學習

Learn

許哲嘉: 文字

技術面

Technical side

Python

在這部分我主要學習存取讀取檔案、資料運算處理、資料視覺化，因為Python有各式各樣的套件使整體程式碼可以縮短許多，所以除了研究以前學過的C++/C#程式概念如何在Python上實行外，更快、更精簡的利用Python語法完成工作更是這次學習的目的。

Machine Learning

這兩個學期，我學到了大量有關類神經網路、機器學習相關知識，除了平常上課會用到以外，在日常生活中有些科技網站的新聞報導也可以看到很多相關的AI資訊，以前看不太懂的東西，經過學習後我比較能理解報導中說明的架構，所以在日常生活中，我偶爾也會想想自己碰到的日常問題，哪些是能夠透過AI解決的。
除了上謝老師的課程中有教到機器學習，在大三下的課程中，越來越多課程用到資料分析，當我學會用AI後，越來越多東西都可以用AI來輔助我預測、判斷這些資料，比如在資訊管理系統二的課程中，小組報告裡我們就有用到AI模型分析車禍中有死亡或是無死亡，兩種結果進行預測，雖然沒看似很準確，實際上卻因為死亡資料那邊有些不夠多，使得資料準確度看似完美，實際用起來可能沒那麼準確，但我們還是很高興自己所學的部分可以用上!

Transformers

Transformers是深度學習的模型，有了這些架構的出現，不少學者進行改善架構，像是由Transformers衍伸出來的BERT、GPT架構，這些東西在謝老師上課時都多少有提過，而我對這技術的注意力機制(self-attention)運行模式特別有興趣，於是我在暑期時也自己去找影片，在自己的Python環境試著訓練自己撰寫的模型，雖然沒有到很準確，但是這份經驗我覺得蠻可貴的，畢竟是自己研究而來，而不是別人給予的。

AlphaPose/PoseNet、CNN

PoseNet是TensorFlow.js的機器學習模型，透過輸入圖片，通過Convolutional Neural Network(CNN)解析，最後透過演算法解碼姿勢、姿勢信度得分、取得關鍵點位置……等，了解CNN構造後使我更清楚PoseNet運作方法。

最開始運行高爾夫專案採取AlphaPose抓取人體骨架，然而因專案需運行於網頁上，則改採PoseNet進行，兩者的辨識效果皆非常良好。

Dynamic Time Warping（DTW）動態時間規整演算法

這項技術常常運用於語音辨識方面，解決了各種時序長短不一但內容相同的資料問題。在高爾夫專案中，許多人的揮桿動作時間皆不相同，要做比較必定需要先將時序長度統一，這正是這項技術運用於本項專案之處。

餘弦相似度

經由計算兩個向量間的夾角餘弦值，依此得知兩者間的相似性。透過這種方式計算出來的數字將介於-1至1之間。在資料蒐集時採取選擇性質一致的揮桿影片，揮桿動作基本上不會有相反方向，故計算出來的值僅會介於0至1，透過乘以100%更清楚了解各個揮桿者與標準揮桿者之間的動作差異。

Javascript/HTML

當我大一學完網頁相關的課程後，僅了解了基礎HTML與Javascript的用法，不過實際需求總與課程內容不盡相同。在學習如何應用TensorFlow.js之前必定得先熟悉HTML與Javascript各式各樣語法，經過這次專案開發，我最大的收穫便是「箭頭函數、Promise、async函數」，了解這幾項功能後，使函數定義與應用更加明確，亦更加方便，開發速度更加提升。但是對於Javascript中同步執行的特性是我還需要更加深入了解的部分。

許哲嘉: Services

非技術面

Non-technical side

溝通技巧

請教他人時，如何簡潔、明確表達自己不明白之處非常重要，同時需要準備些自己已經預先查詢過的相關資訊，使得對方不會覺得自己只是懶得上網搜尋；或是與他人討論時，如何更準確表明自己的立場、想法。這些溝通技巧在我製作專題期間都間接成長不少，不過還是有許多進步空間。

撰寫比賽說明文案、論文

在完成專題雛形後，投稿比賽時，如何以正式的文字說明，一直都是各學生的重要課題，在我撰寫時論文有不少攏詞贅字出現，抑或是過度描述當一事件而導致主題方向有些不正，透過這次的經驗以及老師與同伴提點，我發現自己的錯誤並且修正，這讓我更清楚一個論文該有的架構與撰寫方式。

時間安排

進行校內專題的學生因為不須特地通勤而省下不少時間，如何利用這多出來的時間精進自身能力也變得相當重要，而未定義目標漫無目的搜尋資料並不會給自己太大的幫助，如何與自己對話，找到想了解的目標，並且細分各項步驟一一完成，這是我自己在這段時間摸索出自己能夠接受的自學模式。而太多事情想學，如何區分緩急輕重是我還需更加強的部分。