Search
「我不希望AI（人工智慧）是貴族才能享受的服務。」MoBagel（行動貝果）共同創辦人暨執行長鍾哲民說，「可能跟我以前是老師有關，喜歡把高科技的東西普及化（鍾哲民2008年就開始在台大、政大、資策會開設App設計課程，是第一波投入開發教育App的老師）。」但為什麼說AI像是貴族才有的服務？
https://meet.bnext.com.tw/articles/view/48245
【想學程式的你】
不知道該從哪裡碰起程式語言的你，
Python被大家認為是個好學、有龐大AI資源、
開源平台、函式庫支援的程式🙌🏻
麻省理工、加洲柏克萊等頂大也都採用Python✍🏻
作為資訊科學的入門程式語言教學！
或許可以了解一下別人的學習經驗，
再勇敢地跨出第一步吧！
另外，C跟Java也是十分火熱的程式語言✍🏻
期待有一天看到你們的分享！
「
📍在這篇文章中，會分享我在 2021 Spring 在 ccClub Python 讀書會 的上課心得（…）
1. 「紮實程式基礎」（…）
2. 「一起努力的夥伴」（…）
3. 「從 0 到 1 的作品」（…）
從「主題確定」、「使用者體驗流程」、「架設 LINE Bot」、「程式共編」、「畫面美編」、「成果發表」都是由組員一同完成（…）
📍為什麼要學程式？ 為什麼學 Python？
過去在行銷面接觸的多是「內容產製」的工作，但一直希望自己可以多培養「數據分析」的技能（…）在分析數據的過程中，因為自己沒有程式能力，只能用笨重的手法人工處理資料（…）
而 Python 一直都是學程式的必備款（…）面對未來的求職市場，即便是商科學生，從事行銷等工作，會 Python 勢必會比他人更有優勢（…）
📍那 ccClub 的上課方式是什麼？免費／保證金？
「翻轉教室教學法」重練習、有問題直接問
課前：「線上課程」講基礎觀念
課前：5-10 題練習題＋ Medium 講義
課間：講師提點＋進階觀念
課間：課堂練習＋助教協助＋講師解題
課後：限時作業
期末：專案
📍課程完全免費，但收「保證金」，一種對自己負責的態度
（…）目的是讓報名課程的人，是「足夠確定下好決心」來學習的，不是來看看或是三分鐘熱度！（…）
📍怎樣的人可以申請 ccClub？怎麼申請？
申請人「沒有任何限制」！不論是否為台大學生，不論是否為學生，不限任何身份（…）
📍最後，我的小分享
學習程式最重要的是「學習環境」，就跟學外語是一樣的，如果沒有好的學習環境，即便有課程，也很難學的下去（…）而且大家也不一定是專業出生，很多是跨領域／斜槓來的，同時年齡層較相近，溝通起來不會有壓力，就不用怕自己真的程度太差，這裡每個人都是這樣走過來的ＸＤ
」─ #太郎仔 @20_marketing_note
💡 本文選自 #太郎仔
✨全文看這裡：https://www.blink.com.tw/board/post/102742/
✨主頁Linktree有全文連結！
#大學生看選文 #大學生 #大學 #python #ccclub #台大 #程式語言 #內容 #免費課程 #讀書會 #作業
明早(7月11日)上午8時~9時
復興廣播電台「大小一家親」節目
主持人：劉銘，胡語姍
播出頻率
全省 AM594
中臺灣 FM107.8
線上收聽 http://hichannel.hinet.net/radio/index.do?id=286
又到了主持人「答嘴鼓時間」了。今天要談的是這段時間最時興最夯的線上相見歡，處於三級警戒狀態都「坐家」愛台灣，可是很多會議不得不開、課程不許不上，所有事情只要能夠線上處理，這時候不僅考驗舉辦者的智慧，也考驗著參加者的能力，只要時間巨輪向前走，AI智能就要有。
大家為了下載軟體兵荒馬亂，青菜蘿蔔不知要怎麼挑，上線之後又不知每個功能到底怎麼搞？連參加線上公祭都是頭一遭，不知該如何難過才好，林林總總怪象不少，說實在還真的挺煩惱。總之，懂這些還得趁早，到底有哪些軟體要學？哪些硬體要買？參加這些線上活動跟以往實體互動有什麼不同？欲知更多的內容，歡迎收聽節目。
人工智慧 / 賽局理論 / 大數據」三者到底有什麼關聯性？聽聽小傑老師從資管系的角度(他也基於當初修過資工課程的經驗)，給大家一些觀點與想法！
===============================
去年邀請到優秀的台大資管系的小傑老師一起合作拍攝專訪影片，當時就已經預計影片會分成三集釋出。只是...只是第三集的「回覆問題」 這一part 因故一直被我拖延著沒完成剪輯！
但是其實第三集是非常值得一看的，因為小傑老師總共回答了四個問題，我認為每一題都解答了很多人心中對於「資管定位? 人工智慧與資管關聯? 賽局理論與人工智慧關聯?」的疑問 (尤其是那些對未來選系迷茫的學子！)
再加上有網友在前兩集影片下方留言敲碗第三集，因此我收起了我的拖延病，奮起把第三集剪完了！
每一題的連結如下！
💟問題一：人工智慧 / 賽局理論 / 大數據」三者到底有什麼關聯性？👉https://youtu.be/qzjIf-iDYNY
💟問題二：資管作為「管理」與「科技」的橋樑，能創造出哪些跟資工 / 資管 / 工管與眾不同的價值? 👉https://youtu.be/WHaVRdWu1Xw
💟問題三：若有同學是以學人工智慧為前提來選系，在 資工 / 資管 / 企管 三系之間，老師會如何給予建議？👉https://youtu.be/N37TaXG_wko
💟問題四：當初拿到PHD之後就回台灣教書背後原因？以及你怎麼評價自己的ㄖ決策風格？👉8/14釋出
#人工智慧跟賽局理論與大數據
#三者個關聯性
#台大資管系孔令傑
👉孔令傑老師的YouTube頻道：https://www.youtube.com/channel/UCUOO6-Vu9wjZI9SW5jgmNTQ
👉孔令傑老師的部落格：http://www.im.ntu.edu.tw/~lckung/?fbclid=IwAR2weTFa7_WKfqUDYrPeQEV2tI7cA-Q9DzEUx6RpobfFjJALLSXCbCR3ZQo
#大學科系
#資管
#資工
#台大
#如何選系
🍿在這支影片當中，觀眾朋友的提問如下，李老師都一一耐心回答惹(as always😊)
1. 機器可以回答哲學性的問題嗎？👉影片中，老師告訴你一個好玩的網站！
2. 神經網路架構的選擇方針？👉老師給出三個思考方向！
3. 老師有沒有Twitter? 👉影片揭曉！
4. 對機器學習領域未來發展趨勢的看法？👉影片揭曉！
5. 怎麼用Google sheets開發機器人？👉影片揭曉！
🍭可以跟你玩文字接龍的AI：https://talktotransformer.com/
🍭李宏毅老師有提到「GPT-2」的課程連結：https://www.youtube.com/watch?v=ugWDIIOHtPA
#跟你玩文字接龍的AI
#機器學習的未來
#選用神經網路架構的三撇步
#Generative Pre-Training (GPT)
#GPT-2
#Transformer
#Residual connection
#Deep Learning
#台大電機李宏毅專訪
#AI神奇模型訓練師
#珊蒂微AI
#人工智慧
#AI
(下集)
🍿在下集當中，李老師跟大家聊的內容有：
1. 老師的宅男風格教學之力
2. 老師在2020年春季將會開一門全新課程！
3. 老師「請公子吃電信餅」🍪🍪🍪
4. 老師的「台大語音實驗室」都在做什麼？
🤖五個研究方向
🤖GAN來GAN去
🤖神奇模型「Multi-BERT」
5. 台大傅鐘的老梗笑話
6. 最後有李宏毅老師秘辛大爆料
🍿影片中提到的五個研究主題，李老師都精選了一篇論文，連結如下，請各位大大笑納:
非督導式語音辨識: https://arxiv.org/abs/1904.04100
非督導式語音轉換: https://arxiv.org/abs/1804.02812
非督導式文件摘要: https://arxiv.org/abs/1810.02851
問答系統: https://ieeexplore.ieee.org/document/8700217
個人化聊天機器人: https://arxiv.org/abs/1901.09672
#GAN來GAN去
#台大電機李宏毅專訪
#AI神奇模型訓練師
#珊蒂微AI
#人工智慧
#AI
本次課程分為 入門班以及 進階班，讓你跟著臺大各領域AI專業教授 ，透過10-18小時全英語線上課程 ，發掘AI科技的奧秘！完成課程後可拿到結業證書， ... ... <看更多>
李宏毅自2015年起，在台大開授深度學習相關課程（AI的關鍵技術），但才短短3年，今年的授課內容，已經和3年前第一次開課時，沒有任何重疊，顯見這個 ... ... <看更多>
ai課程台大 在 Re: [心得] 自學AI資源分享- 看板DataScience - 批踢踢實業坊 的推薦與評價
感謝原 PO 的分享，我也來分享一下我自己的學習清單
==== 前言 ====
去年因緣際會知道了有關大數據、資料科學、機器學習這些領域
本來考慮要去參加資策會的課程，但自己要在家帶小孩
如果參加課程，小孩要找保母，整個機會成本太高，因此決定自學先
網路課程現在幾乎是隨手可得，想要自學的人根本不怕沒有教材可以學習，但是五花八門
的課程中，怎麼去選擇就是一個很重要的問題了。
我自己是一個門外漢，因此在選擇課程以及安排上面花了蠻多時間，以下大多是我看過或
是大概瀏覽過覺得不錯的課程，就推薦給想要自學又不知道怎麼開始的朋友們吧~
==== 概論 ====
由於自己雖為國立大學數學系畢業，但畢業非常多年，加上自己也非科班出身，因此想要
先了解整個領域的範疇、概要，之後再開始針對各個科目分進合擊。
PS : 初期我自己都以大數據為出發點，所以上的課都是大數據概論取向，但再其中其實
對於資料科學、AI、機器學習都會講到。
1. [ Coursera ] 大數據分析：商業應用與策略管理 (Big Data Analytics: Business
Applications and Strategic Decisions)
這門課是台大與玉山銀行合作開的線上課程，與其說是課程，我認為比較偏向講座，在這
過程中可以對大數據、機器學習等在商業上的應用。這堂課可當作補充資料來上，會有一
些實務應用上的概念，當然，如果沒時間也不一定非得要上。
2. [ Coursera ] Big Data Specialization
University of California, San Diego 開設的這們課程，我個人還蠻推薦的，尤其是對
跨領域、無先備知識的學習者來說，可以在這一系列課程中很快速地對整個領域有蠻深入
的理解。
3. [ Book ] 精通 Python
4. [ Book ] Python 資料科學學習手冊
這兩本都是 O’REILLY 的經典書籍，我必須坦白說我沒有完整的看完，精通 Python 我
針對資料科學的部分有完整看過，然後做習題，但裡面很多章節稍微跟資料課學無關的我
幾乎都暫先跳過，而資料科學學習手冊我是都拿來當工具書翻閱。( 所以我 coding 能力
還是一樣很差XDDDDD )
==== Python ====
第二階段我開始以 Python 為主進行學習，因為我自己 coding 能力幾乎是 0，這個部分
必然要作為初期學習的重點項目。另外，雖然說這是第二階段，但其實這部分跟上述的概
論課程我幾乎都是同時期一起上課。( 不過我坦承到現在我自己的 coding能力還是很差XDD )
1. [ Coursera ] Python for Everybody Specialization
這門是 University of Michigan 所開設的 Python 專項課程，完全從 0 基礎開始上課
，上完以後可以可以進行一些初階的程式作業我想是沒有問題的，這堂課並沒有太多針對
資料科學的部分，主要是以各領域都會用到的基礎工具為主。Charles Russell 的上課方
式我超喜歡，喜歡友去上課方式的人我想也會跟我一樣喜歡這門課。
2. [ Coursera ] Applied Data Science with Python Specialization
一樣是 University of Michigan 開設的，這專項課程我作為上門課程的接續課程。前面
幾堂會針對 python 在資料科學中會用到的模組、方法進行概略式的瀏覽，後面則會針對
視覺化、機器學習等領域做較為深入的介紹。整個課程較上一門來說困難度增加不少，因
為我自己有做手寫筆記的習慣，這門課的許多東西在我現在 coding 遇到問題時都還能翻
閱筆記作為工具書使用，我覺得受益不少。
3. [ Coursera ] Fundamentals of computing
Rice University 所開設的課程，之前應該也是在論壇看見推薦的，但課程難度較高，目
前我也是暫時先擱置還未進行這課程的學習。
===== Machine Learning =====
1. [ YouTube ] 機器學習基石 & 技法
(Machine Learning Foundations and Techniques)
台大林軒田教授所開設的機器學習課程，在 Coursera 與 YouTube 軍可以免費觀看課程
內容。這門課主要以基礎的機器學習演算法為主，但雖然說世紀處演算法，但內容包含的
數學比重較重，啃下來的確會有點困難，但整個課程的安排的確非常流暢，老師的講述也
算是蠻清楚。而且教授對於課程教學十分用心，如果在 YouTube 或是 Coursera 上面提
問，教授 (或助教) 都會盡可能地回覆。( 即使課程已經是兩三年前的課程了，現在也都
會看到教授的回覆，非常用心。 )
2. [ YouTube ] Machine Learning — 李宏毅
台大李宏毅所開設的機器學習課程，一直以來都是台灣及中國學習者極力推薦的中文課程
之一。課程內容與時俱進，每一年都會將最新的機器學習、深度學習的演算法、模型加入
到課程內，讓學習者能夠跟上整個領域的發展。數學的比重比林軒田教授的課程低，而且
多了許多有趣的範例及講述，上課起來輕鬆不少。然而，影片內容我個人覺得安排較為紊
亂，可能是每一年的課程進度剪接而成，在某一些地方的銜接度較差，這是上課時稍微讓
人困惑的地方。不過瑕不掩瑜，這門課程我認為還是非常值得花時間上的。
[ 補充 ] 最近中國一些人將李宏毅的課程整理成一個 github 專案，完全複刻課程內容
，包含了課程中的所有 demo 以及課程作業內容，非常值得大家在上課的同時做參考使用
。
[ 補充 ] 李宏毅另外有一門課程 " Machine Learning and having it deep and
structured "，會更深入講解機器學習的演算法跟架構，這也是後續上完 Machine
Learning 後可以深入補充的課程。
3. [ Coursera ] Machine Learning — Andrew Ng
由 Stanford University 的吳恩達教授所開設的課程，這已經是全世界公認的經典了，
不過已經花了大半年上完前面兩門課程的我，可能要稍作休息，待日後有機會再來進行這
門課程的學習。
4. [ YouTube ] Large-Scale Machine Learning
清大吳尚鴻所開設的課程 (https://www.cs.nthu.edu.tw/~shwu/courses/ml/)，忘了在哪
看見推薦的，我有上去大概看了一下，就學習論的部分我覺得講解的蠻清楚，就也是有空
可以再回頭來看看。
===== Mathematics =====
整個 Machine Learning 所涵蓋的數學領域其實是很廣的，有一些甚至不是數學系四年會
碰觸到的部分，而且某些部分甚至都是數學系、所一整學年的課程，我認為不用太糾結每
一個數學細節，找到一個可以說服自己的方式就好。( 當然，如果你真的想走演算法這條
路，要求就要再提高ㄧ些 )。如果有時間我會建議可以把機率統計以及線性代數的部分上
過一次(我大學機率統計實在學得慘不忍睹)，我認為這兩個領域如果可以上手，就會輕鬆
許多。
1. [ 清大開放式課程 ] 機率論
2. [ 清大開放式課程 ] 統計學
3. [ 清大開放式課程 ] 數理統計
這三們都是清大鄭少為老師所開的課，基本上他的機統普遍受到許多人的推薦，我自己有
看過前面幾堂的機率論，我認為條理清楚，講義也很詳細，這是我真的很想找時間上的課
程。
4. 線性代數
這個部份我目前暫時沒有重新上課的打算，大學教授上的非常好，我的筆記也都還留著，
就可以來回對照著參考，如果有推薦的課程也可以讓我知道，一起推薦給所有人參考看看
。
===== 補充資料 =====
這裡推薦幾個我認為很有幫助的學習途徑，有些是課程，有些並不算是。但我認為都可以
在上面這些基礎課程以外作為增強實力的補充教材。(備註 : 這裡我選出來的都是比較廣
泛性的平台，但 Medium 或是ㄧ些個人部落格也有很多非常棒的補充資料可以看，但這樣
的資料多且雜，我就暫時沒收在下列推薦名單中。)
1. AI 研習社 ( https://ai.yanxishe.com/ )
不得不說，中國在這領域的發展真的比台灣快而且豐富，當我在學習過程中找尋中文資料
時，九成都是從中國的論壇或是部落格中找到，台灣在這方面的分享上面的確比較少。
AI 研習社我會建議大家可以去他的線上課程看，裡面有幾個大師級的課程 ( 重點是有簡
中字幕XD )，例如 Hinton 的課程我就會想要找時間來看一下。裡面還有一些資料、論文
整理的部分，大家也是可以上去晃晃看。
PS:它有一門「機器學習必修之數學基礎」系列課程其實我還蠻有興趣的，但是學費不便
宜就…
2. CSDN博客 ( https://blog.csdn.net/ )
不管閱讀論文還是課程上面有疑問，絕對可以針對同一件事情再上面找到非常多樣化的解
釋。上面我曾經說過，很多時候不要拘泥，找到一個能說服自己的方式就好，通常我都會
在許多不同的解釋當中選擇一個我比較理解且能接受的方式作為我對這件事情的理解。
3. 知乎
這有點像是中國版的奇摩知識+ (?)，針對一個問題也可以看到底下有許多不同角度的切
入，我覺得這樣的學習其實蠻不錯的。當我在找資料的時候，只要是CSDN跟知乎我都會點
進去看一下，許多時候都會有不錯的收穫。
4. reddit/MachineLearing ( https://www.reddit.com/r/MachineLearning/ )
reddit 的 Machine Learning 版裡面有許多的神人，還潛伏了許多論文的作者在裡面，
時不時會有一些很新的論文發表、成果發表還有許多有趣的討論在裡面，我覺得可以收藏
起來看。
5. 微博公眾號
好，我知道這部分爭議很大，如果真的很介意的可以跳過這一 part。
我完全沒有在用微博，但為了ㄧ些公眾號的訂閱我才開始使用。許多公眾號會把很新的
AI 新知、或是一些知識整理放出來，雖然品質參差不齊，但也不得不說有時候真的能撿
到一些不錯的好文章。另外，覺得閱讀reddit 全英文資料很吃力的，有時候大概在
reddit 上面發表一兩天之後公眾號就有簡體中文的說明出來，我覺得有時候偷吃步其實
也是蠻可以的啦XDDDDD。還有一個公眾號會每天發送各種領域最新的論文內容出來，如果
閱讀論文速度很快的，可以從這樣的公眾號中拿到很多最新的論文資訊。
=======END=======
以上是我自己的一些學習資訊，也提供給大家參考看看
當然還有很多非科班出身必須要修的 例如資料結構跟演算法等等
我目前還沒有什麼概念，如果有人有推薦課程也希望不吝分享讓我知道一下
--
聽眾散去了,希爾伯特卻仍留在講台上,
他等著看自己是否已經運用有利的例子,優越的論證,
以及具誘惑力的23個問題,
塑造他期盼見到的未來.....
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.45.98.201 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1565639939.A.F2F.html
... <看更多>