讓物聯網應用開發全面提速,巨頭們用了“大”招【物女心經】
作者:物女王(彭昭)
物聯網智庫 整理發佈
導 讀
物聯網時代,工具的選擇尤為重要。當大部分人還拿著大刀長矛以原始姿勢赤身肉搏時,率先發明火炮步槍,並掌握狙擊方法的人想輸都難。既然IoT低代碼程式設計工具已經出現,我們有必要將它仔細審視一番,掂量一下是否趁手。
在各種IoT平臺你爭我奪的“大戰”中,平臺型企業或者初創物聯網公司紛紛都在打磨著自己的IoT程式設計工具,前沿的一些已經初具雛形,尤其值得關注:
• 本周,阿里雲IoT更新了IoT Studio,這是一套針對物聯網應用的開發工具。IoT Studio可以提供視覺化的應用開發和服務開發能力,説明使用者改善在實際專案交付中,經常面臨的應用開發成本高、需求定制化程度高、投入產出比低等問題。
• 西門子收購的低代碼平臺Mendix在去年實現了150%的高增長。今年4月,西門子將Mendix與工業互聯網平臺MindSphere進行了集成,這意味著沒有很強IT程式設計經驗的OT工程師們,也可以利用Mendix快速構建物聯網服務。Mendix已經培育的60,000名開發者,也將為MindSphere快速構建應用程式。
這些舉措對於物聯網來說具有深遠影響,他們都指向同一個方向:改進程式設計工具、簡化程式設計環節、降低開發成本,是加速物聯網專案落地的一條捷徑。
由於在物聯網時代,工具的選擇尤為重要。當大部分人還拿著大刀長矛以原始姿勢赤身肉搏時,率先發明火炮步槍,並掌握狙擊方法的人想輸都難。
既然IoT低代碼程式設計工具已經出現,我們有必要將它仔細審視一番,掂量一下是否趁手。
因此在本文中你將看到:
• 什麼是IoT程式設計工具?
• 為什麼需要低代碼?
• IoT低代碼程式設計工具之間有什麼差異?
01
什麼是IoT程式設計工具?
在互聯網時代的IT軟體世界中,有4個最核心的成員:
作業系統、程式設計語言、編譯器和資料庫。
1970年,貝爾實驗室的肯•湯普遜和鄧尼斯•利奇開發出了世界第一個通用型電腦作業系統:Unix。
1985年,微軟推出了第一版Windows作業系統。
Linux是一類Unix電腦作業系統的統稱,公認在1991 年誕生。
目前在移動設備上廣泛使用的Android作業系統,也是創建在Linux內核之上。
而程式設計語言的出現,在作業系統之前。
1952年,組合語言Flow-Matic出現。組合語言本質上是使用助記符來代替機器語言01010101,但這種語言對電腦硬體依賴很大。不同的電腦,組合語言不相通。
1957年,世界上第一個高級程式設計語言FORTRAN問世,它使電腦語言從原始的低級組合語言走到人人易懂的境界。
從此,電腦不再是科學家的專利。可以說FORTRAN的誕生,孕育了軟體產業。此後,電腦高級程式設計語言進入蓬勃發展的時代。
由此,可以看出作業系統和程式設計語言的重要性不相伯仲。
到了物聯網時代,作業系統發生了變化。
互聯網時代,作業系統調度的是PC或者手機中的計算和存儲資源。
物聯網時代,作業系統進化為物聯網平臺,它對“物體”的調度過程,由調度“雲、管、邊、端”不同層級中不同設備的計算資源而實現。
比如RT-thread、Mindsphere、WISE-PaaS…都是物聯網時代的作業系統。
下圖是在微軟眼中,物聯網時代作業系統應當具備的能力:
相比於PC作業系統,物聯網作業系統或者平臺具有以下幾個明顯特性:
• 無縫更新:系統更新通過後臺完成,無需中斷
• 更加安全:具備防止惡意攻擊能力
• 長期連接:保持 5G、WiFi等連接能力,保證設備間能一直相互連接
• 可持續的性能
• 雲端接入能力:支援設備與設備間進行無縫訪問資料
• 具備AI能力
• 支持各種交互:兼顧觸控、手寫、語音、鍵鼠等方式,以及能夠通過感測器和姿勢感知
• 多樣產品形態:支援雲、邊、端的應用
最近一系列基於微內核的IoT OS推出,比如阿里AliOS Things、華為鴻蒙OS、GoogleFuchisa,進一步詮釋了物聯網作業系統的特徵。
微內核並非新鮮事物,最早可以追溯到卡內基梅隆大學在1985年推出的微內核作業系統 MACH。新一代的微內核IoT OS可以支援從小到大的各種智慧設備,包括從煙感感測器、到攝像頭、再到計算閘道等;提供各種本地外掛程式、羽量級GUI、以及豐富的連結協定,滿足碎片化的設備開發的需求;還有豐富的雲端一體化的外掛程式,包括連雲套件、OTA、視頻語音連雲套件,確保設備和雲端的設備影子即時同步。
總而言之,基於微內核的物聯網作業系統,有能力適配高度碎片化的硬體與晶片生態,有豐富的本機群組件來支援不同的設備,又能夠充分和雲端的大資料計算能力形成協同,奠定了數位化物理世界的基礎。
在互聯網時代,作業系統幾乎只需要支援PC和手機就可以完成任務。但是到了物聯網時代,IoT作業系統或者IoT平臺的複雜性急劇上升,為了令其更加易用,程式設計語言也需隨之進化,IoT程式設計工具由此產生。
從作業系統到物聯網平臺,從程式設計語言到IoT程式設計工具,這是一個自然而然的推進過程。
可以預見,編譯器和資料庫在物聯網時代也將產生更新或者變異。比如華為在8月31日剛剛開源的方舟編譯器,以及濤思資料推出的時序資料庫,都更加適合物聯網時代的應用。
在物聯網時代,上述這些工具都會進化,有些可能會徹底變成新的物種。IoT平臺與PC作業系統有本質不同,IoT程式設計工具也與程式設計語言有著天壤之別。
因此,在物聯網時代我們需要一個更加立體、分層和全域的視角,來看待關鍵領域。不管是作業系統,還是程式設計語言,都應建立一個全新的理解,從而發現新的機會,更好的利用工具,實現物聯網業務的拓展。
02
什麼是低代碼?
既然與PC作業系統相比,IoT平臺的複雜性急劇上升,需要調度“雲、管、邊、端”各方資源、兼顧傳感、姿勢、語音等各種對話模式,又要保持5G、WiFi、BLE等連接隨時線上…
那麼,IoT程式設計工具的重要使命就是降低這種複雜度,讓開發者可以輕鬆上手。因此“低代碼”是大勢所趨。
簡單來說,“低代碼開發”被用來描述一種快速設計和開發的軟體系統,無需編碼或通過少量代碼,就可以快速生成應用程式。它是研究機構Forrester Research在2014年最先使用的一個術語。
其實低代碼並不是最近才出現的新事物,它可以追溯到上個世紀90年代。
在1991年誕生的快速應用程式開發(Rapid Application Development,縮寫:RAD),目標是在60到90天的短時間內,建立符合使用者要求的業務軟體。RAD的出現掀起了一場程式設計方式的革命,它帶來了視覺化程式設計,使得程式設計的門檻變低了。
根據Forrester的分析預測,低代碼平臺有可能使軟體發展速度比傳統方法快上10倍。到2022年,低代碼平臺市場將從現有的40億美元,增長到220億美元。
如果將“低代碼開發”和汽車製造做類比,“低代碼”之于IoT開發者就像自動化生產線對於汽車行業的作用。
過去汽車的裝配需要手工完成,現在都是通過自動化生產線實現。雖然早期自動化進程中使用的生產線,對汽車複雜多變的配置無能為力,但它們確實加快了裝配和交付的進程。
作為對比,現在的程式設計工作大部分還處於手工作業階段,生產效率在很大程度上取決於編碼者個人的專業技術水準,“低代碼”儘量用少量的代碼開發出企業級的應用,最大限度的提高應用開發的效率。
眾所周知的低代碼實例是WordPress,它是一款開源CMS(Content Management System,內容管理系統),特性是易上手,開發速度尤其快,甚至無需代碼,直接安裝範本和外掛程式就可以達到要求。
使用WordPress,中小型企業只需雇傭一名不懂程式設計的員工,便可以借助網上發佈的各種主題和外掛程式,在完全不需要程式設計代碼的情況下進行基本網站編輯。目前WordPress已經支持了世界上超過70%的網站。
至此,可以看到低代碼具有如下優勢:
• 降低程式設計門檻,不需要大量的程式設計知識
• 大大加快應用程式的開發和部署時間
• 節省成本,節省專案規劃或員工培訓的時間
• 使用者可自訂模組,應用程式可以靈活調整
• 開發者可以將精力更好的分配於核心任務
任何事物都有兩面,必須說明,低代碼也存在使用風險:
• 供應商被鎖定:目前低代碼程式設計工具並不通用,選擇其中一種便意味著鎖定了供應商。
• 維護成本較高:由於低代碼及其供應商存在較強的耦合性,也就意味著供應商擁有較強的議價能力。
• 存在監管隱患:因為減少了代碼編寫的工作量,開發者很難知道API調用的背後隱藏著什麼秘密。
• 功能可能有限:任何低代碼的供應商都不可能預測到所有的應用細節,如果開發者希望更加靈活地適應企業的需求,就需要使用自己編寫的代碼來滿足。
• 應用千篇一律:低代碼程式設計專案可能最終看起來彼此都非常相似,因為開發者使用的是相同的模組。
任何技術都有利弊,越容易被創建,往往也意味著,越容易被複製。
而我們需要做的,就是權衡利弊,想好自己是否要用這個工具。
03
IoT低代碼程式設計工具之間有什麼差異?
總體而言,有兩類公司在提供IoT低代碼程式設計工具,分別是物聯網平臺型企業和應用服務初創型公司。
除了文初提到的阿里和微軟,AWS、Google、Salesforce等巨頭都有提供IoT低代碼程式設計工具。
典型的低代碼平臺初創公司,除了被西門子收購的Mendix,比較知名的還有OutSystems、ServiceNow、Kony等。
市場研究機構Gartner和Forrester分別繪製了低代碼平臺的格局版圖。
這兩類公司由於各自目標不同,所提供的IoT低代碼程式設計工具其側重點也有所區別。
物聯網平臺型企業:這類企業的目標是降低物聯網平臺的應用門檻,彙聚開發者生態,因此往往提供的是端到端的IoT低代碼程式設計工具或者開發環境。
以阿里雲最近更新的IoT Studio為例,它是一套專為物聯網應用所設計的整合式開發環境IDE,功能包括:
• 設備資料無縫集成:設備相關的屬性、服務、事件等資料均可從阿里雲物聯網平臺設備接入和管理模組中直接獲取,大大降低物聯網開發工作量。
• 面向各個行業提供場景化範本:開發者可以直接利用現有的(包含設備,應用和服務的)解決方案模版來開發自己的業務,將原有需要幾周的開發過程縮短到幾天。
• 視覺化應用開發:使用者通過簡單的視覺化拖拽的方式,即可將各種元件、圖表與設備相關的資料來源進行關聯,幾乎無需任何程式設計經驗,整個過程就像使用PPT一樣簡單。
• 提供服務開發的功能:使用者可以很方便的實現設備之間的聯動、設備與服務之間的資料流程轉。IoT Studio打通了阿里雲API市場,用戶還可利用各種人工智慧及資料分析的API。
應用服務初創型公司:這類企業將低代碼平臺本身作為核心產品,探索與之相應的新型行業模式,因此他們的程式設計工具一般並非針對物聯網應用所創建,或者並不具備對於物聯網異構設備的支援能力。
以被西門子並購的Mendix為例,它本身是一個加速企業敏捷開發流程的PaaS平臺,並自稱是全球唯一一個真正的雲原生低代碼平臺。
它由3個無縫集成的產品組成:Sprintr,AppFactory和Mendix Platform-as-a-Service,分別實現的功能如下:
• Sprintr:採用羽量級的社交方法進行企業專案協作。通過在整個企業中提供協作平臺,Sprintr打破了不同部門和專業之間的隔閡,所有員工都是同一個私有社交網路的一部分。
AppFactory:讓使用者能夠使用高級視覺化的模型開發應用程式。這可以實現業務和IT之間的協作,還可縮短回饋週期。AppFactory又由3個元素組成:
-Mendix Business Modeler:使用視覺化模型設計和開發應用程式的建模環境。
-Mendix Team Server:基於雲的模型存儲庫,用於團隊成員協作並進行版本控制。
-Mendix AppStore:應用市場,用於共用和下載業務範本、主題和技術元件。
• MendixPlatform-as-a-Service:使用者只需按一下一下,即可從Mendix Business Modeler中將應用程式模型上傳到Mendix PaaS,從而輕鬆部署應用程式。
被西門子收購之後,Mendix在最新的19版中增加了對於物聯網設備的支援,並升級了AI引擎,提供對於物聯網資料的分析服務。
----寫在最後----
借助IoT低代碼程式設計工具,讓企業有機會嘗試用更少的資源更快更好的實現應用。如果將其承載在工業大腦或者智慧城市的管理平臺之上,勢必將會激發各類應用開發者的創意和想法,讓各類應用快速集成落地。
對於開發者數量有限的傳統行業,IoT低代碼程式設計工具還有可能加速IT和OT的融合。
當然,各種IoT低代碼程式設計工具是否被宣傳得恰如其分,是否在實踐中方便使用,還需要經過驗證。
本文小結:
1.在物聯網時代我們需要一個更加立體、分層和全域的視角,來看待關鍵領域。不管是作業系統,還是程式設計語言,都應建立一個全新的理解,從而發現新的機會,更好的利用工具,實現物聯網業務的拓展。
2.與PC作業系統相比,IoT平臺的複雜性急劇上升,IoT程式設計工具的重要使命就是降低這種複雜度,讓開發者可以輕鬆上手,因此“低代碼”是大勢所趨。
3.現階段有兩類公司在提供IoT低代碼程式設計工具,分別是物聯網平臺型企業和應用服務初創型公司。
資料來源:https://mp.weixin.qq.com/s?__biz=MjM5MTM5ODQyMA==&mid=2651216898&idx=1&sn=b08fe67b565b6c82dadd4468ac21c791&chksm=bd44d3798a335a6fdb7bbb7aa838ebd4d98a2409990dd97fb56ad85d33d3a95d7fe7bb5d418c&scene=21#wechat_redirect
「ai應用實例ppt」的推薦目錄:
- 關於ai應用實例ppt 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
- 關於ai應用實例ppt 在 Re: [心得] 自學AI資源分享- 看板DataScience - 批踢踢實業坊 的評價
- 關於ai應用實例ppt 在 ai應用實例ppt2023-精選在臉書/Facebook/Dcard上的焦點新聞 ... 的評價
- 關於ai應用實例ppt 在 ai應用實例ppt2023-精選在臉書/Facebook/Dcard上的焦點新聞 ... 的評價
- 關於ai應用實例ppt 在 青年迴響計畫 的評價
- 關於ai應用實例ppt 在 ai app應用 :: 電子資訊達人 的評價
- 關於ai應用實例ppt 在 【AI人工智慧應用】五分鐘讀懂深度學習應用案例與產業現況 的評價
- 關於ai應用實例ppt 在 【極速簡報巨集】AI 工具ChatGPT 生成簡報PPT 巨集VBA 程式 ... 的評價
- 關於ai應用實例ppt 在 jumbokh/gcp_class: Google Cloud AI人工智慧與機器學習 ... 的評價
- 關於ai應用實例ppt 在 ai人工智慧應用的推薦與評價,YOUTUBE - 最新趨勢觀測站 的評價
ai應用實例ppt 在 ai應用實例ppt2023-精選在臉書/Facebook/Dcard上的焦點新聞 ... 的推薦與評價
ai應用實例ppt2023-精選在臉書/Facebook/Dcard上的焦點新聞和熱門話題資訊,找ai應用實例ppt,ai生活應用,ai應用實例ppt,人工智慧日常生活應用 ... ... <看更多>
ai應用實例ppt 在 ai應用實例ppt2023-精選在臉書/Facebook/Dcard上的焦點新聞 ... 的推薦與評價
ai應用實例ppt2023-精選在臉書/Facebook/Dcard上的焦點新聞和熱門話題資訊,找ai應用實例ppt,ai生活應用,ai應用實例ppt,人工智慧日常生活應用 ... ... <看更多>
ai應用實例ppt 在 Re: [心得] 自學AI資源分享- 看板DataScience - 批踢踢實業坊 的推薦與評價
感謝原 PO 的分享,我也來分享一下我自己的學習清單
==== 前言 ====
去年因緣際會知道了有關大數據、資料科學、機器學習這些領域
本來考慮要去參加資策會的課程,但自己要在家帶小孩
如果參加課程,小孩要找保母,整個機會成本太高,因此決定自學先
網路課程現在幾乎是隨手可得,想要自學的人根本不怕沒有教材可以學習,但是五花八門
的課程中,怎麼去選擇就是一個很重要的問題了。
我自己是一個門外漢,因此在選擇課程以及安排上面花了蠻多時間,以下大多是我看過或
是大概瀏覽過覺得不錯的課程,就推薦給想要自學又不知道怎麼開始的朋友們吧~
==== 概論 ====
由於自己雖為國立大學數學系畢業,但畢業非常多年,加上自己也非科班出身,因此想要
先了解整個領域的範疇、概要,之後再開始針對各個科目分進合擊。
PS : 初期我自己都以大數據為出發點,所以上的課都是大數據概論取向,但再其中其實
對於資料科學、AI、機器學習都會講到。
1. [ Coursera ] 大數據分析:商業應用與策略管理 (Big Data Analytics: Business
Applications and Strategic Decisions)
這門課是台大與玉山銀行合作開的線上課程,與其說是課程,我認為比較偏向講座,在這
過程中可以對大數據、機器學習等在商業上的應用。這堂課可當作補充資料來上,會有一
些實務應用上的概念,當然,如果沒時間也不一定非得要上。
2. [ Coursera ] Big Data Specialization
University of California, San Diego 開設的這們課程,我個人還蠻推薦的,尤其是對
跨領域、無先備知識的學習者來說,可以在這一系列課程中很快速地對整個領域有蠻深入
的理解。
3. [ Book ] 精通 Python
4. [ Book ] Python 資料科學學習手冊
這兩本都是 O’REILLY 的經典書籍,我必須坦白說我沒有完整的看完,精通 Python 我
針對資料科學的部分有完整看過,然後做習題,但裡面很多章節稍微跟資料課學無關的我
幾乎都暫先跳過,而資料科學學習手冊我是都拿來當工具書翻閱。( 所以我 coding 能力
還是一樣很差XDDDDD )
==== Python ====
第二階段我開始以 Python 為主進行學習,因為我自己 coding 能力幾乎是 0,這個部分
必然要作為初期學習的重點項目。另外,雖然說這是第二階段,但其實這部分跟上述的概
論課程我幾乎都是同時期一起上課。( 不過我坦承到現在我自己的 coding能力還是很差XDD )
1. [ Coursera ] Python for Everybody Specialization
這門是 University of Michigan 所開設的 Python 專項課程,完全從 0 基礎開始上課
,上完以後可以可以進行一些初階的程式作業我想是沒有問題的,這堂課並沒有太多針對
資料科學的部分,主要是以各領域都會用到的基礎工具為主。Charles Russell 的上課方
式我超喜歡,喜歡友去上課方式的人我想也會跟我一樣喜歡這門課。
2. [ Coursera ] Applied Data Science with Python Specialization
一樣是 University of Michigan 開設的,這專項課程我作為上門課程的接續課程。前面
幾堂會針對 python 在資料科學中會用到的模組、方法進行概略式的瀏覽,後面則會針對
視覺化、機器學習等領域做較為深入的介紹。整個課程較上一門來說困難度增加不少,因
為我自己有做手寫筆記的習慣,這門課的許多東西在我現在 coding 遇到問題時都還能翻
閱筆記作為工具書使用,我覺得受益不少。
3. [ Coursera ] Fundamentals of computing
Rice University 所開設的課程,之前應該也是在論壇看見推薦的,但課程難度較高,目
前我也是暫時先擱置還未進行這課程的學習。
===== Machine Learning =====
1. [ YouTube ] 機器學習基石 & 技法
(Machine Learning Foundations and Techniques)
台大林軒田教授所開設的機器學習課程,在 Coursera 與 YouTube 軍可以免費觀看課程
內容。這門課主要以基礎的機器學習演算法為主,但雖然說世紀處演算法,但內容包含的
數學比重較重,啃下來的確會有點困難,但整個課程的安排的確非常流暢,老師的講述也
算是蠻清楚。而且教授對於課程教學十分用心,如果在 YouTube 或是 Coursera 上面提
問,教授 (或助教) 都會盡可能地回覆。( 即使課程已經是兩三年前的課程了,現在也都
會看到教授的回覆,非常用心。 )
2. [ YouTube ] Machine Learning — 李宏毅
台大李宏毅所開設的機器學習課程,一直以來都是台灣及中國學習者極力推薦的中文課程
之一。課程內容與時俱進,每一年都會將最新的機器學習、深度學習的演算法、模型加入
到課程內,讓學習者能夠跟上整個領域的發展。數學的比重比林軒田教授的課程低,而且
多了許多有趣的範例及講述,上課起來輕鬆不少。然而,影片內容我個人覺得安排較為紊
亂,可能是每一年的課程進度剪接而成,在某一些地方的銜接度較差,這是上課時稍微讓
人困惑的地方。不過瑕不掩瑜,這門課程我認為還是非常值得花時間上的。
[ 補充 ] 最近中國一些人將李宏毅的課程整理成一個 github 專案,完全複刻課程內容
,包含了課程中的所有 demo 以及課程作業內容,非常值得大家在上課的同時做參考使用
。
[ 補充 ] 李宏毅另外有一門課程 " Machine Learning and having it deep and
structured ",會更深入講解機器學習的演算法跟架構,這也是後續上完 Machine
Learning 後可以深入補充的課程。
3. [ Coursera ] Machine Learning — Andrew Ng
由 Stanford University 的吳恩達教授所開設的課程,這已經是全世界公認的經典了,
不過已經花了大半年上完前面兩門課程的我,可能要稍作休息,待日後有機會再來進行這
門課程的學習。
4. [ YouTube ] Large-Scale Machine Learning
清大吳尚鴻所開設的課程 (https://www.cs.nthu.edu.tw/~shwu/courses/ml/),忘了在哪
看見推薦的,我有上去大概看了一下,就學習論的部分我覺得講解的蠻清楚,就也是有空
可以再回頭來看看。
===== Mathematics =====
整個 Machine Learning 所涵蓋的數學領域其實是很廣的,有一些甚至不是數學系四年會
碰觸到的部分,而且某些部分甚至都是數學系、所一整學年的課程,我認為不用太糾結每
一個數學細節,找到一個可以說服自己的方式就好。( 當然,如果你真的想走演算法這條
路,要求就要再提高ㄧ些 )。如果有時間我會建議可以把機率統計以及線性代數的部分上
過一次(我大學機率統計實在學得慘不忍睹),我認為這兩個領域如果可以上手,就會輕鬆
許多。
1. [ 清大開放式課程 ] 機率論
2. [ 清大開放式課程 ] 統計學
3. [ 清大開放式課程 ] 數理統計
這三們都是清大鄭少為老師所開的課,基本上他的機統普遍受到許多人的推薦,我自己有
看過前面幾堂的機率論,我認為條理清楚,講義也很詳細,這是我真的很想找時間上的課
程。
4. 線性代數
這個部份我目前暫時沒有重新上課的打算,大學教授上的非常好,我的筆記也都還留著,
就可以來回對照著參考,如果有推薦的課程也可以讓我知道,一起推薦給所有人參考看看
。
===== 補充資料 =====
這裡推薦幾個我認為很有幫助的學習途徑,有些是課程,有些並不算是。但我認為都可以
在上面這些基礎課程以外作為增強實力的補充教材。(備註 : 這裡我選出來的都是比較廣
泛性的平台,但 Medium 或是ㄧ些個人部落格也有很多非常棒的補充資料可以看,但這樣
的資料多且雜,我就暫時沒收在下列推薦名單中。)
1. AI 研習社 ( https://ai.yanxishe.com/ )
不得不說,中國在這領域的發展真的比台灣快而且豐富,當我在學習過程中找尋中文資料
時,九成都是從中國的論壇或是部落格中找到,台灣在這方面的分享上面的確比較少。
AI 研習社我會建議大家可以去他的線上課程看,裡面有幾個大師級的課程 ( 重點是有簡
中字幕XD ),例如 Hinton 的課程我就會想要找時間來看一下。裡面還有一些資料、論文
整理的部分,大家也是可以上去晃晃看。
PS:它有一門「機器學習必修之數學基礎」系列課程其實我還蠻有興趣的,但是學費不便
宜就…
2. CSDN博客 ( https://blog.csdn.net/ )
不管閱讀論文還是課程上面有疑問,絕對可以針對同一件事情再上面找到非常多樣化的解
釋。上面我曾經說過,很多時候不要拘泥,找到一個能說服自己的方式就好,通常我都會
在許多不同的解釋當中選擇一個我比較理解且能接受的方式作為我對這件事情的理解。
3. 知乎
這有點像是中國版的奇摩知識+ (?),針對一個問題也可以看到底下有許多不同角度的切
入,我覺得這樣的學習其實蠻不錯的。當我在找資料的時候,只要是CSDN跟知乎我都會點
進去看一下,許多時候都會有不錯的收穫。
4. reddit/MachineLearing ( https://www.reddit.com/r/MachineLearning/ )
reddit 的 Machine Learning 版裡面有許多的神人,還潛伏了許多論文的作者在裡面,
時不時會有一些很新的論文發表、成果發表還有許多有趣的討論在裡面,我覺得可以收藏
起來看。
5. 微博公眾號
好,我知道這部分爭議很大,如果真的很介意的可以跳過這一 part。
我完全沒有在用微博,但為了ㄧ些公眾號的訂閱我才開始使用。許多公眾號會把很新的
AI 新知、或是一些知識整理放出來,雖然品質參差不齊,但也不得不說有時候真的能撿
到一些不錯的好文章。另外,覺得閱讀reddit 全英文資料很吃力的,有時候大概在
reddit 上面發表一兩天之後公眾號就有簡體中文的說明出來,我覺得有時候偷吃步其實
也是蠻可以的啦XDDDDD。還有一個公眾號會每天發送各種領域最新的論文內容出來,如果
閱讀論文速度很快的,可以從這樣的公眾號中拿到很多最新的論文資訊。
=======END=======
以上是我自己的一些學習資訊,也提供給大家參考看看
當然還有很多非科班出身必須要修的 例如資料結構跟演算法等等
我目前還沒有什麼概念,如果有人有推薦課程也希望不吝分享讓我知道一下
--
聽眾散去了,希爾伯特卻仍留在講台上,
他等著看自己是否已經運用有利的例子,優越的論證,
以及具誘惑力的23個問題,
塑造他期盼見到的未來.....
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.45.98.201 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1565639939.A.F2F.html
... <看更多>