Search
【趁暑假弄懂什麼是AI人工智慧】
.
#全線上課程
想趁著暑假來搞懂什麼是AI人工智慧嗎？臺大人工智慧中心將於8月2日至20日舉辦為期三週的短期課程，歡迎報名參加MLSS 2021 TAIPEI (Machine Learning Summer School) 全線上課程。
MLSS(http://mlss.cc)為一國際機器學習暑期課程組織，始於2002年，主要目的為推廣統計機器學習和推論的最新技術及方法，活動邀請的講師為國際各相關領域的專家教授，提供的主題涵蓋基礎知識，到最新機器學習的實踐。
詳見：
https://www.facebook.com/317508942194152/posts/814131975865177/?d=n
.
#台大AI中心 #臺大人工智慧中心 #MLSS2021TAIPEI #全英文授課
前一篇分享的正負能量的評估表，就像所有統計資料只能說略約不代表全部，但對我來說是非常有正能量的圖表，至少撫平清理壓抑在我心中許多的陳年垃圾。
遇見不對的人，總是要消耗許多的正能量去換取平衡。
以前心中好多為什麼？？？
現在知道是他人的負能量，造成傷害、跟壓力。
不對的人以前一直包容、嘗試理解，現在我知道磁場不對就是不對，人所站在的點不一樣，不勉強離開就是。
至於’離開不了的，就當消業障繼續承受了！
*
看大麥町吃力的砍木頭，於心不忍也戴起手套出去幫忙，明明有一台花十幾萬買了切木頭的機器，偏偏要用劈的把自己搞的很阿信。
說起來是他自己的問題，兒子都說不要管他，照顧好我自己就好。
但是兒子不理解，他如果倒下對我也沒有好處，我們是繫在一條線的蚱蜢🦗啊！
看看房子四周，沒有規劃塞的到處都是木柴，新砍的要堆哪兒？
大麥町說；往房檐下的空間堆。（有空間就塞的概念？）。
是啊，很多時候ㄧ沒注意木頭都推到連窗戶都遮住，如果不罵人厲聲警告⚠️，我看窗戶外看的不是風景，是木頭。
堆房檐下？
哪兒有一台大型機器，有事沒事他還要用機器工作，地點變窄小很危險，說起來他總是回說沒有問題。
沒有問題是沒腦袋的他說的。
我是有腦袋的不然不管，既然想幫忙就解決問題。
找一塊他原來亂塞的位置騰出空間，先將不屬於房子壁爐的木材移走，移到下面的小木屋（柴火有分用於不同爐子。）
空出來的窄小空間，鏟平，弄整齊。
大麥町的木頭是有地方就塞，塞的雜亂無章。
房子邊的斜坡將木材移後整地，用小鏟子慢慢鏟，鏟除的沙土過篩成石塊跟沙土。
石塊留著做舖底，沙土甩倒在花園填土。
挖土、篩石頭很辛苦，你覺得大麥町會幫忙嗎？
不‘他不幫還生氣，氣我又增加他的工作。
問題是，生氣後他動手幫嗎？
我的脾氣也硬，是我自己要做的除非看不過去幫把手，不然我不會開口。
埋著頭做也不知道效果如何，還繼續或是可以了？
問大麥町覺得如何？還可以嗎？
大麥町的回應是氣呼呼的說；不知道，不是我的事，是你自己要做的。
不是他的事，總是當甩手掌櫃。我出來不也是幫忙他嗎？
搬移原先堆積適合小木屋的木頭下去，山坡路陡費力，一個人上上下下推著車、又搬、又排！
挖土的工作也沒叫他做，只是問一下就哇哇叫！
哇！我火🔥來了。
我說；這就是我不願意出來幫忙做事的原因，眼不見心不煩。
做事沒章法，不用腦袋，亂七八糟。
無法收尾。到最後再來怨天尤人的矯情！
劈裡啪啦大罵一頓，交給他鏟子說現在你鏟、篩砂石，我進去煮飯。
有人做事不願幫忙，飯還是知道要吃的。
明明可以一起快速完成的事，一定要搞的不愉快！
吃飽飯，沒有消停立即再回到工作鏟土，不想求人。
他老兄吃飽可以睡午覺一小時，起來再喝咖啡吃點心，就是不出來工作。
硬氣的我自己要做的事，不會拉下臉來要求，但搭建需要的材料我沒辦法，請他幫忙鋸木材底架還有兩邊支撐。
將地基挖的夠深後添回石塊，這樣可以防止底部木頭潮濕，才能保持乾燥也保持久一些。
對著站著刻意保持距離，又不敢離開的大麥町說；做事情不能只想解決眼前看的問題，而是要想以後的可能？
這跟蓋房子一樣，一個房子拆了再蓋，跟一開始就蓋好，這拆比蓋還麻煩，沒有成就感，還浪費時間跟金錢也沒有效率。
得到冷「哼」一字。
不管他聽不聽的進去，我知道他就是不高興。
不高興，事情完成後他是沒有功勞可以沾沾自喜的。
我可以想像，如果以後有人問說這個位置真好看，他一定是不願意面對。
這個情境讓我想到，也永遠不會忘記一幕。
花園裡美美的木頭階梯，現在大麥町走起來很自在的階梯，當初也是我ㄧ鏟、一鏟的挖出來的。
建階梯也是我的想法，我提出想法大麥町的回應跟今天一樣；「你要做、自己去做。」。
ok. 我就自己做。
我這個人很認命，與其花時間妥協浪費我的細胞，我就盡我自己的能力，能做多少做多少，過程是我享受自己的成果跟樂趣。
至於大麥町，就坐在我身旁不遠處喝啤酒聽音樂。
當我努力挖掘敲地基時，耳朵聽到大麥町的爸爸杵著拐杖，走到我們家跟他家中間的馬路上咆哮！
似乎聽到什麼？發生什麼事？
放下鋤頭⛏️過去問大麥町，爸爸說什麼？
因為公公腳不方便，基本上很少走過來我們這兒。
只見大麥町一張臉臭的拉的好長，跟之前愛嬉皮笑臉不一樣，不悅的回我說；他在罵我。
罵？為什麼？
因為妳！大麥町沒好氣的說。
為什麼？我怎麼了？
因為妳挖妳的屎階梯。
說完，轉頭進屋子。
歐！公公來罵人了。😄😄我開心。
罵的好。欠罵。
不過罵歸罵。大麥町還是沒有來幫我完成階梯，而是整理行李借工作之由離開，去了德國。
這樣的人，有時候真的是不用對他太擔心，因為他永遠都是只做他要做的，或是他想做的，別人的擔心都是多餘，包括他父親的不悅，也沒讓他檢討自己的錯誤，幫忙工作。
人的個性在哪兒不太可能改，只是現在退休生了場大病，知道自己的優勢不再，也知道自己需要別人的照顧，態度有一點妥協，但沒有改變太多。
或許現代的年輕人會很灑脫的說，不對的人就離開！
人生中我相信，很多人也不少選擇離開不對的人，但‘ 到最後一定是對的人嗎？
我們覺得不對、對方一定也會覺得不對，對不對以我現在年齡，一路看過來的認知是，人生就是一場要來做的功課。
深刻的覺得僅是一場短短的人生，卻感覺是一種不斷的輪迴。
身邊遇見的人事物，都在眼前似曾相似的播放，或再重複。
如果懂得反省，當人生中的輪迴再轉回來時，就可以避免或修正曾經的錯誤，當然就會越來越好，因為我們已經學習到。
人生的輪迴考驗沒有改變，但智慧增長。
當考驗來時，更懂得用什麼樣的心情去面對也自然；
承受比抱怨多。
感恩的心情比抱怨多。
豁達比抱怨多。
最後套佛家的開釋就是；以平常心去接受所有一切考驗，好好愛自己，繼續走完人生道路，才知道自己通過多少考驗。
to 高中生, 大一生, 大二生:
這篇文是針對數學系, 電機系, 資工系的比較
可以衡量看看自己對哪部分的數學較有興趣
#也提供正在準備備審的學測生
#針對這三個科系更深入的了解
[大學介紹篇1-數學成分的差異]
喔! 對了!!
本來預計要寫"[求職篇5-暑期實習]"的說
但投了5~6個實習都收無聲卡...
是故只好停刊, 改成大學介紹的主題了
-------------------------
問題: 數學系的數學 v.s. 電機系的工數 v.s. 資工系的數學
這三者有何差異呢?
*感謝高三生Lin Lee提供這個好問題
------------
1. 數學系的數學
以台大數學系而言, 從高中生可理解的角度分類必修課
60%分析類: 微積分, 分析(高等微積分), 機率導論
常微分方程, 偏微分方程, 複分析(複變), 幾何(微分幾何)
-
30%代數類: 線性代數, 代數
-
10%程式類: 計算機程式設計, 計算數學導論
其中又以分析, 代數, 幾何, 複變為最最困難的科目
-
而且個人認為
分析的精華在於Lebesgue(1875~1941)的Lebesgue積分
代數的精華在於Galois(1811~1832)的Galois理論
相較於數學歷史, 兩位都是近兩百年的年輕數學家
-
所以我會把數學系的核心學習內容--分析+代數
稱呼為"現代數學"
而國高中所學的算是"古典數學"
-
類似於物理系的學習內容--相對論+量子力學
稱呼為"現代物理"
而國高中所學的算是"古典物理"
------------
2. 電機系的工數
以台大電機而言
工數=分析類+代數類-{分析,幾何,代數}
當然, 程式類會比台大數學還要重好幾倍
-
換句話說
電機系的數學部分=被拔掉{分析,代數,幾何}的數學系
雖然電機系免除這三大魔王的摧殘
但還是有同等級的電路/電磁/電子學迫害
總之, 電機系的數學成分相當高就是了
-
當然, 電機系的工數課都在代公式, 簡化, 求解居多
另外, 數學系的數學課則是套定理, 推理, 證明居多
兩者有不同的需求, 不同的難度, 和不同的發展
電機系學工數是為了信號與系統, 三電, AI等等
一些進階領域都需要不少線代/機率/微分方程的知識
-
所以, 電機系的核心學習內容--三電+工數+演算法
基本上就是18世紀以後的電學+用工數語言描述
這也是電資學院最夯的"電子系"的基礎囉
不過, 很多電機人跨去資工又是另一個故事了
基本上就是沿著演算法的路往資工方向走
------------
3. 資工系的數學
以台大資工而言
數學={微積分,線代,機率}+{離散,資料結構,演算法,自動機}
當然, 程式類又比電機系重了不少
-
基本上, 資工系只修{微積分,線代,機率}
大概可以算是二類組最低要求的數學知識吧
所以, 他們的重點在於{離散,資料結構,演算法,自動機}
也就是俗稱的"理論電腦科學"領域
-
按照時間順序來說的話
20世紀的數學家在探討是否所有問題有答案
而理髮師的悖論則說明有些問題無法解
因此, 有人試著從邏輯切入, 試著判斷問題的真偽
也有人試著設計機器, 自動地分辨給定問題的真偽
前者最終以失敗告終
但他建立的數理邏輯, 則讓後者成功了
這種機器稱之為"圖靈機", 也就是現在的"電腦"
而過程中的這些理論則屬於自動機與形式語言
是理論電腦科學的起源
ref: 這段是某篇看過的文章內容, 跟這篇有點像 https://www.thenewslens.com/article/55863
-
總之, 70年前二戰時, 第一台破密用電腦被實作出
直到大約50年前, 才開始發展演算法來有效使用電腦
而演算法又包含各種策略,圖論,P&NP,組合學等等
以上的這些統稱為"理論電腦科學"領域
基本上就是不管硬體和系統, 不寫程式的電腦科學部分
-
所以, 資工系的核心學習內容--
{線代,離散}+{資結,演算法}+{作業系統, 計算機結構}
基本上就是近70年發展的電腦科學
我會稱呼理論電腦科學部分為"後現代數學"
也就是近100年的數學發展
-------------------------
下次要是有機會的話
再來聊聊給分甜度的問題好了
問題: 為何數學系給分超低v.s.電機系給分超甜
或者是也可以談談往研究所發展的問題
問題: 數學系, 電機系, 資工系研究所發展趨勢
-
不確定高中生對於哪個比較有興趣
也有可能我就懶得再發文了
總之...
歡迎下方留言各位感興趣的相關問題唷!
#歡迎上進的高中生們
#把我的語錄抄進備審
#我的理解深度還行吧
#不確定QQ
很難得機會在台灣捕獲李孟這位旅日的資料科學家，也很高興可以訪問到他！
李孟在日本四年的工作時間當中，歷練過「軟體工程師」、「資料科學家」以及「機器學習工程師」的職務，為什麼會有這一路以來的自覺與自學歷程？我們都一併在這次專訪當中聊到了！同時還加碼聊了「在日本的工作與生活環境」，提供給想去日本生活的朋友參考呦～
👉在這次專訪中，我們暢聊了：
1. 李孟是如何從軟體工程師的身份開始自學「資料科學」？
2. 資料科學家 / 機器學習工程師工作內容上的差異？
3. 李孟比較喜歡當資料科學家、還是機器學習工程師呢？Why？
4. 覺得人們除了積極自學之外，還應該用什麼心態來應對AI帶來的衝擊？
5. 加碼閒聊「在日本的工作環境與生活環境」，提供給想去日本生活的朋友參考呦！
👉李孟釋出他在台大的演講簡報，鉅細靡遺地分享他成為一位資料科學家的歷程，內容相當精彩，製作也很精美耶！https://www.facebook.com/LeeMengTaiwan/posts/10220691442829365
👉李孟的超高含金量部落格，分享各種他在資料科學與機器學習上的應用經驗！https://leemeng.tw/
#他是資料科學家也是機器學習工程師 #自學資料科學與機器學習 #李孟
[學會 統計, 由混亂到清晰]本書從讀者在高中就學過的集合與機率論開始，帶您快速複習一遍，並將容易混淆之處多多舉例說明，並將以前似懂非懂的隨機 ... ... <看更多>
從資料pre-processing、處理變異量、建模、訓練模型等都會教，模型方面會把當前常見的統計模型都簡介一次，有時內容會涉及機器學習，但老師強調本堂課重視可解釋性， ... ... <看更多>
統計機器學習台大 在 [評價] 106-1 楊曙榮物聯網下商管統計分析- 看板NTUcourse 的推薦與評價
※ 本文是否可提供臺大同學轉作其他非營利用途？（須保留原作者 ID）
（是／否／其他條件）：是
哪一學年度修課： 106-1
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄) 楊曙榮 Sunny Yang
λ 開課系所與授課對象 (是否為必修或通識課 / 內容是否與某些背景相關) 商研所/工管系
δ 課程大概內容 下方為授課大綱
中文課名：物聯網下商管統計分析
英文課名：Quantity Business Science
1 15/09 Model thinking and data generating processes
2 22/09 Data thinking and estimation
3 29/09 Statistical models
4 06/10 Model comparison
5 13/10 Interactions
6 20/10 Computationally intensive methods
7 27/10 Generalized linear models: Counts
8 03/11 Generalized linear models: Mixtures
9 10/11 Multilevel models
10 17/11 Measurement errors and missing data
11週表定後面是group project與individual assignment的討論
實際授課進度比大綱慢上許多，最後課本沒有上完
Ω 私心推薦指數(以五分計) ★★★★★ ★★★★★
η 上課用書(影印講義或是指定教科書) 一本是指定其餘選讀
required: McElreath, R. 2016. Statistical Rethinking. CRC Press.
suggested:
Braun, W. J. 2016. A First Course in Statistical Programming with R,
Second Edition. Cambridge University Press.
Chang, W. 2013. R Graphics Cookbook. O’Reilly Media.
Diez, D. M. 2015. OpenIntro Statistics, 3rd Edition.
CreateSpace Independent Publishing Platform
Verzani, J. 2002. simpleR – Using R for Introductory Statistics.
required那本基本上是必備，台大圖書館借的到，也可以買電子書，記得滿貴的
學期初老師原本問大家要不要訂紙本書，但一本破千所以沒有很多人
到最後書商也不想幫忙進貨因為量太少了，所以大家多半是買電子書
或是想辦法從台大借、跟別人一起看
其餘的都是為了讓大家上手R才選的，跟課程內容沒有太大關係
μ 上課方式(投影片、團體討論、老師教學風格)
"This course is the first course in quantitative business science
for data analysts." syllabus 上的第一句話
這堂課的架構大概是這樣：
基底－貝氏統計（Bayesian Statistics）（相對於古典學派）
內容－參考上面的每周進度，linear models/multivariate linear models/
information criteria/markov chain monte carlo/big entrophy等等
詳細可以直接搜尋required textbook的各個章節就大概可以知道這堂課的內容
工具－R language（用R來實現統計觀念與建立模型）
上課的過程大概是這樣：
每週上課有指定章節，有些人會自己先讀課本再上課比較容易聽懂
上課模式則是老師會在CEIBA上放slide，slide是每個章節的整理
老師會先講觀念接下來講解 R 的 code 再接著向後講解
學期前段最後老師會讓大家討論，學期中後因為進度壓力就沒有了
學生：
自己的觀察是大概有兩群，一群是統計/程式底子比較硬的學生
有不少商研所/國企所/經濟學生，也有外國人，有幾個很厲害
跟一群統計/程式底子比較沒那麼硬的大三大四為主的大學部同學
雖然大家實力應該差滿多，但不同學生都會有各自的收穫
第一群人上課問的問題有時候第二群人都聽不懂
因為光是要搞懂觀念跟程式碼在幹嘛就要花很多時間
但第一群人還可以比較貝氏學派跟頻率學派的差異
或者是指定教科書上作者採用的某些例子背後的原因等
好處是老師會因材施教，就算程度很差還是會回答
其他教材：
如果不習慣聽老師的英文（雖然老師英文不錯但口音有點重）
可以直接搜尋教科書的書名，youtube上有所有的英文影片
印象中是作者在教授這堂課的時候錄製的，老師應該是參考它的架構
這樣應該也可以跟上課程進度，但我自己以看教科書跟上課為主
σ 評分方式(給分甜嗎？是紮實分？)
給分應該算紮實甜但成績分布還沒出若之後有出的話會更新
ρ 考題型式、作業方式
沒有期中考期末考
有group project跟individual assignment
前者是老師將大家打散後分組，要交出一個跟本堂課程有關的報告
規定要錄製youtube影片（用英文），內容要有R code
並且一定要使用 R 的 shiny套件，評分標準則是 data-driven innovation
以及 social impact，原本要上台報告但後來沒有，最後會有 peer review
就團體報告而言，最後結果可大可小，有組同學只用了10*2以內的資料
也有組同學用了10*6以上的資料，因為背景不一樣，老師想看的其實還是
跟課程有關的東西，還有 R shiny 的運用
後者跟前者類似，規定分學術類或應用類，前者除了前述標準以外，還有
research impact，跟後者的research impact遙相對應，也可以寫 R package
自己認識的同學都以應用類為主，也要用 R shiny，錄youtube or word 10 pages
有上課作業，大概六次，需要花一定的時間去寫，都跟教科書的code有關
整體而言，需要花滿多時間去做的
當然也可以走輕鬆風：
跟同學借作業來看、小組作業靠隊友、個人作業做一個簡單的linear regression
不過這樣可能會學不到太多東西，而且助教其實都知道大家有沒有用心做喔～
有聽到他在和其他同學聊天，所以偷懶也是會被發現的
ω 其它(是否注重出席率？如果為外系選修，需先有什麼基礎較好嗎？老師個性？
加簽習慣？嚴禁遲到等…)
這堂課算有點重，很多人第一堂聽完老師說明就離開了
留下來的人的想法大概也是滿重的吧（至少對上面講的第二群學生來說）
前兩堂課會教 R 但沒有教很多，syllabus上有指定一些資源當作業或練習
是 datacamp 上的免費練習，全部上完之後就可以初步跟上這堂課的code
課程的code並不會太難，有出現新的用法作者都會在書中詳盡的解釋
但課本不會講任何 R 的基本觀念 e.g. data frame 跟 list的差別
也不會介紹 if else, for, while 等等
因為這門課主要是把 R 當作統計觀念的實作工具而已
儘管如此，如上所言只要走完 data camp 就可以跟上課程的 R code進度了
這是我認同這門課的一個重要原因，有同學修系上其他課
直接硬塞超過負荷的進度，即使自學也沒辦法跟上腳步
可是這堂課的自學是合理的，老師會給一些資源還有參考書讓你自己碰
新進度又不會讓學生沒有機會趕上，如果只是寫作業那 R 的運用綽綽有餘
只是如果要在 group project 跟 individual assignment有所表現
就要花時間理解 R 跟處理資料，要不然會很麻煩
只有 data camp 就會有點不夠
外系滿多（商研/工管以外）加簽要寫類似 data camp的題目當作業
有程式經驗的人會比較容易跟上，沒有的話可能要想一下
一開始沒有經驗/統計不熟還跟得上，越後面會越艱深
再加上團體跟個人作業要一直用 R ，沒寫過程式的人可能會有點疲倦
Ψ 總結
老師剛從英國回來，是個很有熱忱的人，專長在operations（營運）跟supply chain（供應鏈）
擅長數量方法，如果管院同學有感於先前碰了很多理論卻沒有發揮機會的話
可以考慮嘗試看看，可能會有點不一樣的感覺，是一堂很紮實的課
不同能力跟不同背景的人會有屬於自己的收穫
老師對大家的期望很深，希望學生可以累積hard skill（再次強調是因為課開在管院）
有時候會分享自己之前在英國的經驗，私下也會聊天
上課的時候老師也有提到想要開一個MCDA module
Business Data Analytics Module（MCDA）Proposal
Model Thinking, Computational Thinking, Data Thinking
What is MCDA? Modeling + Computing + Data = Analytics
上面這是上課老師給大家討論的東西，還問大家說這樣的課程內容如何
不一定真的會開但是一個讓大家思考的東西
總結而言，老師對於數量方法在商業上的應用很有熱忱
有時候會語重心長的和大家講說學習這些東西的重要性（管院的理論課滿多的）
也非常關心學生的興趣/畢業職業發展
很認真地詢問大家對於課程的規劃還有修課想法等
是我這學期最喜歡的一堂課與最喜歡的一位老師
--
「我的朋友也是，一方面說著獨立統一，憤恨政治壓迫，一方面品酒把妹，把那些付出真
情的低階傻妹亂睡一通，睥睨她們的失落與眼淚卻毫無憐憫。」李維菁
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 112.104.142.123
※ 文章網址: https://www.ptt.cc/bbs/NTUcourse/M.1517418660.A.20C.html
... <看更多>