🔥 เตรียมสอบสัมภาษณ์งาน ! มี Coding Interview ด้วย กังวลสุดดดด ๆ !!
.
หายห่วงได้เลย เพราะวันนี้แอดจะมาแนะนำ Coding Interview University หน้าเพจที่ให้เราได้ทบทวนความรู้เรื่อง Code และ Algorithm ตั้งแต่พื้นฐานจนขั้นสูงเลย ไม่ว่าจะเป็นเรื่อง :D
.
- Algorithmic complexity / Big-O / Asymptotic analysis
- Data Structures (Arrays, Linked Lists, Stack, Queue, Hash table)
- Binary search
- Bitwise operations
- Trees (Trees - Notes & Background, Binary search trees: BSTs, Heap / Priority Queue / Binary Heap, balanced search trees, traversals: preorder, inorder, postorder, BFS, DFS)
- Sorting ( selection, insertion, heapsort, quicksort, merge sort )
- Graphs ( directed, undirected, adjacency matrix, adjacency list
, traversals: BFS, DFS)
- Recursion
- Dynamic Programming
- Object-Oriented Programming
- Design Patterns
- Combinatorics (n choose k) & Probability
- NP, NP-Complete and Approximation Algorithms
- Caches
- Processes and Threads
- Testing
- Scheduling
- String searching & manipulations
- Tries
- Floating Point Numbers
- Unicode
- Endianness
- Networking
- System Design, Scalability, Data Handling
- Final Review
- Coding Question Practice
.
ก็มีให้แบบครบ เบิ้ม ๆ ไปเลยจ้าาา เอาเป็นว่า ถ้าใครคิดว่าตัวเรายังไม่พร้อม หรือ อยากฝึกสกิลก่อนสัมภาษณ์งานจริง แอดแนะนำเลยคร้าบบ <3
.
https://github.com/jwasham/coding-interview-university
.
borntoDev - 🦖 สร้างการเรียนรู้ที่ดีสำหรับสายไอทีในทุกวัน
同時也有11部Youtube影片,追蹤數超過8萬的網紅賭Sir【杜氏數學】HermanToMath,也在其Youtube影片中提到,?Matrix(矩陣)+3D Vector(向量)【奪回30分】皇牌課程? ? https://www.hermantomath.com/m2 ?賭Sir獨家送你優惠碼: HERMANTO ?Matrix(矩陣)+3D Vector(向量)【奪回30分】皇牌課程? ? https://www.he...
「data matrix」的推薦目錄:
- 關於data matrix 在 BorntoDev Facebook 的精選貼文
- 關於data matrix 在 BorntoDev Facebook 的最佳貼文
- 關於data matrix 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
- 關於data matrix 在 賭Sir【杜氏數學】HermanToMath Youtube 的最佳貼文
- 關於data matrix 在 prasertcbs Youtube 的最佳貼文
- 關於data matrix 在 prasertcbs Youtube 的最佳解答
- 關於data matrix 在 PuckBarcodeReader/datamatrix.md at master - GitHub 的評價
- 關於data matrix 在 DataMatrix-encoding with zxing only generates 14px bitmap 的評價
- 關於data matrix 在 怎麼生成批量data matrix for excel - Mobile01 的評價
data matrix 在 BorntoDev Facebook 的最佳貼文
🔥 "อยู่หน้าคอมได้สบาย ๆ ทั้งวันแบบนี้ ไปเรียนสายคอม สายไอทีเลยดีไหม ?"
.
"ชอบมากกกก กับการแต่งรูป ตัดวีดีโอ ทำกราฟิก งั้นเข้าเรียน Com sci / IT ดีกว่า"
.
"เล่นเกมนี่มัน สนุกจริง ๆ งั้นเรียนสายคอมดีกว่า เผื่อจะได้สร้างเกมกับเขาบ้าง"
.
‼ เดี๋ยวววววววว ก่อนนนนน ถ้ามีคำถามแบบนี้จนสนใจอยากเข้าเรียนสายคอมพิวเตอร์ ใจเย็นก่อนน !
.
เพราะไม่ว่าจะสายคอมอย่างสาขา ไอที, วิทยาการคอมพิวเตอร์ หรือ จนถึงวิศวกรรมคอมพิวเตอร์ ก็มีสิ่งหนึ่งที่ต้องรู้ไว้เลยนั่นก็คือ
.
"สาขาพวกนี้ส่วนใหญ่ ย้ำว่าส่วนใหญ่จะเรียนในสิ่งที่คนทั่ว ๆ ไปไม่ใช้รู้ หรือ หยิบใช้ในชีวิตประจำวัน"
.
😗 พออ่านมาตรงนี้ก็ต้อง "ฮะะ !? อะไรนะ เรียนไปก็ไม่ได้ใช้หรอ ?"
.
"ไม่ใช่เลยจ้าา ใจเย็นก่อนนะ 555 ไอได้ใช้อะ ได้ใช้แน่ ๆ แต่ที่เรียนมันคือสิ่งที่ตอนนี้หลาย ๆ คนอาจจะไม่ได้ใช้กัน และ ไอที่มักจะได้ใช้กันอยู่ในตอนนี้ ก็อาจจะไม่ได้เรียน"
.
เช่น ใครที่รักชอบ Photoshop วาดรูปใน illustrator มาก ๆ พอเข้าไปเรียนจริง ๆ เจอมากที่สุดอาจจะแค่ตัวเดียว หรือ คาบเดียว ใช่ฮะ อาจจะแค่วิชาเดียว เท่านั้น (ขึ้นกับหลักสูตรนะ เพราะ หลายที่ก็คือไม่เจอเลย)
.
อย่างของแอดเปรมที่เรียนในสาขาไอทีที่ลาดกระบังเจออยู่ 2 คาบ ถ้าจำไม่ผิด โดยการเรียนในคาบนึงจะเน้นไปที่ว่าเอ่อ เจ้า Tools พวกนี้มันใช้ยังไง ส่วนอีกคาบก็จะเป็น
.
🤣 "ไอเส้นที่แม่งขึ้นมาในระบบคอมพิวเตอร์เนี้ย มันมาจากอะไร สูตรยังไง แล้วทำไมมันถึงมีขอบเล็ก ๆ เวลาเราซูมพิกเซลของเส้น" 55555
.
เอ่อ จะว่าไปก็สนุกดีนะ แม้ว่าจะไม่ใช่วิชาที่แบบถนัดเท่าไหร่แต่ก็ทำให้เราได้รู้อะไรแบบนี้
.
หรือ อีกตัวอย่าง หลายคนเห็นชื่อวิชา "Computer Graphic" ในสาย Computer Science / Computer Engineering หรือ IT แล้วแบบ
.
🧑🎨 นี่แหละ สิ่งที่ตรูใฝ่ฝันมานาน กับการเป็นนักกราฟิกวาดรูป Digital สวยๆ
.
พอเจอความจริง ภาพทุกอย่างตัด เหมือนไฟตรงสเตทเวทีได้ดับลง
.
🔥 "เพราะเวลาเรียนจริง มันมีแต่ตัวเลข !! ชิหายแล้ว ทำยังไงดี !!?"
.
มันมาหมดเลยทั้ง Matrix, Vector ที่หลายคนปวดหัวปวดตับ
.
แต่ .. ทุกอย่างมันต้องมีเหตุมีผลของมันจริงมะ ? ว่าทำไมเราต้องเรียนอะไรพวกนี้ ?
.
คำตอบคือใช่ฮะ มันมี และ ไอโปรแกรมที่เราใช้ทุกวันนี้มันก็ใช้เรื่องพวกนี้อยู่เบื้องหลังทั้งนั้น
.
✅ รู้ไหมว่าการทำ Gaussian Blur (ไอที่ไว้เบลอรูป) ใน Photoshop ที่คลิกเดียว มันมีสูตรคณิตศาสตร์อยู่เบื้องหลังเต็มไปหมด ?
.
✅ รวมถึงแค่วาดเส้น Vector แบบที่ได้เล่าไปตอนแรก
.
✅ จนถึงใครหลาย ๆ คนที่อยากสร้างเกม สร้างแอปของตัวเองแล้วมาเจอกับ Programming ที่ลงมือเขียนโค้ดกันจริง ๆ และ ใช้ Logic ทั้งหมดในการกำหนดโครงสร้างการทำงานของเกม
.
(นี่ยังไม่รวมระบบฟิสิกส์ แสง เงา ในเกมอีกน้าา 555)
.
และ วิชาอื่น ๆ ที่ทำให้เรารู้เรื่องการทำงานของระบบคอมพิวเตอร์เชิงลึกไม่ว่าจะเป็น
.
👉 วิชาสถาปัตยกรรมคอมพิวเตอร์ ที่จะสอนว่า "เอ่อ ภายใน CPU ที่เราเห็น หรือ แค่ซื้อมาประกอบเนี้ยย มันทำงานยังไง" หลาย ๆ ที่ก็จะสอนเลยว่า สถาปัตยกรรมแต่ละแบบต่างกันยังไง Data ที่เราใช้กันมันวิ่งจากไหน ไปไหนบ้าง
.
👉 วิชาพื้นฐานดิจิทัล ที่ไม่ใช่ดิจิมอน (เด็ก ๆ เดี๋ยวนี้เกิดทันไหมไม่รู้ 555) โดยในวิชานี้จะเจอกันในปีแรก ๆ ที่เรียนไอที หลายคนรวมถึงแอดเปรมถือว่าเปิดหูเปิดตามากกกก
.
"เพราะแค่วงจร Logic (ไอตรรกศาสตร์ที่เรียนตอน ม.ปลายนี่แหละ) บวกความรู้เพิ่มเติมนิดหน่อย แม่งสร้างเป็นคอมพิวเตอร์ได้หวะ ! 555"
.
👉 หรือ รวมถึงอื่น ๆ มากมายไม่ว่าจะเป็น "Computer Network", "Computer Security", "Mobile App Dev" จนถึง "Software Engineering" ที่ให้เรารู้แต่ละอย่างแบบเต็มที่ ไม่หยุดไม่หย่อน 555
.
ซึ่งกลับมาประเด็นหลักของบทความนี้ก็คือ
.
ที่พิมพ์มาทั้งหมดไม่ได้ทำให้ใครกลัวว่า เอ่อ เรียนยากแน่ ๆ เลย แต่ แต่ แต่
.
📌 "เราจะได้รู้ตัวว่า มันเหมาะกับเราจริง ๆ ไหม ? หรือแค่ชอบอยู่หน้าคอมแค่นั้น"
.
เพราะแอดเปรมมั่นใจจัด ๆ ว่าจะมีน้อง ๆ หลาย ๆ คนอ่านบทความนี้แล้วรู้สึก ตื่นเต้น อยากเรียนจัด ๆ แน่นอน
.
ดังนั้น จึงแนะนำว่าอยากให้ทุกคนได้ลองหาตัวเอง, ลองเขียนโปรแกรมดูซักหน่อย, ลองศึกษาเรื่องอื่น ๆ เช่น เอ่อ Computer Network ทำงานยังไงเบื้องหลังดูซักหน่อย
.
📌 แล้วไปเปิดดูในหลักสูตรของมหาวิทยาลัย และ สาขาที่เราอยากเข้าว่าเขามีวิชาที่เราสนใจไหม
.
ไอบรรทัดบนเนี้ย ย้ำเลยนะว่าต้องเปิดดู !!! เพราะไม่งั้นจะมีคนถามว่า สาขานั้น สาขานี้เหมาะกับเราไหม ? เหมาะกับหนูไหม ? เพียบบ
.
บางสาขา บางมหาวิทยาลัย อัพเดตหลักสูตรกันทุกสองสามปี ดังนั้นไปดูที่ตัวหลักสูตรจะชัวร์ และ เป็นปัจจุบันที่สุดจ้าาา
.
ทั้งนี้อย่างที่แจ้งให้ทราบกันน้า ว่าถ้ามันเหมาะกับเราแล้ว ก็ลุยไปให้สุด เพราะแอดก็ยินดีเอาใจช่วยทุกคนเต็มที่คร้าบบบ <3
.
borntoDev - 🦖 สร้างการเรียนรู้ที่ดีสำหรับสายไอทีในทุกวัน
data matrix 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
訓練AI模型,要多少數據?拆解企業人工智慧專案為何難落地
2020.12.09 by 若水AI Blog
企業導入AI似乎已成為一種趨勢,但是訓練AI模型,需要多少數據?其背後的商業命題與成本又該如何解決?帶你來一起窺探AI專案背後的秘密!
企業的AI專案在釐清問題本質、找到命題之後,首先會面臨到一個問題:收集數據(Data Collection)和建立AI模型(Model Establishing),該以什麼作為評估基準?
訓練一個AI數據模型,需要多少數據?
訓練AI數據模型時,其實有三個要素,彼此互相影響。分別是: 商業問題的複雜度 、 AI模型複雜度 (Model Complexity),以及 數據複雜度 (Data Complexity)。
因此,如果想知道需要多少訓練數據(Training Data),建議先釐清:這個AI專案到底要處理什麼問題,以及這個問題有多複雜?確定之後,再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度,用不同複雜度的模型和精準數據彼此搭配,找出最佳平衡,才能讓AI專案順利落地。
但光憑想像,很難評估實際的AI數據量和成效,所以開始AI的第一步,需要先透過POC概念驗證(Proof of Concept)實驗來找答案。
簡單來說,就是針對不同複雜程度的商業問題,嘗試選用不同複雜度的模型搭配測試,直到模型跑出來的曲線,符合理想目標。
一般狀態下,假設商業問題本身的複雜度很高,我們會預期要選擇複雜度較高的模型。但是如果數據量不足,那麼選擇複雜度較高的AI模型,反而會比用簡單的AI模型效果還差。(上圖左上、右上,分別代表複雜度10和複雜度50的問題,可以明顯看出複雜的模型曲線比較接近學習數據集(Dataset),但是在測試數據集上的誤差 Eout,反而比簡單模型還差了許多。)
上圖的左下和右下,是以不同複雜度的模型去做POC,跑出來的結果曲線圖。藍色線代表的是學習數據(Training Data)成效,紅色線代表的是測試數據(Testing Data)成效。最理想的POC目標,應該是兩條曲線很貼近彼此,而且位置越低越好。
我們會發現,左下這張圖的兩條曲線雖然彼此貼近,但是就算增加數據,也無法降低誤差。這表示模型偏誤(Bias)高,效果不佳,應該要增加模型複雜度 (Model Complexity)。
增加模型複雜度之後,就會像右下這張圖,藍色曲線(學習數據)雖然數值很低,但在學習數據不足的情況下(灰色區塊),紅色曲線(測試數據)卻「飄」得太高。這表示模型變異誤差(Variance)高,應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後,我們就可以達到理想的結果(兩條曲線很貼近彼此,而且位置越低越好)。
數據哪裡來?發展AI人工智慧之前,先建立數據流
先前我在文章裡提到,很多企業會急著開發AI模型,但AI專案落地經驗的三大關鍵之一,其實是先確認:是否已經準備好數據了?如果沒有這樣的能力,談AI落地其實有點好高騖遠。
AI數據收集(Data Collection)最大的挑戰,在於針對不同型態的命題,會產生不同的AI數據需求,因此需要建立的「數據流」(Data Pipeline),AI數據處理 (Data Processing)和數據標註(Data Annotation)的模式及流程也會有所不同。
發展AI之前,如果能建立起從數據收集(Data Collection)、數據處理(Data Processing)到AI模型學習的數據流(Data Pipeline),並確保可以順暢運行,實際訓練AI模型時才會省力很多。
數據不夠或太多怎麼辦?
Google開設的機器學習(Machine Learning)課程中,第一項原則就開宗明義地指出:「Don’t be afraid to launch a product without machine learning」。
如果你的產品或業務不一定需要用到機器學習(Machine Learning),那就別用,除非你有AI數據。有數據,再來談機器學習(Machine Learning)。但在業界的實際狀況,大家不是沒有數據,而是只有一些些,這時候該怎麼辦?我會建議,先從小地方開始做起,也就是從POC專案著手。
POC專案要有具體成效,除了要注意設計專案、實驗模型的指標(Metrics),企業最重要的是要先定義清楚:AI專案要達到什麼樣的指標,才算是成功?這樣最後做出來的成果,才會真正符合商業目標。
如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?
我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。
過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。
猜猜結果如何?兩次實驗的表現,只差異不到1%。
所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。
AI模型訓練,記得校準商業目標
企業發展AI人工智慧的最終目的,還是希望能 達到商業目標,創造價值 。
所以,訓練AI模型時,團隊如果不知道如何判斷哪個指標,對AI模型學習來說比較重要,建議回歸初心,重新釐清「 這個專案想達到的商業目標是什麼 」。
比方,趨勢科技(Trend Micro)要開發一個能夠判斷電腦病毒的AI,但是勒索病毒(denial-of-access attack)和廣告病毒對客戶的傷害程度大不相同。這時候,工程師就會針對這個命題,餵給AI模型不同病毒種類的數據,讓它學會判斷不同病毒的重要性,分辨出哪些病毒比較嚴重不能有判斷錯誤,而哪些病毒比較無害,不一定要做到一百分。
最常見的訓練方法,是用成本函數(Cost Function)的方式,訓練完再回去調整AI模型的評分(Rating),用加扣分的方式,告訴機器它的學習表現是好是壞,做對就加分,做錯就扣分。
上述評分原則的制定,和企業的商業價值考量息息相關,所以一般在組織分工,會由PM專案團隊負責判斷哪些項目重要,請資料科學家設計在上述Cost Function裡面。
很多人以為,AI人工智慧開發要做到很完美才行,但其實根據我們的經驗,只要AI開發成本符合預算、AI模型表現可接受(大約做到60–70分),而且結果有助於降低成本,就可以算是達到商業目標。反過來,即使AI模型表現非常好(高達90分),但成本卻遠超出預算,就不建議執行。
另外,因為POC階段會做很多的實驗,需要拿兩個穩定且可以互相比較的基準做A/B Test,所以做好基礎建設非常重要。
如果一個團隊裡面有三位工程師,但三個人做出來的結果都無法互相比較,那麼這個實驗就會變得霧裡看花,導致AI專案難以落地。
AI數據小學堂:模型指標(metrics)
在做模型實驗時,通常會用混淆矩陣(Confusion Matrix)的四種指標:TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative),以及Count、Unique和Accuracy等等函數,來判斷這個模型的表現好不好。
P或TN值,代表模型辨識的答案正確,和預期結果一致。例如:模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值,則代表模型的判斷錯誤,例如「明明是貓,模型卻說不是貓」、「明明不是貓,模型卻說它是貓」。
附圖:AI模型 若水國際
AI模型的POC概念驗證實驗怎麼做?
資料來源:https://www.bnext.com.tw/article/60440/ai-strategy-04?fbclid=IwAR1SOhjjGxypdGgOGfaBIl_a1IsZFJAQZ8J2aeDd98spbUfOdg7hiPQP7UA
data matrix 在 賭Sir【杜氏數學】HermanToMath Youtube 的最佳貼文
?Matrix(矩陣)+3D Vector(向量)【奪回30分】皇牌課程?
? https://www.hermantomath.com/m2
?賭Sir獨家送你優惠碼: HERMANTO
?Matrix(矩陣)+3D Vector(向量)【奪回30分】皇牌課程?
? https://www.hermantomath.com/m2
?賭Sir獨家送你優惠碼: HERMANTO
?Matrix(矩陣)+3D Vector(向量)【奪回30分】皇牌課程?
? https://www.hermantomath.com/m2
?賭Sir獨家送你優惠碼: HERMANTO
----------
#報讀方法於說明文 #獨家優惠碼 #HERMANTO
----------
?️賭Sir是杜氏數學Herman To Math的始創人
?全港唯一「完爆」【DSE Core+M1+M2】、【IAL 12科Maths】、【AL Pure+Applied】、【CE Maths+A.Maths】的數學導師
?全港第一最多訂閱粉絲的數學教育YouTuber
?YouTube觀看次數超越700萬、訂閱粉絲超過70000人
----------
? Mensa Club member
? 中文大學 數學碩士畢業(Big Data stream)
? 中文大學 風險管理學士畢業
----------
?流行文學作家,出版著作:
《賭馬男人嫁得過》?(2020)
《YouTuber新手到網紅》?(2019、2020再版增訂本)
《5**數學男人嫁得過》?(2019)
《碌葛男人嫁得過》?(2018)
《賭波男人嫁得過》?(2018、同年再版)
----------
賭Sir考試戰績:
新制中六DSE: (2016 M2 + 2017 M1)
?數學必修 (Mathematics) 一take過 奪5**
?數學延伸M1 (Calculus and Statistics) 一take過 奪5**
?數學延伸M2 (Algebra and Calculus) 一take過 奪5**
國際高考International Advanced Level: (2017 + 2018)
?Core Math 1 2 一take過 奪A
?Core Math 3 4 一take過 奪A
?Further Pure Math 1 一take過 奪A
?Further Pure Math 2 一take過 奪A
?Further Pure Math 3 一take過 奪A
?Mechanics 1 一take過 奪A
?Mechanics 2 一take過 奪A
?Mechanics 3 一take過 奪A
?Statistics 1 一take過 奪A
?Statistics 2 一take過 奪A
?Statistics 3 一take過 奪A
?Decision Math 1 一take過 奪A
舊制中七高考: (2011)
?純粹數學 (Pure Mathematics) 一take過 奪A
?應用數學 (Applied Mathematics) 一take過 奪A
舊制中五會考: (2009)
?數學 (Mathematics) 一take過 奪A
?附加數學 (Additional Mathematics) 一take過 奪A
data matrix 在 prasertcbs Youtube 的最佳貼文
เนื้อหาในคลิปนี้ประกอบด้วย
1. 01:49 วิธีการสร้าง numpy array จาก string ด้วย np.fromstring()
2. 03:05 การเก็บ numpy array ไว้ใน pandas DataFrame
3. 04:50 การแสดงรูปที่เก็บใน numpy array ด้วย matplotlib plt.matshow()
4. 09:40 การบันทึกไฟล์ภาพที่สร้างจาก numpy array
ดาวน์โหลด Jupyter Notebook ที่ใช้ในคลิปได้ที่ ► http://bit.ly/2RGxHsX
เชิญสมัครเป็นสมาชิกของช่องนี้ได้ที่ ► https://www.youtube.com/subscription_center?add_user=prasertcbs
playlist สอน Numpy ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFNEpzsCBEnkUwgAwOu_PWw
playlist สอน Jupyter Notebook ► https://www.youtube.com/playlist?list=PLoTScYm9O0GErrygsfQtDtBT4CloRkiDx
playlist สอน Jupyter Lab ► https://www.youtube.com/playlist?list=PLoTScYm9O0GEour5CiwfSnoutg3RyA76O
playlist สอน Pandas ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGsOHPCeufxCLt-uGU5Rsuj
playlist สอน matplotlib ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGRvUsTmO8MQUkIuM1thTCf
playlist สอน seaborn ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGC9QvLlrQGvMYatTjnOUwR
playlist สอน Python สำหรับ data science ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFVfRk_MmZt0vQXNIi36LUz
playlist สอนภาษาไพธอน Python เบื้องต้น ► https://www.youtube.com/playlist?list=PLoTScYm9O0GH4YQs9t4tf2RIYolHt_YwW
playlist สอนภาษาไพธอน Python OOP ► https://www.youtube.com/playlist?list=PLoTScYm9O0GEIZzlTKPUiOqkewkWmwadW
playlist สอน Python 3 GUI ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFB1Y3cCmb9aPD5xRB1T11y
playlist สอนการใช้งานโปรแกรม R: https://www.youtube.com/playlist?list=PLoTScYm9O0GGSiUGzdWbjxIkZqEO-O6qZ
playlist สอนภาษา R เบื้องต้น ► https://www.youtube.com/playlist?list=PLoTScYm9O0GF6qjrRuZFSHdnBXD2KVIC
#prasertcbs #prasertcbs_numpy
data matrix 在 prasertcbs Youtube 的最佳解答
ดาวน์โหลด Jupyter Notebook ที่ใช้ในคลิปได้ที่ ► http://bit.ly/2NXzDdS
เชิญสมัครเป็นสมาชิกของช่องนี้ได้ที่ ► https://www.youtube.com/subscription_center?add_user=prasertcbs
สอน Pandas ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGsOHPCeufxCLt-uGU5Rsuj
สอน Jupyter Notebook ► https://www.youtube.com/playlist?list=PLoTScYm9O0GErrygsfQtDtBT4CloRkiDx
สอน Machine learning ► https://www.youtube.com/playlist?list=PLoTScYm9O0GH_3VrwwnQafwWQ6ibKnEtU
สอน Python สำหรับ data science ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFVfRk_MmZt0vQXNIi36LUz
สอน Numpy ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFNEpzsCBEnkUwgAwOu_PWw
สอน matplotlib ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGRvUsTmO8MQUkIuM1thTCf
สอน seaborn ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGC9QvLlrQGvMYatTjnOUwR
สอนภาษาไพธอน Python เบื้องต้น ► https://www.youtube.com/playlist?list=PLoTScYm9O0GH4YQs9t4tf2RIYolHt_YwW
สอนภาษาไพธอน Python OOP ► https://www.youtube.com/playlist?list=PLoTScYm9O0GEIZzlTKPUiOqkewkWmwadW
สอน Python 3 GUI ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFB1Y3cCmb9aPD5xRB1T11y
สอนการใช้งานโปรแกรม R: https://www.youtube.com/playlist?list=PLoTScYm9O0GGSiUGzdWbjxIkZqEO-O6qZ
สอนภาษา R เบื้องต้น ► https://www.youtube.com/playlist?list=PLoTScYm9O0GF6qjrRuZFSHdnBXD2KVIC
#prasertcbs_datascience #prasertcbs #prasertcbs_pandas
data matrix 在 怎麼生成批量data matrix for excel - Mobile01 的推薦與評價
怎麼生成批量data matrix for excel - 各位好小弟有要用到大量的data matrix , 網站上都是一個個照片生成有沒有什麼軟體可以大量生成後轉成WORD 或EXL ... ... <看更多>
data matrix 在 PuckBarcodeReader/datamatrix.md at master - GitHub 的推薦與評價
Data Matrix. A Data Matrix is a type of two-dimensional barcode similar to the popular QR code. The wikipedia page contains an excellent summary and a full ... ... <看更多>