Introduction to NTUST CSIE
===

###### tags: `MyNTUST`

[toc]

Professors
---

- About 20 members
- [資訊工程系 專任師資](https://www.csie.ntust.edu.tw/p/412-1038-1815.php)
- 洪西進
- 專長多
- 和大陸有合作
- 陳錫明
- IEEE fellow（系上僅 2 位）
- 李漢銘
- 國安會資安諮詢委員
- 資安老師
- 黃元欣
- iOS 老師
- 戴文凱
- 前東華教授
- 鈊象公司獨立董事
- 鮑興國
- 系主任
- 鄧惟中
- NCC 委員
- 花凱龍
- 實驗室和鈊象有合作
- 以廣告對付機器人玩家
- [臺科大人工智慧研究中心](https://ai.ntust.edu.tw/)
- 賴祐吉
- 和鈊象有合作
- 項天瑞
- 理論老師
- 姚智原
- 和很多遊戲公司有合作
- 鄭欣明
- 資安老師

> 台大資安較弱，低於台科。

合作公司
---

- 利凌
- 監視器公司
- 堅持不用大陸元件，中美貿易戰後翻身
- EPS 超過 25（[ref.](https://www.cmoney.tw/notes/note-detail.aspx?nid=7095)）
- 和 Intel 有合作
- 研揚
- 和 Intel 有合作

Compare to NCTU
---

- 師資小輸
- 國內
- 台清交
- 國外
- Top 20
- 整體小輸
- 經費
- 師資（比例）
- **學生素質** (most important)
- 個別小贏
- 地理優勢（在台北）

課程發展方向
---

> 系上學程制度不存在

Why NTUST CSIE ?
---

- 近年新創多與資訊技術相關
- 初始成本低
- 多業界合作機會
- Nokia 專案
- 學長曾幫 Nokia 做過雙平台 APP

***

How to make a coffee
---

Input: 咖啡豆
=>
Hardware: 磨豆機
=>
Algorithm: 步驟
=>
Program: 店員
=>
Output: 咖啡

> That is PROGRAMMING.

> That is LIFE.

Center of Computer Science
- Computer Science/Computer Engineering studies **algorithms** and **programming**.

Sabbatical Year
- 休息年
- 每工作六年，可以休息一年
- 教授可以去業界工作或去其他學校服務
- 學校仍然支薪
- 在美國，助理教授即享有資格
- 在台灣，僅正教授有資格

**Homework 1: What's your dream ?**
- 花點時間想想，你的 **夢想**、**目標** 是甚麼？

***

傅立葉轉換
===

- Fourier transform
- $\begin{aligned}
X(f) &= \int ^\infty _{-\infty} x(t) e^{-j 2\pi ft}dt
\end{aligned}$
- Inverse Fourier transform
- $\begin{aligned}
x(t) &= \int ^\infty _{-\infty} X(f) e^{j 2\pi ft}df
\end{aligned}$
- Laplace transform
- $\begin{aligned}
X(S) &= \int ^\infty _0 x(t) e^{-St}dt
\end{aligned}$

取樣與量化
---

- 取樣（Sampling）
- 訊號的垂直切割
- Steps
1. 依取樣頻率取得離散點訊號（取樣頻率至少為最高原始頻率的兩倍（$f_s \ge 2f_{max}$），若令 $X(f<0)=0$，則取樣頻率至少為最高原始頻率（$f_s \ge f_{max}$））
2. 做傅立葉轉換（變成週期性函數，週期為兩倍取樣頻率，波形為原始訊號的傅立葉轉換結果）
3. 過低通濾波器留下一個波
4. 做反傅立葉轉換還原原始訊號
- 量化（Quantization）
- 訊號的水平切割
- 會造成訊號失真

***

DRAM vs. SRAM
===

| | DRAM | SRAM |
| ----------- | ---- | ---- |
| Performance | | Win |
| Layout size | Win | |

Why use R, G, and B ?
===

因為人類肉眼感光細胞有三種，分別對紅、綠、藍光最敏感。

***

浮點數（Floating-point）表示法
===

- Sign bit
- 正負號
- Exponent
- 指數（表示小數點偏移量）
- 常用 2 補數表示法（不一定）
- Mantissa
- 原始數值去掉小數點
- 空間有限，會捨棄後面超出長度的資料

Why not use 2'補數 in sign bit
---

- 其實也可以
- 歷史因素

運算
---

> not sure

- 保留重要的
- 和比較大的對齊

編碼
===

- Morse code
- 出現頻率越高，位元數越少
- Huffman code
- Huffman 修課時發明
- 不等長度編碼
- 出現機率越小，編碼越長
- 找出最小兩組，機率相加
- 一個字的編碼不可以是另一個字的碼的前段（prefix）
- 錯誤偵測碼（parity bit）
- 受到干擾，造成資料出錯
- 多傳錯誤檢查碼

作業
===

1. Given *a* as a floating-point represented number.
2. *a* /= 3
3. *a* \*= 3
4. Does *a* equal 1 ? Why ?

***

Entropy
===

- $H(a)=-\sum _{i=1} ^n P(A _i) \log _2 P(A _i)$
- $H(a) \le Huffman\ Average\ Length \le H(a)+1$

JPEG
---

> A standard last 28 years without be modified

- Why?
- low cost of eletricity

***

AI 研究中心系列講座
===

- [軟體產品的增長實務](/U8Aosd1eSbStHxJg__ATow)
- [IG 與 FB 產品開發](/-tfLCoaITwePl1segEZGRQ)
- [從臉書到 Stripe，從矽谷到新加坡](/407uH5Y8SNSSJHcfDxpdvw)

講師
---

- 翁竟智博士
- Stripe 亞太區 CTO
- 加州理工大學博士
- 蕭文翔
- 哥倫比亞大學電機碩士
- Touch of Modern 增長產品經理
- 何婕
- 張伯群
- 陳俊仰博士
- 教授老同學
- Grindr CTO/President
- 台科大工智慧研究中心執行長
- 加州理工大學電機博士

細節
---

- 資料會上 Moodle
- 10:30 開始，10:20 前到

網路
===

Scope
---

- LAN
- MAN
- 城市網路
- WAN
- 整個網路世界

Ownership
---

- Close: 軍網、企業內網

CSMA
---

- Carrier Sense Multiple Access
- 載波偵聽多路存取
- 使用最適合的頻率
- CD
- Collision Detection
- 發生碰撞後等待隨機長度時間再重新發送
- CA
- Collision Avoidance
- Use in Wi-Fi
- The hidden terminal problem
- 監聽對象被擋住，誤以為沒人在傳訊息
- 等待隨機時間
- 確認連線(handshake)
- if no reponse
- 再等待隨機時間後重送
- 每次的隨機時間會拉長

Inter-process Communication
---

- Clien/Server
- Peer-to-peer (P2P)
- 如何穿透 NAT
- 由 Server 提供連線

The Internet
---
- 商機
- IP 太難記
- Domain name 出現
- [Top expansive domain](https://www.godaddy.com/garage/the-top-20-most-expensive-domain-names/)

FDMA、TDMA、CDMA
---

- 底層無線技術
- **F**requency **D**ivision **M**ultiple **A**ccess
- 依頻帶分隔流量
- **T**ime **D**ivision **M**ultiple **A**ccess
- 依時間分隔流量（輪流使用）
- **C**ode **D**ivision **M**ultiple **A**ccess
- 依編碼方式分隔流量
- 軍事上可以防止竊聽（不知道編碼無法解譯）
- 3G 後主要使用此種模式

***

研揚電腦
===

- 專做工業電腦
- ASUS 是大股東
- 計畫提供技術出租平台給客戶使用
- 接觸到更多終端客戶

***

交換制度
===

- [姊妹校列表](https://www.oia.ntust.edu.tw/files/14-1017-62105,r995-1.php?Lang=zh-tw)
- 交換到外國學校，付本國學校學費

***

一些小雜談
===

- 系上明年開始會往邊緣運算方向發展課程
- 碩士學分
- 畢業學分：24
- 大學時期在台科先修的碩士學分可以抵免
- 其他學校的學分則視學校排名、學生成績評估

簽章
===

- 最早的簽章：浮水印
- 針對音訊加簽：傅立葉轉換後在高頻帶加簽

演算法複雜度
===

- 舉例：`1 + 2 + ... + n`
- 公式解
- 迴圈
- 遞迴
- 建表

期中形式
===

- 前幾題選擇題
- 後面是簡答題
- 英文出題，可以中文作答

蕭文翔冷知識
===

- 期中前不甩老師複習，坐最後一排桌子向後轉自己讀自己的
- 很負責，自我規劃進度還超前
- 知道自己在幹嘛，有毅力且有決心

***

期中複習
===

- ICANN
- https://ithelp.ithome.com.tw/articles/10239485
- ISP
- https://ithelp.ithome.com.tw/articles/10240232
- [從傳紙條輕鬆學習基本網路概念
](https://hulitw.medium.com/learning-tcp-ip-http-via-sending-letter-5d3299203660)
- 
- 

***

Anomaly Detection (Auto-Encoder)
===

- Probably problem
- Lack of problem sample
- Solution
- How Stanford collect samples
- randomly collect from Internet
- cloud sourcing
- problem
- 人工智慧描述（reconstruct）出 NG 的樣本（無中生有），導致比對時比不出差異，無法檢測出錯誤。
- 做太好取代人工，導致失業率提高
- Adventage
- Same standards
- Won't be tired

人工智慧簡介
===

Outline
---

- 機器學習基本觀念介紹
- 深度學習介紹
- 深度學習於電腦視覺應用之介紹
- 人工智慧於製造業的現況與未來

What is machine learning?
---

> AI > ML > DL

- 傳統程式
- 資料+程式=輸出
- 機器學習
- 資料+輸出=程式
- a.k.a. **魔法**

### 園丁理論

- 種子=演算法
- 養分=資料
- 園丁=你
- 植物=模型

Training and testing
---

> 需要對不同的環境做微調，eg. 用身高判斷台灣人性別 vs. 用身高判斷荷蘭人性別

### 影響效能的因素

- 訓練方法
- 背景知識
- 回饋的形式
- 學習的演算法

演算法
---

- Supervised learning
- labeled data
- Unsupervised learning
- unlabeled data
- 可以分類，但不知道類別名稱
- 相對保守，有封閉式範圍
- Semi-supervised learning
- 有些有，有些沒有
- Reinforcement learning
- 用於決策（電腦玩家的行動）

Learning techniques
---

- Supervised
- Linear classifier
- $g(x_n)=sign(w^Tx_n)$
- $x_n=[x_{n1},xn2]$
- Non-linear case
- xn = xn1,xn2,xn1*xn2,xn1^2,xn2^2
- SVM
- feature transform and kernel function
- Unsupervised
- GMM
- 就是常態分布
- $P(x) = \frac{1}{\sqrt{2 \pi}\sigma} e^{-(\frac{x-\mu}\sigma)^2}$

Artificial Neural Networks
---

一個加拿大英裔學者，主攻類神經網路，在 200X 年開始有了突破性的進展。

### Structure

Input => Neuron(weight+threshold) => Activation function => Output

input layer => hidden layer => output layer

> DNN: Deep Neural Network

Different Levels of Abstraction
---

- from low level to high level
- low level：細節（eg. 痣）
- middle level：五官
- high level：臉型

**feature map**
- 針對特徵點找尋，取得權重
- 特徵越明顯權重越高

Traditional learning approach
---

image -> hand designed feature map -> trainable classifier(SVM) -> output

> 以前特徵點要自己找，現在透過深度學習可以讓電腦自己找特徵點

kNN (k Nearest Neighbor)
---

- 選擇最近的 k 個已知點來投票。
- Training 的時候幾乎甚麼都沒做(只儲存數據)

### 投票方式

- 多數決
- 加起來取平均
- 權重取平均
- 其他決策模式

### y 可以是多維的嗎

- 可以，但一般會分成兩個模型，除非維度之間有相關性
- 優點：降低計算複雜度，同一個東西不用算兩次

### 距離算法

- l0: 算不相同的個數
- l(max): 取不同維度裡差最大的當距離

### How to choose the best k ?

- features 記得要做正規化

Two common regularization methods
---

- Ridge Regression
- Lasso Regression

$\theta$ 小，輸出結果比較穩定，減少 over-fitting

Basic Neural Network
---

Has a hidden layer.

Deep Neural Network
---

Has many hidden layers.

期末考
===

- Possible form
- report
- 小組/個人
- 上台/書面
- 電資未來
- 小說
- 特定主題
- 人生規劃
- 介紹台北
- 台科資工老師 survey
- 課程心得
- 才藝表演
- 團體
- 短劇
- take-home exam
- personal
- team
- 決議
- Take-home exam
- 12/24(四)-12/29(二)

---

花老師事業做很大之不明人士代課篇 - 計算機網路概論
===

> 資工系必修喔

網路的種類
---

- 家庭網路
- 機構網路

5G
---

### 用途

- 車聯網
- 核心網路

### 5G vs. 4G

- 虛擬化
- 邊緣運算
- 接近終端使用者的伺服器

---