跳到主要內容

參與者活動攻略

參與者活動攻略

COSCUP 活動這麼多,不知道該從何下手嗎?讓本篇攻略依據情景帶你玩一遍 COSCUP 的所有活動吧!

平常情況下,你可以……

➡️ 你可以聽議程,聽更多更多的議程,以及……總召論壇!

總召論壇
時間:8/10 15:00~16:00
地點:RB 105

我們召喚了幾年前的總召們一起聊聊 COSCUP 過去現在未來的改變,如果你好奇過去的 COSCUP 長什麼樣子,未來的 COSCUP 又該何去何從,絕對不能錯過總召論壇!

➡️ 聽完議程及論壇腰痠背痛,那就要去按摩小站馬殺雞一下

按摩小站
時間:8/9~8/10 10:00~16:00
地點:TR 413-2

➡️ 身心舒緩後,口也渴了,這時候需要一杯氮氣咖啡

氮氣咖啡攤位
時間:8/9 9:00~16:30, 8/10 9:00~15:30
地點:TR 1F 川堂

➡️ 手裡一杯咖啡,需要跟人聊聊天,BoF 是你絕佳的好去處

BoF
時間:8/9~8/10 10:00~16:00
地點:TR 310-2

➡️ 在 BoF 站累了,需要休息,來去 Hacker Corner 休息吧

Hacker Corner
時間:8/9~8/10 10:00~16:00
地點:TR 309 及 TR 409 教室外走廊

➡️ 充電足夠了,一定需要好好玩一番,可以跟著朋友們一起去社群攤位玩大地遊戲

大地遊戲
時間:8/9~8/10 10:00~16:00
地點:整個 COSCUP 會場

➡️ 最後帶著你的大地遊戲戰利品去拍張形象照吧!來記錄下精彩的一天

形象照
時間:8/9~8/10 10:00~16:00
地點:TR 413-1


如果你是小啄的粉絲……

➡️ 今年,我們為小啄準備了一面牆的成長照,還做了啄 Bug 之神的小神壇,歡迎解不了 Bug 的朋友一起許願參拜一下。

另外,我們在同一空間的旁邊還有 COSCUP 許願天燈的小板子跟 COSCUP 二十週年回顧,走過路過別錯過。

小啄成長史、COSCUP 二十週年回顧、許願天燈、小啄神壇
時間:8/9~8/10 10:00~16:00
地點:RB 105 1F 大廳


如果你有小孩……

➡️ 難得的假日,你需要托育服務!讓自己真正放鬆,小孩大人都玩得開心

托育服務
時間:8/9  09:00~17:00, 8/10 09:00~15:30
地點:TR 413-2


如果你是以前的志工……

➡️ 歡迎參加志工回娘家

志工回娘家
時間:8/9 14:00~16:00
地點:AU 的講者休息室

現場可能會有你曾經的夥伴、欸,你怎麼還在的夥伴、免費的氮氣咖啡兌換卷跟一點點數小心意,歡迎志工們回來坐坐。


如果你想要體驗志工的感覺……

➡️ 那一定要來試試一日志工!

一日志工
時間:8/9~8/10 10:00~16:00
地點:打開 https://volunteer.coscup.org/tasks/2025 網頁,立刻來找你可以做的事情吧

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...

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...