Search
AI/ML 運算，容易遇上延遲、耗電、成本高的窘境？💥 如何優化以實現低功耗與高效率？
Arm 很有誠意的直接 Demo 給你看！
2021 Arm 終端 AI 運算生態高峰會，將由完整開源 AI 生態系夥伴以及 Arm 首席應用工程師親自 Demo 利用各式開源軟體開發 Endpoint AI，提升軟硬體效能、優化工作負載
還有 「AI 界網紅」台大電機系副教授李宏毅揭曉讓 AI 使用未標註的資料進行學習的超實用心法，把資料蒐集、清洗成本都砍到最低
🚀 人工智慧是以「週」為單位快速發展，抓緊 7 大 session 以及和每位講者進行 QA 解惑的機會
報名還有機會拿到實用小禮 >> https://supr.link/DqrwZ
#AI #人工智慧 #機器學習 #TensorFlow #ONNX
Tesla AI Day 之四 DOJO道場
為更快讓機器學習，他們自建了自己的晶片到晶片組到機隊，邏輯是，怎麼更快讓自動駕駛到各國各地各村莊，但各地方的車流和駕駛文化差這麼多，惟有快速的模擬，機器學習，才能辦到
Dojo是個破壞式的創新，有一天你可能會發現家裏的阿姨是用道場訓練出來的機器人
張渝江 章魚哥 Eugene Chang
台大土木法律學碩士，芝加哥伊大財經MBA
土木技師，土木技師公會副理事長
#SYSTEX的企業社會責任 #軟體青年培力 #YTP少年圖靈的故事
現在就讀台大資工系二年級的 #施名軒，從高中開始自學程式，後來抱著可以拿獎金、到台北做專題的想法， 和另外兩名建中同學組隊報名 #YTP少年圖靈計畫。
他們在準備專題的過程中，經過 #台大資工系教授鄭卜壬 以及精誠志工導師的指導，以及他們本身的興趣，利用 #機器學習技術 來做 #音樂推薦引擎，最終獲得了第四屆第二階段專題實作的第二名。
施名軒說，「YTP跟其他比賽最大的不同，以及讓我收穫最多的就是『專題實作』，這是自學很難獲得的經驗，而我也是在製作專題的過程中，學會團隊合作、強迫自己去學過去沒有碰過的程式語法。對於現在大學經常需要做專題的我來說，也因此對主題更有想法、對實作內容也更有方向。」
他接著說，「希望YTP可以繼續辦下去，我也鼓勵學弟妹不要把眼光只放在比賽，多多去接觸不一樣形式的東西，可以讓學習經歷更加精采！」
🌱了解更多有關SYSTEX的青年培育計畫—YTP：https://www.tw-ytp.com/
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
🍿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
【 機器學習 2022】再探寶可夢、數碼寶貝分類器— 淺談 機器學習 原理 ... 【 機器學習 2021】Transformer (上) ... 2020 台大 電機營Elevate•28K views. ... <看更多>
【機器學習2021】(中文版). Please find all the slides and assignments at https://speech.ee.ntu.edu.tw/~hylee/ml/2021-spring.html. ... <看更多>
台大 機器學習 在 [評價] 110-1 林軒田機器學習- 看板NTUcourse - 批踢踢實業坊 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：
110-1
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
林軒田 教授
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)
資工所選修
δ 課程大概內容
Basic of Machine Learning
The Learning Problem
Feasibility of Learning
Theory of Generalization
Linear Models
Beyond Basic Linear Models
Combatting Overfitting
Wisdom on Using Machine Learning
Support Vector Machine
Bagging and Boosting
Decision Tree Ensembles
Gradient-Boosted Trees
Machine Learning Soundings
主要的目標是告訴你我們怎麼讓機器透過資料「學」到東西，怎麼確保機器在他
沒見過的資料裡面也能確保可以有一定程度的預測能力。為了說明以及證明這些東西，這
堂課的數學頗多，但證明完真的可以了解為什麼可以學習。後半的課程則提供了一些可能
可以讓學習變的更好的方法。
基本上大部分學習的model都在解決如何在一個多維空間裡面用一個hyperplane把
資料分成兩類，然後再推廣到其他東西。
Ω 私心推薦指數(以五分計) ★★★★★
只是想學習call library來硬train model ★
不想碰數學 ★
只想考試不想寫作業 ★
想了解機器是怎麼做到學習的 ★★★★★
想從頭到尾寫一個可以學習的程式 ★★★★★
η 上課用書(影印講義或是指定教科書)
μ 上課方式(投影片、團體討論、老師教學風格)
這個學期的主要上課方式是在youtube和cool上面直播然後用slido互動
(大部分的人採用補影片的方式)
σ 評分方式(給分甜嗎？是紮實分？)
無期中考，全部的成績都是用作業跟期末的kaggle競賽計算(期末project分數占
比大約跟2.5次作業差不多)
紮實甜，認真寫完作業跟Final project report基本上就是A以上
ρ 考題型式、作業方式
作業這學期大約兩周一次總共出了6次(原定7次)
每次是16題單選題(其中大約有4~5題需要跑程式)，作業過程需要和答案分開交到
gradescope，其中會抽出幾題改過程。作業內容大部份是上課證明的延伸，也透過引導幫
助你證出一些很方便的結論。抓出來改過程的那幾題會有滿嚴謹明確的給分，基本上就是
著重在有沒有把算式或證明的每個部分都說明清楚這樣。
loading的部分每份作業我自己加上跟同學討論的話約15小時解決。
Final Project是三人一組Kaggle競賽，其中90%的分數在report，只有10%是競賽
結果換算。Report的重點在使用方法的多樣性、說明的清不清楚、合不合理，以及能不能
光看你的report就重現你的方法(限制六頁)，至於實際表現成果不會占比那麼大。
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？
課程基礎上寫微積分、線代和機率，實際上用到的機率大部分都在高中範圍。
(更:電熊老師說沒有都在高中範圍，但我只會微積分覺得堪用(?))。
自己沒修機率併修線性代數數學基礎算是堪用，也會出一個HW0讓修課同學確定會
用到的數學基礎。
基本上要會寫程式不然作業會做不出來，雖然不限語言但是修起來的感覺會
python是最好，課程後半會用到的工具(liblinear、libsvm)也有提供python介面。
Ψ 總結
這次似乎是第一次開三學分的版本(基石+技法?)，所以跳過了一些證明。雖然
loading還是超出大部分三學分課程的重量，但是沒有之前傳聞中(?)那麼硬。以一個大二
生的觀點來講，我這個學期花在ADA的時間與ML的時間大致相同。
雖然課說硬，但老師進度其實不快(甚至常常被抱怨慢(X))，很多方法，都會一步
一步用圖像的方式展示演算法處理的過程，對我這種腦子沒轉那麼快而且抽象構圖能力很
差的人很友善，也讓整個說明變的很清晰。
推薦給所有對機器學習背後的原理有興趣的人~
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 180.217.73.217 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/NTUcourse/M.1643466551.A.26B.html
※ 編輯: fshjlin (180.217.69.113 臺灣), 01/30/2022 12:09:06
... <看更多>