最近Jerry老師即將準備完成的新課程，關於強化學習，歡迎大家一起來學習
優惠名額有限動作要快：）
請點預購連結
2020年2月6日 星期四
2019年9月9日 星期一
[ML Study Jam] How Google does Machine Learning的Module 3 Quiz學習日誌之企業導入機器學習的方法
How Google does Machine Learning的學習日誌
最近Google連續辦了兩次ML Study Jam的活動，包含
ML Study Jam 機器學習培訓計劃- 初級- 首頁，以及ML Study Jam 機器學習培訓計劃- 進階-首頁，這兩階段的課程內容，個人覺得非常適合企業在導入ML給同仁必上的內容，尤其適合非科班出身的又想轉型的朋友們。
在進階課程的當中，筆者覺得在「How Google does Machine Learning」當中，有許多有趣的題目與內容，是自己多年做資料科學服務有所共鳴的，希望能夠透過部落格分享學習的心得，提供給想導入ML的企業與想持續學習導入ML的朋友。（請注意本篇文章僅針對部分題目提供心得分享，並非答案分享）
過去筆者在導入多年的資料科學服務當中，發現資料科學家要有一個非常重要的能力，是能夠快速辨識這家企業與題目，到哪一個階段，接著再給予對應的服務內容，避免導入過程資源的浪費，而課程當中Google整理了一個「Path to ML」來幫忙大家釐清企業的ML導入階段。
在Module 3 Quiz的部分，有一題要學員能夠針對題目，以「Path to ML」五階段做辨認，而其中五階段包含「Individual contributor」、「Delegation」、「Digitization」、「Big data and Analytics」、「Machine learning」，在ML and Business Processes課程當中，個人覺得非常好的一個觀念是，企業要導入一個從無ML->有ML的過程，必須先找到流程上的輸入與輸出，接著在輸出中透過數據與ML找出具有洞見的結果，將結果回到流程上去改善輸出。
因此回到「Path to ML」，我們首先要能夠辨認，我們在企業流程中，到底是哪一個階段，才能去藉由階段工作來正確導入ML，筆者整理如下:
I for individual contributor:任務的本體，如單一櫃員
D for delegation:多個可執行任務的人，如多個店員
Z for digitization:數位化的工具，如ATM，可以透過機器進行重複化的工作
B for big data and analytics:透過資料挖掘洞見，提升營運效率，如汽車生產
M for machine learning:透過前面的數據，以機器學習來自動化改善整個營運效益，如推薦系統
聰明的朋友，如果題目如下，您會將上述的I,D,Z,B,M，分別放在哪裡呢？
問題1
製造工廠有許多機械手臂，整個生產團隊透過手臂上收集的數據來幫助確定生產的時間表。
問題2
一個客戶服務團隊持續接收在線上的訂單
問題3
一個圖書館員在城市圖書館工作
問題4
停車收費系統根據可能預期的需求來自動改變費率
問題5
自動電子收費器透過讀取汽車牌照跟駕駛索取過路費(如ETC)
問題1看起來非常明顯是以數據來挖掘洞見，問題2與問題3很容易理解是傳統的運作階段，問題4與問題5比較容易會有誤會是在「digitization」與「machine learning」的差別，但仔細一看，事實上ML有個關鍵是透過數據「自動化」原先的流程，因此會獲得一個不斷改變的輸出，答案就出來了。
看起來大家都有十足的把握了，我們繼續看一下去，如果題目如下，您們的選擇為何？
題目6
所有任務，包含執行參數、選擇參數、參數回饋都是自動化
題目7
一個人在執行任務，而這個任務與指令來自人與人之間的方式運作
題目8
一個電腦執行任務，而軟體工程師透過歷史的模式，來進行參數的調整。
題目9
一個電腦執行過程是透個人從介面上輸入參數來進行。
題目10
一個任務是從一群人來完成
問題6我們可以發現全數自動化，會是機器學習的強項，答案是非常明確的。接著在問題7與問題10的部分，也很容易辨識是傳統1個與多個人的運作方式，最後這次的題目8與題目9分別就相對明顯很多，題目9單純只有透過介面來做互動，而題目8則透過數據挖掘模式來進行參數調整。
最後在Quiz最尾端的題目也非常有趣，題目大意是在說一家企業需要在一年內導入ML，我們是這家企業的顧問，而我們應該請該企業集中資源在哪一個地方，譬如說：「定義關鍵目標」、「收集資料」、「建立基礎設施」、「最佳化演算法」、「整合模型」。
其實有經驗的顧問會選擇「收集資料」，因為這是所有企業導入ML的最重要的問題，尤其以筆者過去的經驗是，傳統企業常常是因為沒有資料而無法導入ML。而其他都不重要嗎？並不是，而是沒有資料，對於定好目標、建立設施、最佳化算法、整合模型就都沒有了意義。
但是筆者提一個觀點是，如果我們企業要導入ML，也不能盲目的收集資料，而是要了解解決什麼問題。
所以回過頭來，一樣可以觀察公司目前的階段，從沒有ML->有ML，我們在「Individual contributor」、「Delegation」、「Digitization」、「Big data and Analytics」、「Machine learning」是哪一個階段，才能將資源妥善運用在導入ML的正確方向當中。
以上是筆者對於「How Google does Machine Learning」的Module 3 Quiz拙見，歡迎討論。
最近Google連續辦了兩次ML Study Jam的活動，包含
ML Study Jam 機器學習培訓計劃- 初級- 首頁，以及ML Study Jam 機器學習培訓計劃- 進階-首頁，這兩階段的課程內容，個人覺得非常適合企業在導入ML給同仁必上的內容，尤其適合非科班出身的又想轉型的朋友們。
在進階課程的當中，筆者覺得在「How Google does Machine Learning」當中，有許多有趣的題目與內容，是自己多年做資料科學服務有所共鳴的，希望能夠透過部落格分享學習的心得，提供給想導入ML的企業與想持續學習導入ML的朋友。（請注意本篇文章僅針對部分題目提供心得分享，並非答案分享）
過去筆者在導入多年的資料科學服務當中，發現資料科學家要有一個非常重要的能力，是能夠快速辨識這家企業與題目，到哪一個階段，接著再給予對應的服務內容，避免導入過程資源的浪費，而課程當中Google整理了一個「Path to ML」來幫忙大家釐清企業的ML導入階段。
在Module 3 Quiz的部分，有一題要學員能夠針對題目，以「Path to ML」五階段做辨認，而其中五階段包含「Individual contributor」、「Delegation」、「Digitization」、「Big data and Analytics」、「Machine learning」，在ML and Business Processes課程當中，個人覺得非常好的一個觀念是，企業要導入一個從無ML->有ML的過程，必須先找到流程上的輸入與輸出，接著在輸出中透過數據與ML找出具有洞見的結果，將結果回到流程上去改善輸出。
因此回到「Path to ML」，我們首先要能夠辨認，我們在企業流程中，到底是哪一個階段，才能去藉由階段工作來正確導入ML，筆者整理如下:
I for individual contributor:任務的本體，如單一櫃員
D for delegation:多個可執行任務的人，如多個店員
Z for digitization:數位化的工具，如ATM，可以透過機器進行重複化的工作
B for big data and analytics:透過資料挖掘洞見，提升營運效率，如汽車生產
M for machine learning:透過前面的數據，以機器學習來自動化改善整個營運效益，如推薦系統
聰明的朋友，如果題目如下，您會將上述的I,D,Z,B,M，分別放在哪裡呢？
問題1
製造工廠有許多機械手臂，整個生產團隊透過手臂上收集的數據來幫助確定生產的時間表。
問題2
一個客戶服務團隊持續接收在線上的訂單
問題3
一個圖書館員在城市圖書館工作
問題4
停車收費系統根據可能預期的需求來自動改變費率
問題5
自動電子收費器透過讀取汽車牌照跟駕駛索取過路費(如ETC)
問題1看起來非常明顯是以數據來挖掘洞見，問題2與問題3很容易理解是傳統的運作階段，問題4與問題5比較容易會有誤會是在「digitization」與「machine learning」的差別，但仔細一看，事實上ML有個關鍵是透過數據「自動化」原先的流程，因此會獲得一個不斷改變的輸出，答案就出來了。
看起來大家都有十足的把握了，我們繼續看一下去，如果題目如下，您們的選擇為何？
題目6
所有任務，包含執行參數、選擇參數、參數回饋都是自動化
題目7
一個人在執行任務，而這個任務與指令來自人與人之間的方式運作
題目8
一個電腦執行任務，而軟體工程師透過歷史的模式，來進行參數的調整。
題目9
一個電腦執行過程是透個人從介面上輸入參數來進行。
題目10
一個任務是從一群人來完成
問題6我們可以發現全數自動化，會是機器學習的強項，答案是非常明確的。接著在問題7與問題10的部分，也很容易辨識是傳統1個與多個人的運作方式，最後這次的題目8與題目9分別就相對明顯很多，題目9單純只有透過介面來做互動，而題目8則透過數據挖掘模式來進行參數調整。
最後在Quiz最尾端的題目也非常有趣，題目大意是在說一家企業需要在一年內導入ML，我們是這家企業的顧問，而我們應該請該企業集中資源在哪一個地方，譬如說：「定義關鍵目標」、「收集資料」、「建立基礎設施」、「最佳化演算法」、「整合模型」。
其實有經驗的顧問會選擇「收集資料」，因為這是所有企業導入ML的最重要的問題，尤其以筆者過去的經驗是，傳統企業常常是因為沒有資料而無法導入ML。而其他都不重要嗎？並不是，而是沒有資料，對於定好目標、建立設施、最佳化算法、整合模型就都沒有了意義。
但是筆者提一個觀點是，如果我們企業要導入ML，也不能盲目的收集資料，而是要了解解決什麼問題。
所以回過頭來，一樣可以觀察公司目前的階段，從沒有ML->有ML，我們在「Individual contributor」、「Delegation」、「Digitization」、「Big data and Analytics」、「Machine learning」是哪一個階段，才能將資源妥善運用在導入ML的正確方向當中。
以上是筆者對於「How Google does Machine Learning」的Module 3 Quiz拙見，歡迎討論。
2018年1月26日 星期五
歡迎加入機器智能實驗室_FB社團
大家好，我是資料科學實驗室作者Jerry，由於個人工作歷程的發展，目前正在從「數據科學」轉移到「機器智能」上發展，所以建立了「機器智能實驗室」，在這裡不同以往的，我們可以有更多的互動與交流，也歡迎大家一起進入我們的研究行列。
未來所有智能化的來源都是資料，而研究多年「資料應用」的Jerry，希望能夠將資料與智能化整合，就像阿里巴巴馬雲說的「以前的電器是插上了電以後就聽你話。未來電器不僅要通電，更要通數據。機器收到數據之後，機器比人變得越來越聰明」。
另外也有牛津大學的學者提到「機器智能將會是我們人類最後一個發明」，讓我更決定開始投入機器智能(Machine Intelligence)的相關研究。
在接下來幾年，資料將會是企業最重要的資產，為了能夠掌握未來發展，企業應該要能夠掌握資料，並開始投入研究資料，進而將資料用在各種智能應用上面。但是因為機器智能(Machine Intelligence)技術越來越複雜，門檻越來越高，因此希望成立機器智能實驗室，希望大家一同共襄盛舉。
======================= [工商服務] =======================
目前JerryWu老師是Google機器學習開發專家，同時擔任機器智能（人工智慧）訓練講師，目前在廣宣學堂、T客邦、資策會、工研院、中國生產力中心、文化大學進修推廣部......等知名訓練機構擔任講師，也同時是亞太智能機器的創辦人兼技術長。
教授課程包含：
機器學習、機器理解、機器視覺、Python基礎課程、Python資料分析課程、預測分析與管理。
有需要的朋友歡迎來信 jerry@ap-mic.com
未來所有智能化的來源都是資料，而研究多年「資料應用」的Jerry，希望能夠將資料與智能化整合，就像阿里巴巴馬雲說的「以前的電器是插上了電以後就聽你話。未來電器不僅要通電，更要通數據。機器收到數據之後，機器比人變得越來越聰明」。
另外也有牛津大學的學者提到「機器智能將會是我們人類最後一個發明」，讓我更決定開始投入機器智能(Machine Intelligence)的相關研究。
在接下來幾年，資料將會是企業最重要的資產，為了能夠掌握未來發展，企業應該要能夠掌握資料，並開始投入研究資料，進而將資料用在各種智能應用上面。但是因為機器智能(Machine Intelligence)技術越來越複雜，門檻越來越高，因此希望成立機器智能實驗室，希望大家一同共襄盛舉。
======================= [工商服務] =======================
目前JerryWu老師是Google機器學習開發專家，同時擔任機器智能（人工智慧）訓練講師，目前在廣宣學堂、T客邦、資策會、工研院、中國生產力中心、文化大學進修推廣部......等知名訓練機構擔任講師，也同時是亞太智能機器的創辦人兼技術長。
教授課程包含：
機器學習、機器理解、機器視覺、Python基礎課程、Python資料分析課程、預測分析與管理。
有需要的朋友歡迎來信 jerry@ap-mic.com
2016年7月17日 星期日
「2016 台灣資料科學愛好者年會」精彩資料總整理(持續更新中)
這幾天(2016/7/14 ~ 2016/7/17)資料科學界在台灣最重要的活動，莫過於2016 台灣資料科學愛好者年會，這已經是每年在台灣資料科學界最大的活動之一，今年的票也是不到一小時就幾乎賣光，對這個活動的歷史有興趣的朋友們可以參考「2015年」、「2014年」，今年的主題相較去年，更有趣，更多元、更多產業上的案例。
除此之外，筆者也發現贊助的公司也變得相當的多，今年贊助公司包含國泰人壽、東森信息科技股份有限公司、玉山金控、funP 雲沛創新集團、HTC、台灣 IBM、新加坡商鈦坦科技 TITANSOFT、潮網科技、Vpon 威朋、宇匯知識、勤業眾信、遊戲橘子、GMobi通用移動、Google、艾肯娛樂、宣捷生物科技、MIGO 功典、Mozilla TW、天氣風險、琅茶，從中我們可以發現不只資訊公司，也包含其他產業的公司，像是生物研究、天氣、會計，甚至是金融業都來加入，整體上台灣資料科學發展的凝聚力，在今年又更上一層樓。
今年筆者一樣秉持著自己也是資料科學愛好的一份子，將今年的資料科學活動內容整理如下，供自己與有興趣的朋友們參考：
- 2016台灣資料科學年會開場投影片
- Riot Games Head of Data Science
- 用數據解決都會城市的停車問題
- 隨機對照實驗在公共領域的應用
- 數據分析在運輸管理之應用
- 大數據下的情緒分析
- 一個賭徒的告白 2：交易策略建構與分析，為何你該賭小一點？
- 從薪酬制度讀 CEO 的行為心理學
- 自己的空氣品質自己量 : 談參與式環境感測的機會與挑戰
- 如何備料：資料的抓取、清理以及串接
- 黃從仁/心理與行為資料中的因與果
- 資料科學與防疫應用的結合 : 以登革熱防治為例
- 資料分析前的奏曲 : 談資料收集的挑戰
- How to approach data science problems from start to end
- 未來城市的任意門 (Mobility on Demand for Future Cities)
- 人類行為訊號處理 : 跨學科 (醫療、教育、心理) 應用實例分享、心得、展望
- 從手機解讀行為與心理
- Crowd Computing for Big and Deep AI
- 智慧型工程管考系統 : 資料分析經驗談
- 音樂資料檢索
- 當語音處理遇上深度學習
- 公私協力的公共服務 - 以資料面詮釋
- 從電腦視覺看人工智慧 : 下一件大事
- 我在智慧交通資料解析的失敗歷程
- It's Not What You Say: It's How You Say It!
- 貓都學得會的手機維修資料分析
- The Growth of a Data Scientist
- Practical Issues in Machine Learning
- 沒有大數據怎麼辦 ? 會計師事務所的小數據科學
- Feature Engineering in Machine Learning
- 漫談 R 的學習挑戰與 R 語言翻轉教室
- 娛樂產業中的資料科學家 : 談資料科學於線上遊戲與職業運動之應用
- 空間數據分析推動精準新農業
- 世代之爭爭什麼 ? 談談如何從調查資料挖掘出豐厚的意義
- 資料視覺化的 20 個小訣竅
相關新聞：
其他相關資訊：
訂閱：
文章 (Atom)