跳到主要內容

致 作弊與幫人作弊的同學

2011.01.13

 

這是我26歲的天空

致 這次作弊的同學們

 

老師很失望,
因為我一再的講過,
『分數不是重點,重點是你有沒有學習』⋯⋯


期末考的題目,70%都是第九章的內容,
滿分140,當中還送了20分,
這些,就是不想讓你們感覺老師在刁難大家,
結果你們做了最不好的示範,害人害己。

現在考試已經結束
我不會把你們送校規處置,
我只希望你們好好思考,到底你唸書的目的是為了什麼?


唸書不是為了別人唸,
今天不管考的好與壞,都是為了你自己,
不是為了別人、分數、甚至是讓老師看爽! 這些都是沒意義的,
一切的重點在於你有沒有學會!

 

這次的考試,老師會給你們0分,
這學期的課也勢必不會通過。

 

但,我要你們知道,
一次的失敗不代表你個人的失敗,
只要你懂得記取教訓,學著找到自己的目標,對自己負責,

 

那你終將是成功的人!


加油吧,請你們把悲傷與羞愧轉化為動力,
努力給老師看,讓老師有機會為你們感到驕傲。

 

BP

 

 

致 提供檔案給作弊同學的人

能力越大,責任越大!


這不只是電影裡的台詞,
今天你的同學愛,不是給他們魚吃,而是該教他們怎麼釣魚。
今天你copy答案給他們,或許他們pass了這門課
但養成依賴別人的習慣卻是一輩子的,
你的好心,最後反而害了他們!
我想這是你絕對不想看到的結果吧!?


年輕時,我也幫過朋友做他的專題程式,
我一肩扛下所有程式的結果,
就是害了他們在真正就業時候到處碰壁,被質疑能力,
我到現在都感到內疚。


所以我希望你們不要重蹈覆轍!
花點時間,把同學教會,
不止他們學會了,你也更熟悉了
這對彼此負責的態度,比通過一門課更有意義!


這次的考試我會給你們零分,
這樣或許你們會沒辦法通過這門課,
但無所謂,若能因此讓你們用更有責任感的心情去面對自己
這反而是因禍得福,


這也是我想看到的結果,
絕對比處罰你們還有意義!


請你們加油吧!!


BP

留言

這個網誌中的熱門文章

醫學健康跨領域合作的開始:資料工程

一直都很喜歡在會議上與跨領域的專家、醫師、學者分享我們在數據工程與分析應用上的發展經驗。 許多的專家學者,對於大數據應用的認知都仍侷限在一個超大型結構化資料集的子集合應用,在規劃好的條件設定下,針對特定的目標(疾病、行為)進行篩選,將數據narrow down到可以被個人電腦或是單一伺服器架構處理的小型資料集。 這樣的半手工處理方式,對於專一(Specific)領域主題的資料追蹤計算或許已經十分足夠,但當中倘若資料清理方式有改變、篩選條件增減,所有的數據都要從raw重新處理,不僅造成大量的時間與人力浪費,對於專案計畫進度的延宕更是麻煩。這些還不包含

Google 資料庫方案–Spreadsheet–(1)資料呈現

HEMiDEMi 的標籤: Google , Google SpreadSheet , 雲端 早在規劃『 教育,意義! 』project時, 便有打算將整個網站建立過程撰寫一篇教學,讓有興趣以google 服務為基礎進行開發的朋友參考。 沒想到這個想法擺著就拖了好幾個月, 好在學生提出了問題,就趁這機會寫一寫吧。 基本上『 教育,意義! 』網站的架構完全建立在Google提供的服務, 廣義來說也是個雲端的系統, 所有的資料是分散在不同的服務架構下,再用GAE, Javascrript將服務資訊串接起來, 由Blogspot 統一呈現。 省了租主機的費用,或架站的硬體、電費, 最好的地方在於不用管理主機維運的問題, 只要專心做我的創意、嘗鮮就好了!!   多棒! 若將『 教育,意義! 』網站依功能層次來分類,可以分為三層結構, 當中的層次與使用技術大致如下: UI 介面層 服務 : Blogspot (網站介面) , Picasa (相簿空間), Google Apps 技術 : Javascript , AJAX ( JQuery ) App應用層  服務 : Google App Engine (GAE) 技術 : Java, Java Server Page (JSP) 資料層 服務 : Google Docs (文件), Google Spreadsheet (試算表) 技術/函式庫 : Java, Google Data APIs 本篇文章將著重在介紹以Google Spreadsheet 做為雲端資料庫, 其他主題將會陸續推出。 若對Google API 與 Google App Engine 初步建置有興趣, 可以參考之前文章: 佛心來著的 Google Data API – for JAVA 雲端的開始:Netbeans 無痛 Google App Engine Java 服務開發 Google Spreadsheet 做為資料庫系統 對於小型的資料系統來說, 採用Google Spreadsheet做為應用程式資料庫(如問卷調查或線上系統) 也算堪用, 目前的儲存限制為 : 40 萬個儲存格 每張工作表最多...

當咒術成真 - 文字生成的虛擬世界

  2024/02  這幾天灌爆各大ai社群的,不外乎就是文字生成高清畫質影像的OpenAI Sora , 讓人驚艷的細膩表現,自動化的場景生成與運鏡效果,縱使這個概念並不是多創新的模式,但Open AI始終很懂得抓住大家眼球  (Sora的各種生成影片: https://openai.com/sora  ) 關於Sora 的技術與介紹,不妨看看chatGPT 對它的描述: OpenAI Sora文字-視訊生成模型 在視頻數據上進行大規模訓練生成模型,具體而言,OpenAI聯合訓練了文本條件擴散模型,處理不同持續時間、解析度和長寬比的視頻和圖像。利用了一種在視頻和圖像潛碼的時空塊上操作的轉換器架構。受到Srivastava等人(2015年)在使用LSTMs進行視頻表示學習的無監督學習的啟發,OpenAI的最大模型Sora擴展了這些概念,能夠生成一分鐘的高保真度視頻。此外,Chiappa等人(2017年)描述的循環環境模擬器方法與我們的方法論框架相一致,表明擴大視頻生成模型的規模是建立通用物理世界模擬器的一條有希望的道路。 一、技術創新 OpenAI 的 Sora 模型在技術創新上主要融合了 diffusion models 與 transformer models 的特點,這一結合代表著從文字描述到視覺內容生成的一大進步。根據 Goodfellow et al. (2014) 的研究,Generative Adversarial Nets (GANs) 開創了使用機器學習生成圖像的新方法,而 diffusion models 則透過逆向的擴散過程從隨機噪聲中逐步建構出有意義的圖像,提供了一種不同於傳統 GANs 的新途徑。另一方面,Vaswani et al. (2017) 提出的 transformer 模型,通過其自注意力機制有效處理長距離依賴關係,已廣泛應用於語言模型中。Sora 模型的創新之處在於將這兩種技術融合應用,實現了從簡單文本提示生成高質量視覺內容的能力,這不僅展示了機器學習技術的新高度,也為未來的影像生成、自然語言處理和人機交互開啟了新的可能性。 二、物理現象與現實世界的模擬 Sora 的另一大進步是在模擬現實世界物理現象方面的表現。雖然現有模型如 Raissi et al. (2019) 所提出的 Physi...