在進行開發工作時，可能會使用不同的 Git 帳號做登入和推送的情形，例如: 公司的 Git 帳號和個人的帳號，這樣做的好處是為了確保開發工作能清楚劃分，所以需要做切換帳號的動作，特別是在不同的專案間切換 commit 的對象，因此有了這篇文紀錄這個過程。

雙帳號輕鬆切換！在同一台電腦上切換多個Github帳號

軟體開發

網路爬蟲(web crawler)，也叫網路蜘蛛（spider） 是一個強大的自動化工具，可以自由瀏覽、擷取訪問網頁的各項資訊，例如:新聞文章、電商商品價格，當專案中需要添加外部數據或進行大量資料收集時，網路爬蟲就是一個非常實用的工具。

Python 爬蟲入門範例：建立簡易抓取網路資料的爬蟲程式

最近在調整跟優化效能時，又來複習了 Multi-threading 和 Multiprocessing 的概念，在面對大數據時，能夠有效利用多核心處理器的能力，對於提升程式執行效能至關重要。

Python 提供多線程(Multi-threading) 和多進程 (Multiprocessing) 

大幅提升執行效率：解析Python多執行緒和多進程的效能差異與使用情境

matplotlib 無法顯示中文，看了很多篇教學文都無效
mac 解法可以參考這篇...

[Solved] Python matplolib mac 電腦中文字不能顯示

How to access feature names in a trained XGB model ?

故事是這樣的...

在接手某個專案中，取得了一份已經訓練好的 pickle 檔案記載著 XGBoost model weight ，但因為 feature engineering 的程式碼交

探索 XGBoost：如何查看訓練模型中的特徵名稱 

今年的國泰金控技術年會，關於 AI 有幾個主題覺得很有趣、也受到一些啟發:

1. 可解釋 AI : AI 的可解釋性一直是一個很被關注的題目，尤其是發生在模型要準備落地應用，需要驗證黑盒子是不是依照正確的邏輯、人類的邏輯去判斷問題，我自己很喜歡這個部分，算法是用一套最基本的SHAP，SHAP基於博

國泰金控技術年會：AI 的最新發展與趨勢

最近有採購幾台 server ，正在進行一些設定的作業，把這些過程都保留下來，之後要再設定就可以回來查看了～～～

目標

在 Centos Linux 主機上移除 Podman ，並安裝 Docker

解決

首先先確認 Centos 的版本，是 Debian or Fedora 

cat /

[Solved] Centos 移除 Podman 和安裝 Docker

前言

前幾篇分享了 IBM Watsonx.ai 平台，以及在平台上使用 LLM 完成客戶體驗分析、與LLM串連處理較複雜的問題。在這一篇中，我們想來嘗試使用檢索增強生成（RAG）的技術，RAG 通過整合外部數據來增強基礎模型的回答能力，這不僅能解決模型訓練數據的局限性問題，還可以提供更精準和相關

將RAG與Semantic Search融入LLM：提升準確性與效率

本文探討了在使用 pandas 處理資料時應注意的幾個關鍵點，以及如何減少因資料型態問題而產生的錯誤，確保資料的原始意義得以保留。主要包括Pandas 資料處理深入解析，尋找CSV之外的數據儲存方案，以及優化資料處理策略。

Pandas 資料處理: 如何處理數據型態自動推斷的問題？

上篇我們在安裝 VirtualBox 練習使用虛擬化切割出獨立空間做開發，那除了使用 VM 達到虛擬化外，另一個輕量級的虛擬化技術 - 容器化。

要使用容器，那就不能不認識 Docker

淺談 Docker，讓搭建資料科學環境更高效

參加Leetcode的30 Days of Pandas挑戰，除了是學習的機會，更是練習熟悉pandas功能的機會。文章分享了挑戰簡介、題目描述、關鍵技術以及參加挑戰的心得。適合新手學習pandas，也可提升熟練度。

Leetcode 30 天 Pandas 挑戰分享

在數據科學和機器學習中，特徵工程是提高模型性能的關鍵步驟之一，通過創建新特徵或轉換現有特徵，我們可以更好地捕捉數據中的信息，提高模型的預測能力。然而，當處理大數據集時，特徵工程可能變得耗時，而且若是在研發階段，特徵其實是需要快速迭代去產生並且做後續的實驗，這也是近期遇到的問題，因此想在這篇文章實作多

機器學習實用技巧：用多進程加速你的特徵工程

本文探討了監督式學習、分群和相似度這幾個推薦系統算法，分別討論了它們的優點、缺點以及適用場景。這些算法在推薦系統中扮演著重要角色，並透過特徵選擇與預處理、相似度度量和鄰居的選擇等關鍵因素進行深入分析。文章最後提出在選擇推薦系統算法時應該考慮的因素，以及未來的研究方向。

推薦系統算法：監督式學習、分群和相似度

Kafka是一個先進的分佈式流處理平臺，具有高吞吐量、可擴展性、容錯性和低延遲特性，提供瞭解耦、非同步和削峰特點。本文介紹了Kafka的通訊模式、適合的應用場景和未來發展趨勢，旨在幫助使用者更好地理解和應用Kafka。

初探 Kafka：理解其特點、通訊模式與應用場景

上篇進一步認識基本的圖形架構與三大 Graph 算法，那首先從 shortest path 開始，我們會陸續去理解這些算法，以及可能的應用，如果還沒有看過上一篇的，可以點以下連結～那我們就開始吧！

【圖論Graph】Part1：初探圖形與圖形演算法之應用


【圖論Graph】Part3：最短路徑演算法 -  Dijkstra 介紹與實作

本篇文章深入介紹了圖形的基本概念、組成和應用。從圖形的基本組成，到圖的類型與種類，再到圖形演算法的三大類型，本文將接續圖形領域的深入學習，並分享了對圖形的初步認識和學習方向的小心得。希望對正在學習圖形的人有所幫助。

【圖論Graph】Part2：深入認識Graph的基本概念、組成和應用

圖形演算法在資料處理上扮演重要角色。本文介紹圖形的歷史、定義、技術用途，以及為什麼我們要關心圖形演算法。文末還提及圖形演算法在機器學習領域的應用。下次將介紹更詳細的圖形演算法內容。

【圖論Graph】Part1：初探圖形與圖形演算法之應用

這篇文章將分享最近遇到 NVIDIA GPU driver 的問題，並提供瞭解決步驟，以及證實問題解決的測試方法。當您遇到類似問題時，可以參考這篇文章進行解決。文章中包含了定位庫文件目錄、備份和替換文件以及測試修改的步驟。

解決 NVIDIA GPU 驅動 libnvidia-ml.so 錯誤訊息

前言

在先前的文章中，我們探討了 IBM Watsonx 在客戶滿意度分析中的應用。今天，我們將利用 Google 的兩款大型語言模型（LLM）— flan-ul2 和 flan-t5-xxl，展示它們如何串聯起來生成關於特定主題的隨機問題和回答。

在這篇文章中，將使用 SimpleSequen

LLM 串連：利用不同模型的優勢完成更複雜和多樣的任務

前言

在上一篇文章中，分享了第一次使用 IBM Watsonx 的經歷，以及我對 Prompt lab 功能的初步探索。繼續這個話題，本文將探討 Watsonx 平台對 Python SDK 的支持，以及實作幾個 LLM 的應用，這一特性為開發者提供了極大的便利，使得在此平台上進行開發和應用大型語

利用 IBM Watsonx.ai 與 Python SDK :應用 LLM 在客戶滿意度分析

前言

在這個迅速變化的技術世界裡，AI 已成為推動創新和效率的主要動力之一，最近很幸運得參加了IBM Watsonx 的 workshop，對我來說是一個很好的機會認識企業對於快速導入AI和整合AI應用的平台。IBM Watson 作為AI領域的先驅之一，長久以來一直在智慧型系統和認知計算方面處於

我的IBM Watsonx之旅：初次體驗 Prompt Lab 與 LLM 的應用

歡迎來到《桃花源記》專欄。這裡不僅是一個文字的集合，更是一個探索、夢想和自我發現的空間。在這個專欄中，我們將一同走進那些隱藏在日常生活中的"桃花源"——那些讓我們心動、讓我們反思、讓我們找到內心平靜的時刻和地方

資料科學家之路

所有文章