工作,生活,休閒,專業,分享,記錄

App Insights JS

Total Pageviews

March 1, 2019

MPP 微軟的主題認證學習網站介紹



這是我的個人儀表板 on MPP 網站,目前取得了三個認證,MPP 網站是一個很好的學習管道,從開始接觸 AI 之後,上過了台灣人工智慧學校的第一屆經理人班,經過密集的課程以及各個老師疲勞式的資訊轟炸,深深了解自己的不足,知道自已必須要好好的進階學習才能夠好好的來了解「人工智慧」這個大主題,所以我選擇了 MPP 線上學習網站來學習各種 AI 所需要的相關細部課程內容,讓自己能夠更加了解 AI 所涵蓋的各項基礎與資訊。

Microsoft Professional Program (MPP) 主題認證網站:
https://academy.microsoft.com/

不要再遲疑了,想要更進階的學習相關的主題內容嗎?就從登入註冊開始吧!
但是,請不要抱持著打混摸魚的心態想要拿到這些認證,每一個認證課程提供相關主題的各項課程,每一門課程都需要上 on-line 課程,除了學習影片,線上內容資訊,每一門課程都有各模組的小考 Quiz,Hand-on LAB 需要實作,以及最後的測驗題目,必須要通過 70% 以上的成績才能夠拿到課程的認證;在取得了主題認證所需要的各門課程的認證之後,最後你才能拿到這個主題的認證。

MPP 認證網站提供了很多相關的主題可以線上學習:(目前持續增加中,這裡列出目前網站上有的主題認證課程)

  • Data Science
  • Big Data
  • Artificial Intelligence (AI)
  • Internet of Things (IoT)
  • Cybersecurity
  • Data Analysis
  • Entry Level Software
  • IT Support
  • DevOps

這是微軟的主題認證網站,所以課程裡面介紹的內容和說明都是以 Microsoft 的相關技術和工具來做說明,但是,因為很多理論基礎是不變的,所以在資料科學、大數據、和人工智慧的主題上還是很有幫助,所以,我首先選了最基礎的主題:「資料科學」,這裡面介紹了資料分析和機器學習所需要的各種基礎理論和課程說明內容,課程整理的非常完整,可以讓你一站式的得到所需要的各種知識內容。


一開始非常的辛苦,因為學校之前教的數學、微積分、線性代數、機率、統計等,全部忘光了,還必須要自己尋找很多相關的資訊來輔助學習,可以說學習進度非常地緩慢。

接下來選擇了「大數據」主題課程來學習,這一門課程介紹了目前有關大數據所需要的各項內容,主要使用微軟 Azure 提供的雲端服務來介紹大數據這個架構,雖然都是微軟的工具,但是基礎的大數據理論和架構都是目前普遍使用的 Hadoop 為基礎,也是非常有用的一門課程,讓你能夠完整的了解大數據架構,以及大數據處理所需要的各種邏輯和流程。


最後,終於進入「人工智慧」這個課程,還好之前選擇先研讀了資料科學和大數據這兩個主題,讓我在 AI 這一門課可以不用再煩惱基礎的數理邏輯、理論、和演算法,可以在 AI 的應用與框架上更為深入的了解,但是,必須要說的是,這課程並不是 AI 的全部,人工智慧還有很多新的技術與應用,而且還有很多未開發的技術領域,需要我們持續的研究和精進。


這三個課程花了很多很多的時間上課,做習題,實作演練,考試,以及最後專題的製作等,學習的內容涵蓋很廣,讓我學習到很多很多,雖然已經拿到了這些認證,但是這些課程還是會在日後有需要時再重新研讀。

以上,是我的讀書學習心得分享,提供給大家參考,希望對有興趣的人能夠有所幫助。
謝謝!

#MPP
#DataScience
#BigData
#AI


[認證心得] MPP Certification for Artificial Intelligence (AI)



Microsoft Professional Program (MPP) 線上學習網站是一個非常好的學習網站,Miscrosoft 提供很多主題性的學習內容,除了結合技術教學內容以外,結合線上測驗 Quiz,上手實作 LAB,以及課程驗證測驗 Exam,最後以上課實做的學習內容,自我完成一個 Project,MPP 是一個完整的訓練課程,提供我們學習一門學科非常好的一個管道。


接下來要介紹 MPP for AI 這一門課程:

接續之前取得的兩門課程:MPP for Data Science & MPP for Big Data,有關資料科學和大數據相關的課程,接著取得有關人工智慧 MPP for AI 這一門課程的認證,這一門課程一樣包含 10 門課程,介紹了人工智慧相關的各項主題,包括了有:AI 相關的基礎數學,AI 倫理道德 (Ethics and Law),從機器學習 (Machine Learning) 介紹一直到深度學習 (Deep Learning) 的各種模型說明,最近非常夯的強化學習 (Reinforcement Learning),還有各種神經網路架構的說明 (CNN, RNN, NLP, etc.),以及電腦視覺、語音處理、自然語言處理等各種人工智慧的理論。

說實在的,這一門認證 MPP for AI 還真不容易學習,除了你應該要先有各種人工智慧應用的認識與瞭解之外,數學基礎與統計分析入門更是需要學習清楚,不然這些課程上不會再額外說明這些數學統計,其他很多演算法和有名的理論邏輯,都需要自己額外搜尋相關的參考文件來學習,總而言之,我覺得 MPP for AI 不是一門普通人可以學習的認證課程,需要自己先學習相關的基礎數理、理論、和演算法之後,才能夠順利完成並瞭解這些課程內容。

花了非常多的時間完成這些課程,但是還有很多理論邏輯沒辦法搞清楚,還是需要持續繼續研讀相關的資料來讓自己更進一步了解人工智慧這許許多多的理論和應用。

最後,秀一下認證的結果,花了這許多時間,終於順利拿到這一張認證,但是認證歸認證,這並不代表我會了什麼,也不代表我了解 AI 這一個主題,更不是代表「你會了」,這只是一個里程碑,在人工智慧的這一條路上,還有很多需要學習和精進的內容,就讓我們一起加油努力學習吧!

#人工智慧學習里程碑
#MPPforAI
#AI

January 12, 2019

[好書介紹] 梅迪奇效應 Medici Effect



跨領域創新,跨界思考,異場域碰撞,讓你意想不到的結果。

真是一本非常好看的書,完全跳脫傳統的想法,跨領域的衝擊讓你的創新思維龍飛鳳舞、五花八門,不受限於自己所屬的領域,脫離長久以來個人一直追求的傳統框架,創造出獨一無二、新奇百怪的新藍海思維。

創意必須要冒險,這是最首要的原則,所有的創意都在未知的領域裡,不在已知的領域中。

我們必須要跳脫自己的舒適圈,離開個人長久以來安逸不變的既有路線,設法脫離所屬的領域,不再依賴自己既有的價值網路,嘗試接觸各種領域,讓自己成為通才,善於為任何產業創造出新觀念和新想法,如果你想發展出突破性的新創意,變化多端的經驗十分重要,透過職能多元化,尋找異場域的碰撞,產生創新的火花。

年輕人或是剛進入一個領域的新人,因為他們沒有歷史包袱,沒有傳統制式的框架,用不同的方法學習,天馬行空的想法讓他們可以發明出新想法,改變原有的傳統模式,另外還有一個重點就是:他們還敢於嘗試,實際去做才是最重要的。

並不是要你放棄自己原有的領域,而是要去投入其他場域,嘗試讓各種不同的領域和自己的領域產生碰撞,激發出跨領域的創新思維,你將會得到意想不到的創意想法。


November 10, 2018

[讀書心得] AI 醫療大未來(智慧醫療關鍵報告)


AI醫療大未來 -- 台灣第一本智慧醫療關鍵報告  (李友專 著)

路過重慶南路又來逛書店,隨手看到一本還不錯的書「AI 醫療大未來」,手癢忍不住還是買了,雖然 Queue 裡面已經排了很多書還沒看完,但最後還是無法戰勝手癢。

星期六一早馬上翻起這本書,內容非常強而有力的吸引人,翻著翻著,一個早上就馬上看完,一整個覺得好像聽了一場非常棒的演講,針對目前 AI 醫療的深入淺出介紹,雖然我並非醫療科系的人,但是仍然看的如癡如醉,非常的吸引人。

作者提到,AI智慧醫療是跨領域的結合,除了需要醫療專業知識領域的專家投入,還需要資訊科技的專業技術,配合醫務管理,健康領域的參與,才能達成AI智慧醫療的大未來。未來最後的贏家,將會是最懂得善用 AI 的人才及組織,無論是精準醫療,預防醫療,大健康產業需要的人工智慧應用不再是想一想而已,而是不能再等,非做不可的。

以下整理了個人看完這本書之後,整理的精華摘要,提供參考!
* AI 已成為醫療必要的基礎建設,提供偵測、預測、預防等應用。
* 與其不切實際的使用 AI,不如掌握確切的目標,設定特定的應用領域。
* 能夠運用人工智慧發揮最高效益的產業,通常具有兩項要件:1. 產品需客製化、多樣且少量;2. 擁有大數據 (Big Data)。
* 智慧輔助醫療遇到的難題:1. 心態問題;2. 責任問題。
* 「大數據」:針對同一主體,進行多維度、多次、長期的觀察與分析。
* 很多數據都早已存在,只是缺乏整合和利用。
* 精準醫療:個人化的疾病風險評估預測(基因、生理、環境、行為),將風險量化、時序化,持續監測
* AI 輔助醫療,降低醫療錯誤風險的四個面向:預防、診斷、治療、追蹤
* 跨領域合作,產生新的合作模式或商業模式。(永遠沒有最好的做法,總是會有更好的做法)

* 創新智慧健康產業,學習型健康照護的主要概念:
    1. 從健康資料擷取健康知識(Data to Knowledge)D2K
    2. 由知識發現到實務運用(Knowledge to Practice)K2P
    3. 醫療實務落實於病人的策略(Practice to Consumer)P2C
    4. 持續搜集病人健康數據(Consumer to Data)C2D

最後跟各位分享一個不錯的觀念,上週到醫院去跟 User 做簡報時,一位資訊室的主任跟我分享一個智慧醫療的概念:

『不管人工智慧多厲害,智慧醫療多麽聰明,你必須先清楚知道客戶是誰,你的系統,你的解決方案服務的是誰,然後找出客戶關心的核心需求,才會是有用的解決方案。』


主任還分享了一個健康管理的觀念,我覺得非常好,也在這分享給大家:

「健康管理的觀念不應該是長壽,而是應該以樂活的概念為主。」


本書目錄參考:



[認證心得] MPP Certification for Big Data


MPP for Big Data (Web Page)

MPP 認證並不是一般的一次性考試認證,而是大約有 10 門線上課程組合而成的 package certification,通常會循序漸進一步一步安排課程,每一門課程會有自己的 LAB 及 course final exam,每一門線上課程必須達到 70% 以上的成績才可以拿到這一門課程的認證,最後會有一個 Final Project,需要由你自己使用前面課程的知識內容來完成最後專案的需求,總結 10 門課的認證才能換一張 MPP certification,因為如此,所以要取得這樣的一張認證,你必須要花很多時間,循序漸進,慢慢的上完每一門課程及最後的專案,從實際上手練習到真正運用學習內容的專案建置,可以稱得上較為實務的一張認證,和一般的一次性考試認證較為不同。

有興趣的人可以參考以下網址:
https://academy.microsoft.com/en-us/professional-program/tracks/big-data/

MPP Certification for Big Data 由 10 門課組成,列出如下,而且是依照學習的步驟,循序漸進地教你如何建立一個大數據的架構。
Class List of MPP for Big Data

循序漸進的 10 門課程,有些課程有多個 Option 可以選擇:
* Get Started with Big Data(大數據概念介紹)
  - Introduction to Big Data

* Analyze and Visualize Data(分析和視覺化工具)
  - Analyzing and Visualizing Data with Power BI
  - Analyzing and Visualizing Data with Excel

* Work with NoSQL Data(NoSQL 資料解決方案介紹)
  - Introduction to NoSQL Data Solutions

* Query Relational Data(結構化資料查詢方法介紹)
  - Querying Data with Transact-SQL

* Create a Data Warehouse(資料倉儲)
  - Delivering a Data Warehouse in the Cloud

* Process Big Data at Rest(大數據資料批次處理)
  - Processing Big Data with Azure Data Lake Analytics
  - Processing Big Data with Azure HDInsight

* Process Big Data in Motion(大數據即時資料處理)
  - Processing Real-Time Data Streams in Azure
  - Processing Real-Time Data with Azure HDInsight

* Orchestrate Big Data Solution(治理大數據的方法)
  - Orchestrating Big Data with Azure Data Factory

* Build Big Data Analysis Solutions(大數據分析解決方案)
  - Developing Big Data Solutions with Azure Machine Learning
  - Analyzing Big Data with Microsoft R
  - Implementing Predictive Analytics with Spark in Azure HDInsight

* Final Project(最後專案)

因為這是微軟的 MPP 認證,所以課程介紹的內容和工具都偏向使用 Azure 及 Microsoft 解決方案為主,如果有心學習 Azure 雲端的大數據解決方案的人,非常適合學習這一系列課程。

利用晚上或是假日修習這些線上課程還蠻花時間的,對於想要投入這一系列認證課程的人,建議你需要先安排好足夠的時間,因為需要上課及 LAB 練習需要相當充足的時間才能夠好好的上完這些課程,通過考試及最後專案。(我也是花了好幾個月的時間才完成這些課程)

這一門 Big Data 課程比較偏向工具和系統架構,比較沒有太多的微積分數學和機率統計的理論和公式,適合系統工程師或是大數據架構師來研讀練習。(上次介紹的 MPP for Data Science 就非常的偏向資料分析工程師,有很多的微積分數學和機率統計的理論和公式。)

我的 10 門線上課程的上課成績:(有些課的 LAB 和 Exam 不容易,不只需要花時間,還需要傷很多腦筋來完成,也算是一步一腳印的慢慢完成漫長的 10 門課。)
我的課程認證成績


10 張線上課程的認證:(上完一門線上課程都會有一張 eDx 的通過認證,但是必須要集滿這 10 張才可以換最後有用的那一張 MPP 認證。)


最後 10 張線上課程的認證,可以換取一張微軟 MPP for Big Data 認證:


PS:雖然都是微軟的 Azure 和 Microsoft 軟體,但是大數據的基礎觀念和架構都是一樣的,也都可以用在其他公有雲和其他大數據軟體之上。

September 24, 2018

[讀書心得] AI 應該有的基礎數學,倫理道德與法律遵循



想要了解或是踏入「AI / 人工智慧 / 機器學習 / 資料分析」這個領域,應該要從基本做起,不該只是走馬看花,不了解基礎本質,不知道理論基礎,不懂得行為限制,就開始討論應用,就開始複製模擬,這樣會有點本末倒置。

中秋三天連假,花時間研究一下AI人工智慧的兩個基礎主題:
1. 基礎數學 for 機器學習 (Python)
https://www.edx.org/course/essential-math-machine-learning-python

2. 資料分析的倫理與法律
https://www.edx.org/course/ethics-and-law-in-data-and-analytics

----------

#1. 基礎數學 for Machine Learning

「基礎理論單調乏味,但它是一切華麗背後的基礎磐石。」


基礎數學有點像是在回憶以前上學教的代數,微積分,線性代數,統計,機率,雖然那都是很久以前的事情,但是回憶起來還真有點吃力,重新吸收這些基礎數學理論,對於往後的機器學習,人工智慧,資料分析的方法、演算法、理論基礎都會有很大的幫助。
這門課真的非常非常基礎,算是簡單的入門數學科目,可以在輕鬆談笑之間就上完課了。

----------

#2. 資料分析的倫理與法律

「談論道德永遠是高標準的,而法律就是最低限度。」


Data Ethics (數據倫理):大數據帶來的改革,應該為人類帶來好處,幫助,與福利,為人類帶來更好的生活環境。
考慮五大價值指標:痛苦、自治、平等、美德、信賴
用 IRAC 四個步驟的方法,來分析事情的合法性。(Issue, Rule, Application, Conclusion)

科技,進步的快速,讓倫理道德和法律等行為秩序無法跟上,新的人工智慧領域又應該要有怎樣的倫理與法律,這問題已經浮上檯面,而且正熱烈的討論爭辯中,重要的是每個人心中的那一把尺,把持著每個人的行為態度,希望「人工智慧」能夠成為人類的幫手,而不是毀滅破壞的劊子手。

* 很好的參考資料:

人工智慧的機遇與挑戰 — 英國國會報告結論與建議摘要(總共有 74 項建議事項,很有參考價值)
https://medium.com/twigf/%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E7%9A%84%E6%A9%9F%E9%81%87%E8%88%87%E6%8C%91%E6%88%B0-%E8%8B%B1%E5%9C%8B%E5%9C%8B%E6%9C%83%E5%A0%B1%E5%91%8A%E7%B5%90%E8%AB%96%E8%88%87%E5%BB%BA%E8%AD%B0%E6%91%98%E8%A6%81-a0337c4c2af8
==> 原文出處:16 April 2018,Published by the Authority of the House of Lords
https://publications.parliament.uk/pa/ld201719/ldselect/ldai/100/100.pdf

倫理道德與法律是一門很難懂的課題,如何正確地使用大數據,做出無偏差的資料分析,提供正確有用的資料模型,這牽涉的領域和範圍非常的廣泛,有些可能是個人意識形態下的錯誤,有些可能是很難察覺的非意識形態下的產出,我們必須要正視大數據,機器學習,人工智慧為人類帶來的巨大影響,在良好的倫理道德和法律的規範之下,創造正確,有用,良好的未來美好環境。

PS:念書考試考昏頭了,中秋節到底是「烤肉」還是「考試」,傻傻分不清楚!

August 7, 2018

MPP 三張認證介紹 (Data Science, Big Data, AI)



MPP (Microsoft Professional Program) 是微軟提供的線上訓練認證課程,個人覺得這個線上認證課程是目前微軟的認證比較有用的認證之一,每一個認證主題都會有大約 10 門線上課程加上最後的實作專案,每一門課都需要做實作 LAB,各章節小考,以及課程的 Final Exam,每一門課總成績需要超過 70% 才能取得該門課的 Certification,取得全部的 10 門課程的 Certification 才能夠得到最後該主題的 MPP 認證。

這個認證不會是只要你唸唸書,背背考古題,或是教科書式的教學,MPP 需要你實際上線操作,學習相關的技術,最後會有一個總成的 Project 需要完成,個人覺得 MPP 是一個非常實務,真正學習技術,上手操作的一個線上認證課程,但是也因為這樣,所以非常的花時間,需要花心思,而且再加上相關資訊的研讀,通常會需要很久的時間才能夠完成一個主題。

目前 MPP 提供的認證主題有八個,持續在增加當中:
1. Data Science
2. Big Data
3. AI
4. Front-End Web Development
5. Cloud Administration
6. DevOps
7. IT Support
8. Entry Level Software Development




從資料分析層面相關的主題,一直到軟體系統開發相關的主題,以及雲端和 IT 維運的主題,涵蓋層面非常的廣泛。

今天要跟各位介紹的三個 MPP 認證,主要是跟 Data Analysis 非常相關的主題,因為目前 AI 話題非常的火熱,這三個主題也就跟著熱門了起來:
1. Data Science
2. Big Data
3. AI

PS:因為這是微軟的 MPP 線上認證課程,所以課程中介紹即使用的全部都是微軟相關工具和軟體,主要使用環境是 Azure 雲端服務。

1. Data Science

MPP for Data Science Certification 主要包含資料分析相關的技術,包括各種演算法的介紹與實作,資料視覺化工具(Excel / Power BI),以及機器學習的相關技術,總共 11 門課,最後的 Final Project 會提供一組實際的資料情境,需要你使用線上課程學習的相關知識和技術,完成專案描述的需求,主要評分項目是依據你所使用的演算法/機器學習技術,如何提高你的預測準確率,詳細描述你的專案實作過程及理論依據,這是一個非常實務的線上學習認證課程,非常推薦有心學習資料科學的各位來研讀。

如果你要取得每一門課的 Certification,則需要付費 USD $99,你也可以選擇不要認證,只參加線上課程的學習,每一門課只有三個月的期間可以完成,如果沒有在期限內完成,則需要重新再付費取得認證。

課程明細如下:

2. Big Data

MPP for Big Data Certification 主要是學習大數據相關的技術,各種資料操作技術的課程,還有 Hadoop 相關的技術實作練習,各項 NoSQL 資料庫的操作,當然使用的都是微軟 Azure 雲端上的服務和技術,但是本質上,大數據的實際應用技術也差不多大同小異,只要你上完這些課程,對於大數據相關的技術和操作方法也大致熟悉了六七成了,如果需要其他的應用技術,可以在自行搜尋參考網路上的相關資料,其實網路上已經有非常多非常足夠的資訊提供你學習了。

課程內容如下:

3. AI

這個 MPP for AI Certification 提供給有心學習 AI 領域的技術人員一個非常好的入門學習,不但你可以了解 AI 相關的基礎知識,而且由淺入深,漸漸引導你實作 AI 的相關技術,從 Machine Learning 到 Deep Learning,一步一步引導你學習 AI 相關的使用技術,學習完這門課程可以讓你對 AI 的了解更為深入,對於 AI 如何應用,如何開發,如何訓練,都提供了完整的基礎知識。

課程明細如下:

以上三門課程(Data Science, Big Data, AI)非常推薦給有心學習 AI 方面的資料科學家來實際學習與操作,相信上完這些課程,不但對你的相關知識會有很大的幫助,對於實際使用的技術和操作方法,也會有很大的進展。

提供給大家參考,希望各位學習愉快!

~~  2018/08/07  Blake

August 1, 2018

[認證心得] MPP Certification for Data Science


MPP for Data Science (2018/07/01 從原本的 10 門課改為 11 門課了)

真的整整花了一年的時間,利用空閒的時間,有一段沒一段的陸陸續續修完了 10 門線上課程,終於拿到這一張微軟 MPP Data Science 認證,感覺還蠻累人的,花了不少時間,也花了不少金錢(10 門課的認證費用共三萬多大洋)。

為什麼上個 10 門線上課程需要花這麼久的時間,聽聽課,做作練習,這樣也不用花這麼久的時間啊?

因為,我的習慣是一邊上課一邊做筆記,而且我的目標是上完課之後,必須能夠教學,必須要能夠講給別人聽,所以我一邊聽線上課程,一邊找相關資料,一邊做投影片資料,所以上課的速度變得非常非常慢,但是,上完這些課之後,我也已經準備好了這些課程的相關教學資料,也可以對別人做 Data Science 相關的教育訓練。

原本抱持著自己學習的心態,看看網路上的教材,上上線上課程,學習一下 Data Science 這門科學,從上網找資料,聽聽線上課程,做做裡面的 LAB,找網路上的各種相關參考資料,當作自己慢慢研讀進修的作業,中間也因為工作上的忙碌停了一段時間,也穿插了人工智慧學校的三個月課程,一門一門持續累積之下,後來就決定把 10 門課都上完,順便把這張 MPP Data Science 認證拿下來。

MPP Data Science Certification 學習路徑

這 10 個線上課程,說難也不是非常難,說簡單也不是很簡單,總共有 9 門課外加一個 Final Project 需要完成,每一門課都有四五個課程模組,每個模組有各自的 LAB 需要實做,做完 LAB 後會有 Module Quiz 需要小小的測驗,每一門課最後會有 Final Exam 需要測試,課程的總成績需要在 70% 以上才算通過,可以取得該門課的 Certification。

線上課程通過成績

每一門課只有三個月時間可以完成,如果沒有通過,那就下次再重新來過(再繳一次認證費用 USD $99),修完 9 門線上課程,最後會有一個 Final Project,只有在 1, 4, 7, 10月可以做這個 Final Project,一個月的時間做完這個 Project,實際給你一個資料集,然後用你學習過的演算法,建立一個資料學習模型,在一個月內,上傳你的資料模型正確率(必須達到一定程度的正確率才會有分數,正確率越高分數越高),然後還需要寫一份 Final Project Report,描述你的資料分析過程、分析方法、邏輯、和結果,上傳到平台讓用戶互相之間評分,一個月之後,Final Project 最後成績就會算出來,必須要超過 75% 以上才算通過。

10 張線上課程認證

經過了這一連串的線上課程,最後最後終於取得這張認證,集 10 張線上課程 certification 來換一張 MPP Data Science 認證,算是小小證明一下自己的學習路徑和經驗,讓自己所花的金錢和時間有點小小的回報。



2018.8.1 ~ ~ Blake Wang

July 25, 2018

什麼叫做「Team」



什麼叫做「Team」?

Team」是一種概念,是一種精神,是一種「合作無間,互相Cover的模式,這是一種無法定義的組織方式,沒有一定的規範邏輯,全靠人與人之間的瞭解與信任來達成這樣的精神。

Team 小至2人,大至數百人,如何讓大家意念相通,相輔相成,這就是 collaboration 協同運作的最高極致目標。

一個組織的「Team」指數夠高的話,戰鬥力一定大大提升,彼此之間合作無間,互通有無,效率提升,力量和強度會是非常可怕的,但是如果沒有「神幫手」這樣的隊友,反而有一堆「豬隊友」,那戰力指數也是會大大的下降,所以說「Team」指數的高低會影響組織或團隊的競爭力,而且會有 exponential 指數型的加速影響力量,千萬不可小視它。

April 17, 2018

做就對了!



你不需要是專家才能夠開始,
但你必須開始才有可能變專家。

~~但是。。。千萬不要不懂裝懂,千萬不要不懂裝懂,千萬不要不懂裝懂,(因為很重要,所以說三次。)不然,你就會整組害了了。(不要說我沒講喔!)

萬事起頭難,有「開始」才會前進,有前進你才能變「厲害」,厲害了之後,你說的話才叫做話(這叫專家!),不然都是屁,沒人會理你(這叫唬爛!)。

「高大上」永遠是大家喜歡講的話題,但是沒有基礎哪來高樓,沒有實力如何高大上(高貴、大氣、上檔次),想要跟人家一樣高大上,那就趕快開始累積實力,培養能力,有一天你也會變成很厲害的專家。

現在大家都喜歡走快速方便的捷徑,尤其在這個變化快速的年代,那些慢慢努力耕耘久久才能收穫的方法已經跟不上時代,等到你學會的時候,資訊科技又向上演進了一大步,永遠都追不上,但是只學了這些科技表層的技術方法,不了解根本理論依據,不做數理統計的學習,那就只能是工程師 level(簡單說就是工人,拿著工具敲敲打打),跟專家還一點邊都沾不上,學習快速的工具使用沒問題,但是缺少的理論基礎,不懂的數理統計,要一步一步慢慢的補上來,最重要的是你的本職學能,你的 Domain know-how 一定要持續加強,站在最前面的領先集團,這樣才會漸漸的跟 Expert 拉進腳步。

最後,跟大家分享一個概念:
「不要做技術人員裡面的圍棋高手,
要做圍棋高手裡面的技術專家。」
(如果不會下棋的怎麼辦?很簡單,就找厲害的圍棋高手合作就對了。)


April 15, 2018

[讀書心得] 「互聯網+大健康」重新建構醫療健康全產業鍊



大陸對健康醫療方面非常重視,20163月,「健康中國」戰略已經被納入《十三五規劃綱要》,將醫療健康的問題提高到國家戰略的高度,真的足以看出中國政府對健康問題的重視。

「互聯網+大健康」這本書描述了很多目前在大陸正如火如荼發展的健康互聯網應用,IoT  互聯網的加入讓大健康醫療產業鏈產生了很大的變化和影響,書裡面也描述了各種醫療健康領域所面臨的問題與挑戰。

醫療大數據是推動遠距醫療和健康照護兩大產業聯姻的因子。
互聯網讓「大健康」產業的商業模式更為確定可行。
這兩大基礎穩固之後,「智慧醫療」就會自然而然成形。

反過來看看我們台灣,台灣的醫療產業環境在世界上算是先進的前段班,對於科技進步帶來的醫療改革和智慧醫療,我們要趕快加緊腳步往前發展,不然很快的就會被先進改革者追上,甚至可能會變成落後的過時醫療環境,到時候要再來發展就已經來不及了。


April 14, 2018

ML/DL 開發工具另一選擇:Google Colaboratory



來介紹另一個 Python 程式開發工具,也是機器學習模型開發測試的好用工具:Google 開放的 AI 開發工具。這個是 Google 免費開放的雲端開發工具服務,你必須要註冊有 Google Account 才可以使用。(原本是 Google 內部員工使用的開發工具)

https://colab.research.google.com/

各個工具跟其他的 notebook 工具大致上雷同,Colaboratory 開發環境也是基於 Jypyter 架構建置起來的,最大的不同點有兩個:
1. 整合了 Google 各項的雲端服務,Colaboratory 和 Google Drive 以及 Google Doc 整合的非常緊密,你可以直接從 Google Drive 開啟 Colaboratory 來使用。

2. Google 提供了免費的 GPU 讓使用者可以使用,只要在功能表的《選擇》/《筆記本設置》就可以設定使用 GPU。(但是,請記住一點:使用 GPU 不一定比 CPU 快,使用 GPU 不一定比 CPU 快,使用 GPU 不一定比 CPU 快)很著要,所以說三次!必須要看你應用的情境來選擇適合的執行環境。

使用 Collaboratory 開發深度學習的模型訓練範例畫面。


Azure Machine Learning 測試開發工具的新選擇:介紹 Microsoft Azure Notebook



如果你想要練習與測試 Python 程式,Microsoft 提供了一個免費的雲端服務,叫做 Microsoft Azure Notebook,目前還在 Preview 階段,網址如下:

https://notebooks.azure.com/

這個 Azure Notebook 主要是用 Jupyter 建構出來的,是一個互動式的筆記本.讓你能夠將程式碼和文字註記放在一起,方便閱讀。
Microsoft Azure Notebook 提供了很多執行環境,以及範例程式,提供使用者方便撰寫測試和執行測試的工具,包括:R, Python, F#, 以及各式各樣可以使用的 Library,讓使用者節省很多環境安裝設定的時間。

如果你想要使用 Microsoft Azure Notebook 服務,必須要有 Microsoft 帳號,第一次登入 Azure Notebook 會需要你同意存取你的一些資訊。

如果你是初學者,可以透過 Azure Notebook 提供的範例程式,先 Clone 到你自己帳號下的 Library 之中,然後就可以一步一步慢慢執行測試,也可以自行輸入程式碼做測試,使用環境和 Jupyter notebook 非常相似,但是 Azure Notebook 提供了一些直接和 Azure cloud service 整合的工具,讓你可以更方便的跟你的 Azure 雲端環境整合在一起。

開啟你自己 Library 裡面的程式,就會出現 notebook 的操作畫面,操作方法就跟 Jupyter notebook 一樣,如果你不懂操作方法,就上網請教一下「F大神」或「G大師」,網路上已經一堆參考資料,這裡就不再詳細說明。

另外,也可以把 nbserver 的 console 開啟,然後就可以使用 pip install 來安裝你所想要使用的 package,真的非常方便。

如果你是 Microsoft Azure 的愛好使用者,建議你使用 Microsoft Azure Notebook 提供的各項工具,因為我相信,接下來微軟會把各式各樣的 Azure cloud service 雲端服務跟這個開發工具結合整合得更緊密,讓使用者能夠更方便的開發與測試機器學習的模型和服務。