【大地遊戲開源巔峰挑戰賽】Visit the Booths to Get Rewards 集點數換 2022 年限定標語貼紙和鐵飄帶鑰匙圈！

🎁 [English version below]

造訪攤位掃 QRCode，集點數換 2022 年限定標語貼紙和鐵飄帶鑰匙圈！

在找工作嗎？想認識不同的社群嗎？想獲得 COSCUP 2022 專屬的限量贈品嗎？利用空餘時間去各個攤位聊聊天、看一看，就可以參與大地遊戲拿獎品喲！

大地遊戲怎麼玩：​​1. 下載 OPass App（填寫完問卷即可得到 QRCode）。
前往 TR 309、312 教室，和 2 樓的走廊，逛各攤位跟抽獎拿攤位贈品。 
秀出填寫問卷完的 QRCode，或點選 OPass 的【更多 -> 我的票卷】，秀出 QRcode 讓攤位人員掃描取得點數。
點選 OPass 的【更多 -> 開源巔峰挑戰賽】查看已蓋章的攤位票卷和點數。
到 3F 走廊底的「大會攤位」兌換贈品，數量有限！

集滿 60 點就可以換一張 2022 年限定標語貼紙，

集滿 120 點就可以兌換一個開源鐵飄帶鑰匙圈！

如果想要其他紀念品，也是可以 1 點換 1 元！ 用你的一步一腳印與努力換起來！

Visit the booth and show your QRCode. You can collect points for a free 2022 limited edition sticker and Open Source iron keychain! Looking for a job? Want to meet different communities? Want to get a limited number of COSCUP 2022 exclusive gifts? Stop by each booth, then you can participate in the Game to earn prizes!

How to play the Game: 1. Download the OPass App (QRCode is available after filling out the survey)
2. Go to TR 309, 312 classrooms, and the corridor on the 2nd floor to visit the booths (and draw prizes). 
3. Show the QRCode from your completed survey, or click "More -> Ticket" in OPass and show your QR code for the booth staff to scan to get the points. 

4. Click "More -> Booth Reward Activity" in OPass to check your stamps and collected points. 
5. Go to the COSCUP Shop at the end of the corridor on the 3rd floor to redeem a free gift.

If you collect 60 points, you can redeem a COSCUP 2022 sticker.
By collecting 120 points, you can redeem an Open Source iron keychain!
If you want other souvenirs, you can exchange 1 point for 1 dollar! 

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...

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...

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