11/20/2017

大數據更需要人文素養 (Liberal Arts in the Data Age)

吳佩玲,大數據更需要人文素養,哈佛商業評論,2017/7/31
J.M. Olejarz, Liberal Arts in the Data Age, Harvard Business Review, July–August 2017, pp.144–145.
根據以下三本新書,答案是:「很有用。」從矽谷到美國國防部,大家開始了解,若想有效解決現今面臨的最大社會與技術挑戰,我們必須仔細考量它們的人性面:這部分正是人文科系畢業生受過良好訓練之後培養的專長,姑且稱為電影、歷史、哲學書呆子的反撲。 
According to three new books, the answer is “Quite a lot.” From Silicon Valley to the Pentagon, people are beginning to realize that to effectively tackle today’s biggest social and technological challenges, we need to think critically about their human context—something humanities graduates happen to be well trained to do. Call it the revenge of the film, history, and philosophy nerds.

工研院的機台故障預診斷軟體


11/16/2017

YouTube 個人化推薦機制

2011 年到 2012 演算法由「觀看次數」改為以「觀看時間」為基礎, 他們發現到觀看次數並不能真實反應出推薦內容是否吻合觀眾所需,因此以「觀看時間」為算法重點,也就是觀眾對影片的黏著度有多高,以這樣影片的算法「觀看次數」在一天內跌了 20%,但平台觀看時間卻上升有史以來第二高,平均觀看時長從 120 秒上升至 140 秒。 
隨著行動世代的到來,2014-2015 年展開第二階段的優化,因應 60%的觀看時間發生在行動裝置上,YouTube 更新了行動版介面,調整首頁排版新增區塊像是:再看一次 Watch it Again 。另外也在此時由 Google Brain 團隊導入機器學習技術,增強個人化推薦機制。...

11/15/2017

阿里巴巴的「新零售」

其中之一重要角色就是我們 報導過的盒馬鮮生 ,它正是新零售戰略中真刀真槍的一環,許多新零售該怎麼做的概念都在這裡體現。仔細觀察盒馬鮮生的品項、品質、價格跟氛圍,很明顯主力客群就是那些消費力越來越成熟的都市中產;可是零售價格卻比想像中的低了一些。

黃士傑:AlphaGo Zero 只用了三天,就走過人類幾千年圍棋研究的歷程

人才、運算資源都齊備,AlphaGo 計畫也正式開始了。黃士傑分享,第一個突破是運用了神經網路的技術,原本還不確定是否會有效,沒想到實驗結果出來之後,對弈原始的版本竟然是 100% 的勝率,也讓團隊為之振奮。接著而來的第二個突破,則是價值網路的技術,其實當時的模擬,AlphaGo 如果上場比賽,勝率應該有七八成,可以算是世界第一了,但是 DeepMind 的目標遠高於此,所以持續擴充團隊,才有辦法做更多的研究,解決更多的問題。 
黃士傑也分享,其實在開發 AlphaGo 的過程中,每天就是訓練神經網路、測試、看勝率、觀察看看是不是有效,有很多點子和問題需要不斷的測試,像是深度學習的深度到底要幾層?用什麼架構?訓練的資料有沒有問題?當然,最終檢驗的還是 AlphaGo 的棋力有沒有變強。 
在觀察的過程中,也發現 AlphaGo 有 Overfitting 的問題,解決之後 AlphaGo 就變強了,再跟上一個版本對弈,勝率是 95%,這也是為什麼演講題目訂為 AlphaGo 的成功是深度學習與強化學習的勝利。  ...

11/02/2017

Business Intelligence, Analytics, and Data Science

Ramesh Sharda, Dursun Delen, and Efraim Turban, Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, 2018, Pearson.

Chapter 1     An Overview of Business Intelligence, Analytics, and Data Science
Chapter 2     Descriptive Analytics I: Nature of Data, Statistical Modeling, and Visualization
Chapter 3     Descriptive Analytics II: Business Intelligence and Data Warehousing
Chapter 4     Predictive Analytics I: Data Mining Process, Methods, and Algorithms
Chapter 5     Predictive Analytics II: Text, Web, and Social Media Analytics
Chapter 6     Prescriptive Analytics: Optimization and Simulation
Chapter 7     Big Data Concepts and Tools
Chapter 8     Future Trends, Privacy and Managerial Considerations in Analytics 

與學生互動常說的話

初稿 2010/3/23,持續增加中 

(1) 大學學習
單機排程是排序重要且有趣的應用,所以這一學期演算法出此作業。因為同學不熟 python 的語法,所以允許他們 3 週完成。有同學努力完成部份要求,特別情商他們上台報告。沒想到同學們又花了兩個晚上,把沒有完成的方法補上。努力的精神令人感動。
數字遊戲電玩則是另外一個有趣的暴力法應用,沒想到還是有同學寫了幾百行的程式!
看來花時間出作業改作業還是值得的,就讓我們繼續走下去吧