火紅的議題 — 5G 為 COSCUP 十五年歷史掀起新世代的序幕。上午場已湧入超過 1200 人進入會場一同參與各項開源議題。

2020 COSCUP 於國立臺灣科技大學舉辦


全台灣最大開放原始碼社群大會 COSCUP 在本週六、日（8 月 1 日、2日）在國立臺灣科技大學展開，雖然因疫情許多外國來賓或講者無法來台親身參與，但透過遠端連線的方式仍可以與現場無時差的探討技術與開源的內容；如 Vue 3 的作者 Evan You（尤雨溪）將會遠端與受眾交流技術，也會有個人參與開源專案的心路分享。

COSCUP 開幕



開幕由 Ant 感謝各位開源人的參與並感謝 COSCUP 的志工、講者和會眾的熱情參與，以及協辦單位財團法人開放文化基金會與國立台灣科技大學電子系，更感謝本次的贊助單位：經濟部技術處5G辦公室、工業技術研究院、資策會以及一直支持社群活動的 Appier、Moxa、KKBOX、Oracle、Google Cloud；以及持續陪伴 COSCUP 成長的各贊助商們，給予 COSCUP 最強而有力的支持。


今年同樣採取多軌並行制，同時間有不同的主題軌、有多項議程同時進行。與會者可以自行由官網查看哪些議程並自行選擇想要參與哪些議程。今年的內容包含下最流行的關鍵字，如：5G、口罩地圖等、亦有讓開源新手或是設計師專屬的議程、下午場數位政委唐鳳也會與關渡美術館館長黃建宏反思開源之意義。

前 NCC 主任委員詹婷怡分享 5G 與開源的契機


第一個主議程軌就先由前 NCC 主任委員詹婷怡分享 5G 將如何連結不同領域的產業，催生更多元的垂直整合應用，以及開源在 5G 的契機。詹婷怡表示產業界正在努力制定標準和技術規範，以定義無線電、硬體和軟體之間的開放介面，以便可以使用多個供應商來共同建構網路。符合 3GPP R16 標準，從網路核心 (5GC) 到接取網路 (Access Network) 的完整開放式平台，將是開源與共創開發的機遇。

首日上午已超過 1200 人次參與 COSCUP


今年 COSCUP 首次嘗試不用報名、自由入場的方式進行，早上就湧入大量人潮。但提醒受眾由於疫情的關係，須先上網填寫「健康聲明表」後出示填完「健康聲明表」後的 QR Code 給工作人員才可以進場，並須配合全程配戴口罩。

欲參與之民眾需全程配戴口罩並配合填寫健康聲明表


兩日的活動精彩可期，詳細議程內容可上 COSCUP 官方網站（https://coscup.org/2020/zh-TW），網站上除了有議程內容與講者介紹外，也有當下會議室的人數狀況，以免因為額滿而空跑一趟。若想參與的民眾可先上網到 COSCUP 填寫健康聲明表後直接前往國立臺灣科技大學參與開源技術的饗宴。


【感謝名單】特別鳴謝各贊助商們排除萬難贊助在疫情衝擊下的 2020 COSCUP

鈦金級：5G office
黃金級：Appier、Moxa、KKBOX、Oracle、Google Cloud
白銀：Gamesofa、OpenChain
青銅：雷亞遊戲、天鏡科技、Oursky 、Gandi、RD.ONE、祐生研究基金會、財團法人農業科技研究院、國家高速網路中心、TWNIC、微軟、RingCentral 廈門
特別感謝：Mozilla、ZUSO、Meet.jobs、LPI、iCHEF、HackMD、咪卡創意
協辦單位：財團法人開放文化基金會、國立台灣科技大學 電子工程系


【COSCUP 2020 官方網站】https://coscup.org/2020/zh-TW

【COSCUP 介紹】

COSCUP（Conference for Open Source Coders, Users & Promoters）是由台灣開放原始碼社群聯合推動的年度研討會，起源於 2006 年，是台灣自由軟體運動（FOSSM） 重要的推動者之一。活動包括有講座、攤位、社團同樂會等，除了邀請國際的重量級演講者之外，台灣本土的自由軟體推動者也經常在此發表演說，會議的發起人、工作人員與講者都是志願參與的志工。COSCUP 的宗旨在於提供一個聯結開放原始碼開發者、使用者與推廣者的平台。


【會場地圖】



------

【新聞聯絡人】

Liting +886-988-256-861／pr@coscup.org



Labels:

留言

張貼留言

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 »