無聊看看

UUIDs&Uild 應用 UUIDs&Uild 應用 UUIDs 概念 UUID 出自 RFC 9562標準 可以保證跨空間與時間的唯一性，長度總共16bytes或128bits，表示隨機產生這些字串並在某些條件下保證不會重複，這種方式對分散式系統在建立物件ID的地方是很有效益，因為可以保證在分散式系統是唯一值或是保證碰撞的可能性較低，也常應用在微服務架構中。當產生一組隨機序號，字串其中中間4表示UUID的版本，9隨機亂數。 C#呼叫Guid.NewGuid()就是產生UUID字串的方式 範例: cb9ec1e3-0cb1- 4 e33- 9 ee1-e86b725964f8 UUID v4範例 for ( int i = 0 ; i < 10 ; i++) Console.WriteLine(Guid.NewGuid()) /* 輸出 cb9ec1e3-0cb1-4e33-9ee1-e86b725964f8 d7250a44-9ccf-4b21-af55-e13cef7bc09b 3793f197-2d7b-4cad-b5f3-2c88946feb97 08845d8c-cf31-4cc2-b4fb-c23d2426ec56 88bd93f7-116b-4418-8954-b116f2995ebf 2ac06c87-8e2d-4515-9d84-25ee324d9efd b9e911b0-a509-4d24-88ef-bc5739cc6024 91b2185c-92f7-4656-9bce-f9e0aba17181 7ca9976e-6cc4-424b-8453-2c591d9ba17f 1b4af183-d3cc-4571-b2c6-3b76a419b9c8 */ UUID 缺點 (1) UUID在資料庫insert會比較慢，如果大量寫入會很明顯 (2) UUID會造成index fragmentation， 因為UU...

C&num; DI 輕鬆學 C# DI 輕鬆學 DI 概念 IoC (Inversion of Control) - 控制反轉 定義：IoC 是一種設計原則，將對象的控制權從內部轉移到外部。具體而言，應用程式不再負責控制物件的建立與管理，而是將這些工作交給外部的容器或框架。 作用：通過將控制權反轉，可以讓應用程式更具彈性、更容易測試，並提高可維護性。 舉例： 傳統設計：類別 A 自行建立類別 B 的實例（new 關鍵字）。 IoC 設計：類別 A 的類別 B 由外部容器或框架提供，類別 A 不直接控制物件的建立。 DIP (Dependency Inversion Principle) - 相依反轉原則 定義：DIP 是 SOLID 原則中的一部分，主要指： 高層模組不應該依賴低層模組；兩者應依賴於抽象（介面或抽象類別），處處都介面。 抽象不應該依賴細節；細節應該依賴抽象。 目的：降低模組間的耦合性，使程式更靈活、更易於擴展。 舉例： 壞設計：類別 A 直接依賴類別 B。 好設計：類別 A 依賴於一個介面，由類別 B 實現該介面。 說明: 當使用 MSSQL 建立的 Repository 來存取資料表時，Service 類別會依賴該 Repository 類別進行資料操作。 也就是說，Service 與低層的 Repository 類別存在相依性。然而，假設有一天需要將 Repository 的實現改為使用 NoSQL 來存取資料，此時勢必需要重新改寫 Repository 的實作，而這種改變也會影響到 Service 類別的內部結構， 導致高層模組（Service）與低層模組（Repository）的耦合性過高。 為了解決這個問題，我們可以採用 DIP（依賴反轉原則） 的設計模式。在此模式下，我們會建立一個 IRepository 介面 ，定義高層模組與低層模組之間的契約。Service 類別只依賴於該介面，而不關心具體的...

  1. 安裝poetry > curl -sSL https://install.python-poetry.org | python3  >pip install poetry > poetry config virtualenvs.in-project true >poetry env use /usr/local/bin/python3.11 >poetry run python --version 2.  Poetry下任何指令都會出現No Python 問題 PS D:\雜項\python範例> poetry config --list No Python at '"C:\Users\Bryant.lin\AppData\Local\Programs\Python\Python311\python.exe'\ Ans: C:\Users\Bryant.lin\AppData\Roaming\pypoetry\venv\pyvenv.cfg 將內容python的目錄修改，就可以重新執行 home = C:\Users\Bryant.lin\AppData\Local\Programs\Python\Python313 include-system-site-packages = false version = 3.11.3 executable = C:\Users\Bryant.lin\AppData\Local\Programs\Python\Python313\python.exe command = C:\Users\Bryant.lin\AppData\Local\Programs\Python\Python313\python.exe -m venv --clear C:\Users\Bryant.lin\AppData\Roaming\pypoetry\venv

Nonlinear Transform 淺談機器學習原理-Nonlinear Transform Nonlinear Transform *通用能力 gerneralization : 就是將訓練好的模型，放到正式環境可以正常的運作，通常Linear Model的gerneralization會比較好，因為線性模型解決的問題比較單純。缺點是應用侷限比較大。 參考Chih-Chung Chang老師的範例:縣性與非線性分類範例 https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 非線性問題 當如果今天假設要圈出裡面小圈圈的資料，我們就無法使用線性的模型，我們可以用非線性解像圈圈的方程式 s i g n ( − x 1 2 − x 2 2 + r ) sign(-x1^2-x2^2+r) s i g n ( − x 1 2 − x 2 2 + r ) 來解決，在演算法我們利用reduce來將不會的問題透過已知的問題來解決，所以在這個問題 我們將圈圈的方程式(非線性模型)reduce成線性模型來解決。 Reduce 方法論 我們調整圓形的方程式改為 z 0 z_0 z 0 ​ , z 1 z_1 z 1 ​ , z 2 z_2 z 2 ​ 來轉換線性方程式， { ( x n , y n ) } \{{(x_n,y_n)}\} { ( x n ​ , y n ​ ) } => { ( z n , y n ) } \{{(z_n,y_n)}\} { ( z n ​ , y n ​ ) } 在這空間資料中只要能找線，就可將不同的分類區分，圖中可以線性可以線去做分類。 透過向量方式來轉換成線性方程式 我們找到一個方式將非線性資料X透過向量轉換為Z後，希望透過線性方程式方式來學習，得到正解。 當我們Nonlinear transform轉換成線性方程式，當有新的資料進來我們無法使用invertiable(逆向工程)的方式去轉回非線...

Linear Regession 淺談機器學習原理-Linear Model Linear Regession 需要預測數值，輸出為實數的數值，我們就稱為它是regession的任務。 範例:Netflix百萬獎金比賽，有100萬筆的rating資料與480K的使用者給17.7k的電影來評分，預測使用者評分電影的星星*數量。 (1) 定義問題是否需要使用ML : 預測使用者評分電影的星星*數量，算是一個複雜的問題。且知道評分結果為1~5星，可以知道這是一個regression的任務 (2) 收集資料 : Netflix有100萬筆的rating資料與 (3) 定義模型 :假設它是regession問題，我們可以知道hypothesis: h(x) = w T ∗ x w^T *x w T ∗ x 的方程式。我們可以與分類Perceptron的公式來比較。 Linear Regession :用來找到最接近實際目標值，也就是最小誤差error的值 (4) 測量誤差 : squared error : ( 預測值 − 真實的值 ) 2 (預測值-真實的值)^2 ( 預測值 − 真實的值 ) 2 ，我們算出誤差值後，如何得到最小的誤差min(Error(x)) 理想化的誤差值 我們可以假設誤差接近於0值為球體的位置，是在曲線的最下方也就是偏微分等於0的位置，我們要找的讓W偏微分等於零。 Statistics vs Machine Learning Statistics: 統計比較著重在數學的推論 Machine Learning: 機器學習比較著重在資料計算，統計工具對機器學習領域是很有幫助 Logistic Regression 邏輯回歸 需要預測機率，輸出為小數點，我們就稱為它Logistic Regression任務。資料輸出為+1,-1的值，可以預測為機率發生，可以由公式可以知道x在發生+1的機率是多少。範例: 疾病預測、鐵達尼的死完的機率 機...

機器學習 淺談機器學習原理筆記-- 機器學習 Learing : 人類學習是透過各種觀察(observatoins)去學到能力 ， 輸入:觀察、輸出:能力 Machine Learning : 機器是透過各種資料的方式來學習到能力 ，輸入:資料、輸出:功能 範例: 使用股票資料來預測投資的方向。 總結: 我們希望機器可以像人一樣，透過學習就可以獲得技能，機器學習就像在解決一個任務(Y)透過資料(X)和找到一個方程式(F)來求出接近任務的解。Y = F(X) ，常用的範例:語音辨識、天氣預測、股票預測、圖片辨識、機器玩遊戲。簡單說機器學習利用資料與合適的模型來解決一個複雜的問題，通常這個問題無法使用簡單程式來解決。 Artifical Intelligence(AI) Machine Learning(ML) 說明 希望模擬人的智慧行為 透過資料學習來改善整體效能 範例 資料、演算法 資料、演算法 集合關係 AI AI的子集合 機器學習先決條件 : 解析問題的複雜度，是否真的需要建立模型來解決 必須有資料並需要處理 從資料中建立模型(Hypothesis) 選擇測量誤差的方法，模型得到的解與現實結果的誤差 建立模型到正式環境(沒有學習過的資料)，也可以達到正確解 範例: KDD 2010 出題系統可以根據過去的練習，去調整出題的難度=> binary classifiation 機器學習過程 問題公式 上圖表視輸入、輸出、資料和Hypothesis(模型)、f 現實世界答案 Step 0 : 定義問題是否需要使用ML (1) 先理解這個問題是否需要透過ML來處理，如果可以使用if-else或是簡單邏輯判斷來解決，表示問題簡單，不需要使用ML來解決。ML通常解決比較複雜的問題，像股票預測是否可以使用ML來預測未來趨勢。 (2) 是否有資料跟結果有關聯...