Search
參考，看雅琴的理解對不對～很多人在問：什麼是400例校正回歸上週～我的理解是，今天驗出確診是321，另外的400例，他不是發生在今天的這個範圍，他是之前有14,000例的塞車然後驗出來的確診.所以他要分攤到前面的那幾些天～以前的數字都要再加上去。＄根據指揮中心校正公布，5/16原206例，校正後245例；5/17原333例，校正後406例；5/18原240例，校正後325例；5/19原267例，校正後359例；5/20原286例，校正後360例；5/21原312例、校正後349例。
＄如果把上個星期塞車的例子都算到今天的話就會有一個誤解以為我們的疫情是在禮拜六爆衝，但是那並不是事實.應該是說我們的疫情是：之前沒有那麼低要分攤+400例啦。
#不是一天爆衝700啦。但盡量別塞車，否則每一天可能都要來個校正回歸～大家加油😊👍👍👍
突然想到微積分的線性回歸，哈哈。
＄校正後：5/16起～245例，406例；325例，359例，360例，349例，今天5/22是321例～
#每日5分鐘快速添補AI知識與技能
回歸是一種解題方法，或者說「學習」方法，
也是機器學習、資料探勘中一塊比較重要的概念。
⠀⠀
線性回歸對於機器學習／資料科學的初學者來說，
是知名度最廣的建模方式之一。
它為市場研究員、資料分析師、資料科學家，
構建預測模型提供各種重要變數。
⠀⠀
快速帶你了解線性回歸分析👇
https://blog.tibame.com/?p=17918
⠀⠀
#AI60問 #回歸分析 #線性回歸分析
由TibaMe彙整
【AI／資料科學不可不知的60道問題】
每週4篇AI新知識，一次只要5分鐘，
具備AI跨域知識，為職場技能加分💪
#學習寫程式 #誰可以成為軟體工程師 #小吃貨轉職日記 #個人心歷路程
不知道是否還有人記得，很久以前我問了大家一個問題是，覺得什麼樣的人可以成為軟體工程師。
其實一直以來，我覺得只要會英文的人就可以學會寫程式，就可以成為軟體工程師。
為什麼會這麼覺得呢？
首先，就像是，你覺得誰學會使用電腦是一樣的道理。如果你在三十年前問大家這個問題，可能很多人會覺得，只有念相關科系的人可以學得會。
在我們還在DOS的時代，還在打指令的時代，那時只要會打字，就可以成為文書處理專業。沒錯，那個年代，文書處理是一個科系。
但現在，有誰會去大學念一個科系，只有學打字使用Microsoft Office系列。
當然，軟體工程師也並不是一個容易的職業，就像我之前提過的，這個職業也有很多利與弊，不是像外面形容的那樣，好像坐在電腦前面打打字就可以做的，或者像其他工作那樣，可能學了一技之長可以用很久，這個行業的一技之長，可能很快就過保鮮期了。
回到學習寫程式這件事情，在台灣聽很多人都說，「啊！寫程式就是要有天份啦！」「聰明的人啊！」也看過很多網路上的人在吵，資工vs 資管 vs 非本科系什麼之類的。
最近有朋友問我說，為什麼在台灣的時候學不會，可是來英國以後我就學會了，是因為來英國以後特別努力嗎？
其實你到現在問我學會了嗎？我也不會跟你說我什麼都會。但的確光是coding這點，我覺得在台灣學習跟來英國學習最大的差異還是在，學習的動力上面。
在台灣的時候，其實有點為了學而學，從來沒有思考過自己是否真的有興趣，有時候以為自己其實也滿有興趣的，因為那些東西以前沒有碰過，可是只要碰到一點瓶頸 ，就會開始退縮，覺得好煩喔！這些東西怎麼這麼難，只要上課聽不懂老師在說什麼，就會很不想繼續學。
在台灣除了去資工系修課以外，也有去台大資訊系統訓練班上過課，也有上過一些線上的課程。
幾乎都是同樣的感覺，甚至覺得，自己是不是年紀大了，感覺什麼都學不會，聽不懂，自己好像很笨。
來了英國以後，上課的第一天，老師說，我會用英語授課，而且不會為你們放慢速度，因為你們必須要去習慣。當時覺得自己更不可能聽懂，也不可能學會。
可是我們上課的狀況通常是，一天上課兩個小時，上完以後有兩個小時的實驗課，大家坐在電腦前，老師一個一個看你做的東西，從很小的東西開始學。
我覺得這個應該算是滿關鍵的，就是有沒有動手實作。然後不會的話老師也很耐心的教，此外老師還有另外的課後時間，只要我們有問題都可以去找他。
在實驗課的時候，中間只要卡住，老師也會盡量讓我們自己去思考，而不會直接告訴我們答案，例如會問我們，為什麼你想這麼做，這麼做的原因是什麼。
我記得很久以前在台灣的大學，問了老師一個問題，老師的答案是，你以後就會知道了。當下其實就讓人覺得有點反感，而且後續問老師很多問題，老師也是都這樣，這個以後就會學到了。
我自己算是一個滿會因為老師而喜歡一個科目或不喜歡一個科目的人。就像我小時候很討厭數學課，也是因為不喜歡數學老師。也不是真的不喜歡，就是有一種覺得，反正老師也不在乎我學不學的會，只在意那些學得好的人。
在台灣也聽過很多人說，啊要學會寫程式，數學就要先打好基礎，數學不好怎麼寫程式。可是真的成為工程師以後，在工作上根本沒用到什麼基礎數學啊！
其實在英國也遇過很多數學系畢業的，可是害怕寫程式的人也很多，他們這邊通常學校會有一兩堂課是寫程式，可能學個Python, 像我之前念書的學校，學不好的很多，一些很厲害的大學的數學系，也有人就乾脆放棄那門課，不學，因為覺得很複雜，他們寧願把時間拿去研究純數。
不過現在的電腦，都會幫你做好各種基本數學運算了，大部分現在的程式語言，你要跑什麼線性回歸什麼的都幫你做好了，也想不到什麼時候會用到三角函數之類的，除非你的工作是什麼data scientist 之類，可能要建立複雜的數學模型，或者quant 那類的，不然就算你要做Machine Learning這類的東西，也有很多已經現有的工具，軟體工程師大部分就是拿來跑一跑。
要是你真的是做機器學習相關的研究，人家也不要你軟體工程師，人家要的是資料科學家背景，人家至少要你有個PhD唸完再來，你要至少會讀paper, 寫paper做研究啊!!
如果是醫學相關的軟體，需要有專業技能，人家也要找醫學背景的來，如果是金融相關的，需要有非常多的金融專業技能，當然也是從金融背景的比較容易。
通常軟體工程師，普通的軟體工程師職缺，就是不太會需要太多納些相關的專業領域，他們也願意你進去了再學，你主要需要的是快速學習、適應環境的能力，還有溝通能力，這樣如果跟其他專業領域的科學家、研究員、分析師溝通之類的，至少你可以不會有太多的障礙。
當然，軟體工程師的工作也可以細分成很多領域，像是遊戲產業的軟體工程師，或者IoT產業的軟體工程師，甚至還有像是軟體架構師、軟體分析師、資料工程師之類的，他們可能需要使用到的技能也不一樣，但也不會沒事就需要叫你算個三角函數之類的.........通常你的背景還是在於你對於寫程式的熟悉程度，你會使用那些工具，你是否是個團隊合作的人，能否跟大家一起寫程式。
總之，回到前面說的，所以到底學習寫程式需要什麼，英文真的是很重要的一環，因為程式語言本來就是英文為主，在來就是網路上的資源，也幾乎都是英文為主。還有你寫程式的環境，也幾乎都是英文，像是你使用的工具，回報給你的錯誤訊息也常常可能是英文的。
來英國以後一直在思考的一點，在台灣討論到會不會寫程式，或者學不學的會，通常英文好的話，也可能在閱讀文件方面比較快，可以快速學到一些東西。
語言也不是全部，如果已經在工作的話，工作環境也很重要，學習環境也很重要，在學校如果遇到一個很好的老師，或者有一起學習的夥伴們，也會比自己一個人獨自專研來的快，不過每個人的學習方法不同，更重要的是找到自己喜歡的學習方法。
反正如果你想學的話，也不用管其他人講什麼，想學就學啊！當初我要學的時候，也很多人覺得我不可能學的會或者不可能成為軟體工程師之類的。
其實也不是因為我原本念歷史系的原因，主要就是，大家覺得，我是一個沒有邏輯，邏輯不好的人。還有覺得我是一個三分鐘熱度的人，以及數學指考考了不到30分。這些我也都寫在部落格裡面了，所以一直以來都有在看我文章的人，大概也都知道了。
當時，我大概聚集了所有身邊當工程師的朋友，都覺得不可能會成為工程師的因素吧！但現在我還是做為一個軟體工程師賺錢就是了。
有時候想做什麼就去做，反而是一件比較容易的事情。尤其是學習這種事情，網路上也有很多資源可以學習也不一定需要花錢。
在學校的時候，除了老師給予我一些自信以外，另外也是在英國認識了一些人，給予了一些鼓勵，有些素未謀面的人，也有些一面之緣的人，可能也是因為他們不認識原本的我，所以都覺得，沒有什麼是我不能找到工作或成為軟體工程師的原因。
現在想想，或許這就是初生之犢不畏虎的概念，當初沒有想太多就跑來英國，然後來了以後才開始覺得必須要努力一點才能找到工作，中間也遇到了很多困境，工作以後也曾經想過要放棄當軟體工程師，想要去當個什麼辦公室助理之類的。
也經歷了很多覺得很困惑的時期，雖然自己現在還是滿困惑的。但我覺得如果你真的想要學習或者轉職，只要做好功課(這點真的滿重要的，至少不要覺得只是看別人好像不錯，就決定要去做，至少要衡量一下利與弊)，就可以去做吧！也不用管別人說你適不適合走這條路怎樣的。
每個人適合走的路也不太一樣，還沒走之前都看不到，就算你看身邊的人都怎樣，自己還是自己。
國立陽明交通大學-數據科學與雲端運算- Advanced visualization-機器學習
大數據利用時間的特性，以統計圖表呈現分析結果，以然成為一種企業尋找管理策略的方法。商業智慧的成功，當然也可以促成醫學智慧的成功。
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT
時間軸
00:00:00 E3下載範例
00:09:40 進階視覺化分析
01:28:00 機器學習-線性回歸做預測
01:40:00 機器學習-分群
長榮大學-視覺化分析3-機器學習
Can machines think? 電腦能思考嗎?機器學習的線性回歸與非監督式學習的分群，都可以幫助我們解決我們可能遭遇的問題。
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT
時間軸
00:00:00 取得範例
00:05:09 圓餅圖與群組直條圖的差別
00:15:20 動態散佈圖-行為模式
00:30:14 分類的關鍵影響因數
00:58:50 分析-經營法則
01:21:40 機器學習-分群
02:02:28 機器學習-預測
[A] 用R做線性回歸. lm : 方法; md : 模型; Milk : 目標變數Response, Dependent Variable (DV); Grocery : 預測變數Predictor, Independent Variable (IV); W : 資料. ... <看更多>
線性回歸 在 8.線性迴歸.ipynb 的推薦與評價
線性迴歸 (Linear Regression). Least Square Method (最小平方法). 假設一個地區的房價與坪數是呈線性關係，並以下圖中的三個點表示 ... ... <看更多>