選手列表
程式設計不該只是工程師專屬的武器 爬蟲的技術對於身處行銷、電商產業的人更重要 文章並不探討困難的技術,目標是培養解決問題的能力及技術的整合,內容包含: 1. 撰寫程式的前置環境設定,以及推薦開發工具(IDE) 2. nodejs基礎操作 3. 自動抓取網頁資訊(打開虛擬網頁、分析網頁、操作網頁元素) 4. 將取得的資訊放入Google Sheets(read、write、format...) 5. 排程自動執行設定,腳本撰寫 6. 執行完成後透過LINE回報執行狀況 備註:本專案在windows、mac皆可操作
10年了, Shay Banon的夫人還沒得到食譜搜尋引擎, 但 ElasticSearch 已經成為廣為使用的開源搜尋引擎. 加上知識圖譜被許多企業捧上天, 那麼我們也來跟風造一顆知識圖譜吧~
電腦會選土豆已經不是新鮮事,如果電腦能懂人的行為,那會是怎麼樣的體驗? 把行為辨識用你阿嬤都能懂的話說給你聽。跟你一起和這個技術初次見面。
從6月開始玩DiscordBot,最初簡單的需求逐漸升級。 基本回應,抽卡,對話監聽,後台託管.. 針對DiscordBot的中文教學以python為大宗,但我們使用js; 結合Discord.js,Heroku與GoogleAppsScript製作, 用30天一步步實踐可以輕鬆維護的設計模式。
2017年Google發了一篇論文叫 " The Case for Learned Index Structures ",他們提出了一個嶄新的想法,使用機器學習、深度學習的模型學習資料的分布,使用模型預測資料的所在位置,就能更快速地查找到資料,他們將這樣的索引結構稱為 "Learned Index" 。 我希望能基於此論文,進行30天的鐵人競賽,探討並實作出Learned Index !
在 AWS 上有需多數據處理與分析的服務,常見的有 Glue、Athena、Redshift、等等,這三十天會以 AWS Glue 為出發點,介紹如何在 AWS 上進行數據處理與分析,並一步一步解說如何使用 AWS Service,以及使用中常見問題的解決方法,最後會有實作範例提供參考,希望可以盡量降低大家在 AWS 數據處理與分析的門檻。
運用Python分析金融數據,內容包含統計學基礎運算、金融理論運算、建立投資組合、技術指標運用,都是用python相關工具實作解析,一步步教學如何運用python分析金融數據。
人類為了克服生活環境的種種複雜問題,想盡辦法連結人際網絡(群體),並發明輔助工具,與能溝通的文字和語言,藉以解套外在與內在環境的不利因素。 隨著文明不斷的累積,到了現在電腦資訊昌盛時代,人類開始會想與機器溝通,會使用程式語言或軟體做為橋樑,但滿滿的機械語言與程式碼,只能鎖定在特定族群去解讀,無法普及於大眾,就例如說人人會用電腦、平板、手機,但不一定人人都能除錯或找到系統不順的主因,抑或者數學與外文不好的人,更加難以踏入那個「機器領域」。 人類試圖去簡化與機械語言的隔閡,乃至於發展出AI人工智能,用程式架構出大腦、神經、圖像與語音辨識等網絡,以重新學習作為基準,達到最終的「神領域」。
花30天來一起來看看什麼是Meta learning
Keras 是深度學習最簡單的敲門磚,但是,計畫趕不上變化,所有市面上的書籍都追不上 Keras 版本的更新,例如: 1. Google AI Team 依照 Keras 規格開發一套全新的 Keras 模組,並內含在 TensorFlow 內。 2. 獨立套件Keras不玩了,官網文件全部改為介紹 TensorFlow 的 Keras 模組。 3. Keras 模組與TensorFlow其他模組無縫整合,功能更強大,使用更複雜。 4. TensorFlow 版本飛快更新,很多語法也迅速被丟進垃圾桶,另外,有更多的語法要塞進我快爆炸的腦袋。 只能再重新埋鍋造飯了...