在生物資訊學中,基因表現量分析是理解基因功能和細胞行為的關鍵步驟。隨著基因數據的快速增長,如何高效處理和分析海量基因數據,已經成為現代生物學研究中的一大挑戰。此次挑戰將聚焦於運用 Python 實現基因代號轉換,並基於 RPKM(每千鹼基轉錄本每百萬比對讀取數,Reads Per Kilobase of transcript, per Million mapped reads)計算基因表現量,以提升基因數據分析的效率。
在這次的參賽題目內容,我需掌握基本的 HTML、CSS 和 JavaScript 語法,並結合 AI 力量完成網站製作。我選擇學習這些語法及 Microsoft Copilot,是因為之前使用 Wix 製作網站,希望更深入了解網站運作原理。透過這次學習,我希望掌握基本語法,結合 Copilot 力量,製作功能豐富且美觀的衛教網站,提升技術能力,並將醫療資訊系的專業知識與技術結合,為更多人提供有用的健康教育資訊。
ChatGPT 的問世,標誌著 AI 技術進入一個嶄新的時代。我個人也開始嘗試將 AI 應用於生活中的各個層面,例如會議紀錄整理、知識學習輔助以及程式碼撰寫等,並深刻體會到 AI 在提升效率方面的巨大潛力。然而,我目前的 AI 應用方式仍較為零散,缺乏整體性的策略與架構。因此,我將透過撰寫 30 天的隨筆系列文章,記錄我探索各種 AI 工具的過程,並嘗試將其融入現有工作流程,逐步打造更優化、高效的日常工作模式。
在開發上也有不少的 AI 工具,如隨著 ChatGPT 推出的 GitHub Copilot,或是最近很紅的 Cursor,都是可以在開發上給予我們很多程式實作上的建議,更進而直接幫我們完成實作。這一系統文章就會針對這兩套工具的使用方式進行描述,並嘗試透過這兩套工作來實作一系統功能,進而了解它們在開發應用程式可以協助我們到什麼境界(迷之聲:真的可以用嘴巴寫程式就妙了)。
主要練習常見的前端面試的觀念,以 Javascript 和 React 的口頭技術問題為主,包含前端面試常見的問題以及筆者在實際面試中曾被考過的題目。
隨著大型語言模型(LLM)的迅速發展,越來越多的開發者開始探索創新應用,然而許多人將其局限於聊天機器人,忽略了其在資料處理上的潛力。這系列文章將探討如何建立 LLM 工作流,特別是 No code 開發的應用,減少程式碼撰寫,並專注於商業邏輯。此外,我也會分享與 AI 協作的方式和使用的工具。這系列文章適合有學過 Python 但不知能做哪些專案的朋友、對 AI / LLM 有興趣的學習者,以及想打造自己 ChatGPT 的朋友。只需具備基本的 Python 語法,就能理解大部分內容。希望透過這些文章,讓新手也能做一個屬於自己的 AI 應用,解決生活上的問題~
現在是科技化時代,許多人利用生成式AI來解決問題,但真的能解答每個問題嗎?又或者利用生成式AI可能存在哪些隱憂呢?我想利用這30天去解答這些問題