Search
📈疫情持續、不確定升溫，
增強技術競爭力，企業找尋有AI技術能力的人才加入，
相關工作平均年薪前三名：122、88、83萬!!
👨🏫👩🏫清華大學企業運籌與電子化中心特聘講師群，
清華大學企業運籌與電子化中心特聘講師群，
政府出資，深耕青年AI硬實力，
從資料探勘、機器學習演算法、影像分析、文字探到聊天機器人..
各式各樣人工智慧需要的AI競爭力，
讓您「錢」景無可限量
🦾詳細資訊請參考： https://reurl.cc/4m96p3
#15~29歲 #待業青年 專屬補助，
政府出學費，幫您翻轉職涯競爭力!
新課到🔥🔥專為資料分析而生的Python語法課
👉 https://bit.ly/3o3jzHq
不懂程式原理，學習完只會照抄程式碼❓
學了一堆的功能模組，卻不能實際使用❓
⚠還是，在以下關卡你有任何不會或卡關嗎？
🎯關卡一：使用不同環境來實作 Python
🎯關卡二：認識基本型別特性差異與用途
🎯關卡三：理解 Python 程式語言基礎語法並能修改程式碼
🎯關卡四：流程控制並能實作出條件式判斷
🎯關卡五：Python 內建函數並能自定義函數
🎯關卡六：物件導向概念並能定義與創建類別
🎯關卡七：使用第三方套件並能實際運用
🎯關卡八：熟練 GUI 程式並與使用者建立互動
🎯關卡九：學會常見的 Python 程式語言實作技巧
🎯關卡十：實際使用 Python 進行基礎統計分析
🎁18個實作+解說
🎁 1 份 Python 闖關學習講義
🚀作為未來進行實作 AI 應用打好基礎
🚀輕鬆銜接網路爬蟲、資料探勘、機器學習、深度學習、影像辨識、文字探勘、資料視覺化等應用
成為 AI 科學家｜快速闖關 Python 語法世界
早鳥優惠快搶 👉 https://bit.ly/3o3jzHq
#課程使用的連結與程式碼完整提供
#提供可快速查找課程內容進行複習的電子檔講義
【智慧新世界：圖靈所沒有預料到的人工智慧】
本校科學教育發展中心自2009年起推出「探索基礎科學講座」，一年2期，每期邀請學養俱佳的科學大師們，在週六的午後時光，與有志探索科學世界的朋友們共聚一堂。結合科學教育和傳播，匯集臺大學術資源，用科普的手段散播基礎科學，奠立全國基礎科學教育的優質文化與環境。
探索基礎科學講座第20期「智慧新世界：圖靈所沒有預料到的人工智慧」，共規劃5場系列講座，將深入淺出人工智慧的基礎與應用，包含資料探勘、機器學習、自然語言處理以及電腦視覺等面向。今年9月至12月，且看人工智慧將如何翻轉我們的社會！
📣CASE活動網：http://case.ntu.edu.tw/sciactivity/explores20/
📣預約報名網站：https://goo.gl/09XzUe
📣線上同步直播：https://www.youtube.com/user/NTUCASE/live
📣各講主題
1.日期：107/9/29 14:00~17:00（13:30入場）
講題：當人類智慧碰到人工智慧
講師：林守德 臺灣大學資訊工程學系教授
2.日期：107/10/6 14:00~17:00（13:30入場）
講題：開發機器的學習潛能—鑽牛角尖或舉一反三？
講師：林軒田 臺灣大學資訊工程學系教授
3.日期：107/10/20 14:00~17:00（13:30入場）
講題：鑒往知來：由茫茫過往數據中，淘出新知
講師：陳銘憲 臺灣大學電機工程學系特聘教授
4.日期：107/11/10 14:00~17:00（13:30入場）
講題：子非人，安知人之語？—談自然語言處理
講師：陳信希 臺灣大學資訊工程學系教授
5.日期：107/12/1 14:00~17:00（13:30入場）
講題：矽眼—電腦視覺初探
講師：莊永裕 臺灣大學資訊工程學系教授兼系主任
📣注意事項
1.本系列講座完全免費。
2.每講前二星期開放「CASE報名網」線上預約，預約成功者請於當日13:30~13:50辦理報到。
3.每講開放現場報名50名，當日13:20於思亮館國際會議廳玻璃門外，依排隊順序發放號碼牌與報名表。現場報名51名後之觀眾須待13:50依排隊順序補位。
3.因座位有限，僅保留至13:50，逾時報到或滿座時須至轉播區，14:30後不再開放入場。
4.現場備有開水，請自行攜帶環保杯盛裝。
5.場內嚴禁飲食，違規者將被請出場外不得異議。
6.申請全勤證書的觀眾請攜帶證件，於每講中場休息時至服務臺簽到。
📣主辦單位
國立臺灣大學科學教育發展中心（NTUCASE）
📣協辦單位
《BBC知識》國際中文版、《科學人》雜誌、科學月刊、人工智慧技術及應用人才培育計畫辦公室
📣指導單位
教育部
📣聯絡資訊
如對活動內容有任何疑問，歡迎來電或來信洽詢。
電話：（02）3366-1722
Email：xiiiysc@ntu.edu.tw
政府拿人臉辨識科技來抓人，當然不容許出錯，但拿來做商業運用，真的沒有問題嗎？
現在有賣家在網路上兜售照片，３萬張人臉的照片，竟然不用台幣４０元就能買到；這些照片不僅沒經過當事人同意，賣家還聲稱能提供不同國籍、膚色、性別及年齡的照片，甚至為客戶『定製』特定場景下的人臉照片，現在的人臉辨識技術，不單只是官方重要的監控手段，還已經普遍到有點氾濫，變成是一條『黑色產業鏈』。
根據 《Yole Dévelopement》的報告指出，未來 4 年在生物辨識市場中，人臉辨識技術的成長率，將會領先指紋、虹膜與聲紋辨識，成為最具市場規模的必要科技！調研機構 《Variant Market Research 》的數據更顯示，人臉辨識市場規模預計將在 2024 年達到 154 億美元！
而且現在人臉辨識技術也已成為創投最感興趣的標的物，因為某種程度人臉辨識也是掌握了一個潛在的『入口』，從過去互聯網巨頭成功的經驗來看，佔領入口就意味著在一個行業的主導權。未來憤怒、厭惡、恐懼、快樂、悲傷、驚訝，還有臉上的表情、反應、喜好，這些都將成為『情緒經濟』，有些公司甚至還能透過這種標籤化辨識，判斷你是不是戀童癖、恐怖分子，還能從臉發現你是否想進行性行為！
美國著名學者 Walsh 就說過，判斷一個國家能不能引領全球革命，其中一個衡量標準，就是看它的 AI 商業化速度！而人臉識別正是撬動 AI 商業化進程的這個支點，不只是科技新創界動作頻頻，連科技巨擘亞馬遜和微軟都推出了人臉辨識 API 給開發者使用！
但如果業者不能解決我們前面討論的隱私、數據洩漏、歧視、侵蝕民主自由的問題，所有商業化最終問題，最後還是會敗在市場機制！所以最首要的目標，當然是法規的跟進！因為到目前為止，還沒有明文規範分析個人資料後所產生的『知識』，是否算是個人資料的一部分，就連歐盟頒布的資料保全法跟聯邦法規，都沒有明文規範機器學習和資料探勘產生的知識使用範疇。
發展監管的目的並不是要打壓新技術，而是希望新技術可以盡可能造福社會，而不是帶來副作用，你對人臉辨識有什麼看法？快在底下留言告訴我們。
--------------------------------------
《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在 #寰宇新聞台 播出，沒跟上的也沒關係，歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 1030pm準時上傳完整版！
大數據分析進階09.ETL.資料轉換.發佈.Kmeans.機器學習
大數據分析其實早就存在，只是因為數據越來越大，需要更好的計算方法、更快的設備、更強的呈現結果方式，形成另一種視覺化分析。
整體人口的移動，其實是由許多種不同的人流所組成。若能細緻地分群、找出每一種分群的移動規律，也能將過往的人流資料當作機器學習的訓練資料(影片上半部)，提升電腦預測未來人流路徑的準確度(影片下半部)。
--
原文：從手機網路訊號資料，探勘人口動態奧妙 http://research.sinica.edu.tw/human-dynamics-chan-ta-chien
Big Data 大數據_實習機會! 資料探勘/機器學習/搜尋引擎/語意分析演算法實習生○ 對各種基礎Machine Learning 及Data Mining之數學理論有高度興趣，包含Linear Algebra ... ... <看更多>
課程名稱：政治學 資料探勘 與 機器學習 計畫主持人：蒙志成開課機構：國立成功大學指導單位：教育部資訊及科技教育司課程 ... ... <看更多>
資料探勘機器學習 在 Re: [請益] 機器學習或資料科學家領域差異- 看板Soft_Job 的推薦與評價
本魯碩博主要做人工智慧/機器學習, 一點淺見
機器學習 主體是機器, 主要方向是
機器如何可以學習 有哪些方法
類神經 模糊理論 灰色系統 基因演算法 蟻群 貝氏網路
十年前的啦, 現在不知道, 脫節很久惹...
這個方法用在那個資料效果好不好, 如何讓它變好
同一筆資料 換另一個方法呢?
或者數個方法串起來用?
同一個方法, 用在別種資料呢?
總之目標是在增進機器的學習能力,
速度更快、效果更好、對不同資料更泛用等
資料科學, 主體是資料, 主要方向是
資料如何分析?
統計? 資料探勘? 機器學習?
丟入某很夯很威的工具 (MATLAB 等) 用現成工具跑看看結果
調調看參數權重
根據已知 (或想像中) 的邏輯 調整參數 建模
由分析結果反推原因、建模
總之目標是放在對資料本身的理解
找到更多規則、挖出未知的關係、發展理論
ex 有某某情形的股票未來 6~12 個月表現會明顯優於其它股票等
可以使用任何方法, 包含機器學習
資料量不大的話要用 excel 樞鈕分析都可以...
大致來說就是,
機器學習偏重在工具的開發與改進,
資料科學則是著重在應用工具從資料中找出理論或應用價值
以台灣來說, 機器學習的職缺可能會比較少,
主要會是資料科學吧?
(指工作內容, 職缺名稱就不知道了)
※ 引述《smallv (小小勝利者)》之銘言：
: 想請教版上大大
: 假設有了機器學習或者資料科學家工作經驗一段時間
: 未來想跳槽的話 領域不同會差很多嗎
: 像是...影像方面 語言方面 預測股票期貨方面 球賽勝率 機器人辯論方面 等等
: 各自的差異就蠻大的
: 那這樣跳槽會不會比較難 因為使用的演算法可能會有小差異?
: 還是其實還好? 尤其短時間內台灣這類人才還是短缺 不太需要擔心?
: 第二個問題 在台灣通常軟體公司的機器學習或資料科學家
: 待遇大概是哪個範圍 能有6萬到12萬嗎?
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.226.166.63
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1529835645.A.BD3.html
這圖我是覺得有點誇張
比方說, 假如要解的是 TSP 這種條件單純明快的問題,
那基本上用不太到什麼數學, 大概就加減法,
在 CS/IT 會吃比較多
而如果是貨架規劃之類,
我想主要就是 Domain 多一點, 然後拿現成軟體跑跑關聯法則/分類分群就很多了,
對 CS/IT 跟數學統計沒什麼概念也行, 主要只是要結果
當然會的越多越全面是能對應到越多狀況或做得越好,
但如果只是針對某類特定資料/目標的資料科學,
也沒有那麼誇張, 畫三個大圈圈在那恐有引人誤解之虞
"用" ML, 這裡的 ML 應該是工具沒錯 @@
像用 NN 做地形判斷 (一張圖, 判斷哪裡是湖哪裡是陸等)
有個正確答案針對方法去 tune 的這種,
我覺得主要是在做工具
工具做好後, 就可以被拿來實際應用,
應用的那部份就是你說的了
這張 Data Science 跟更多東西包在一起了 XDD
實際上很可能不需要就是 依需求可能其中一兩樣就夠用了
(想成圈在一起是表示 "可能相關" 就還算可以理解)
純軟QQ
這張完全是鬼扯
灰色系統、類神經、GA、模糊理論 都沒怎麼用到統計,
可以跟統計一起用, 但它們本身是獨立的方法論
把 Machine Learning 改成 Data Mining 的話還有一點道理
ML 跟 DM? 這篇說的是 ML 跟 DS @@
ML 跟 DM 的話, DM 是 分析資料的 "方法",
ML 可以使用 DM 的方法來實現, 也可以完全不用 DM 的方法
舉個例,
DM 可以說, apriori 是為了找關聯法則, k means 做分群,
C4.5 做分類
它的方法本身, 就有一個特定的目的在
但是
ML 類神經就是類神經, 沒有一定要幹麻, 反正它就是一個方法,
你可以用類神經去試著做任何你想做的應用
你也可以類神經搭配 k means, 也可以類神經搭模糊理論再加個基因演算法 等等
而 DS 則是使用任何方法 (包含 ML DM) 達到 利用數據學習知識 這個目的
大概是這樣
哈 我這兩天也在想這種情形,
現在基礎薄弱一知半解就上工然後到了資深還是一片混亂好像是常態,
蠻囧der...
※ 編輯: lovdkkkk (36.226.166.63), 06/26/2018 14:47:10
... <看更多>