修復Proxmox VE：網路錯誤「No route to host (595)」 / Fix Proxmox VE: Network error “No route to host (595)”

本篇是修復Proxmox VE 3/4的集叢(Cluster)中遇到「No route to host (595)」錯誤的解決方法。這個錯誤是因為Proxmox VE伺服器變更了網路設定，但是並沒有完全設定好的關係。以下說明造成錯誤的原因以及解決方法。

修正NetBeans中SFTP出現的錯誤「Algorithm negotiation fail」：更新com-jcraft-jsch.jar / How to fix NetBenas’s SSH problem “Cannot connect to server … Algorithm negotiation fail”: Update com-jcraft-jsch.jar

今天使用NetBeans的時候，發現它內建的SFTP上傳檔案功能失效無法運作了。查了一下StackOverflow上的解答，赫然發現是NetBeans使用的JSch函式庫版本過舊，導致無法正常使用。這篇將說明如何更新NetBeans的JSch函式庫，讓NetBeans的SFTP功能能夠正常運作。

Weka鳥的動圖 / Spin Animation of Weka Bird

繼上次我做了一個縮小版的Weka動圖之後，因應朋友想看高解析度動圖的需求，我又作了兩個Weka的GIF動圖。總覺得很有趣，擺上來做個記錄。

資料分析到沒硬碟空間了？設定R的暫存目錄 / How to Change Directory for Temporary Files in R

最近用R在跑循序樣式勘探的時候，赫然發現程式居然跑到讓整台電腦都當機。仔細檢查之後才發現，原來R在分析的時候會用到大量的暫存空間，而這個暫存空間預設會擺在系統磁碟機當中。要如何將R的暫存目錄設到其他地方呢？網路上有不同的說法，最後我終於找到了一個解決方案，所以撰寫這篇作為記錄。

以AutoIT實作Weka預測執行檔 / Making Predictions with Weka Executable File: an AutoIT Application

繼前一篇使用指令列來操作Weka進行預測之後，這一篇就要用AutoIT來操作Weka進行預測，並以AutoIT將預測結果傳送給其他程式，例如傳送到Google表單中記錄預測結果。

大家一起來預測吧！使用Weka指令列實作預測功能 / Making Predictions with Weka in Command Line

Weka除了用Explorer來預測未知之外，還能透過指令列直接操作，以便跟其他程式，像是AutoIT的Run()進行整合。這篇就是要示範如何使用指令列來操作Weka進行SMO跟LibSVM兩種分類器的預測。

最容易整合的指令列播放器：MPV使用說明 / Customizing a Media Player for Your Application: MPV Player Usage

最近常常要在Windows桌面環境中設計數位學習教學活動。有時候我們會需要使用全螢幕播放影片、聲音或圖片，甚至需要一張全螢幕的黑幕或白幕當背景。這種時候開放原始碼高度可自訂化的MPV全能播放器就能夠順利派上用場。搭配AutoIT高度自訂腳本，我們就能整合多個不同的Windows應用程式來完成一個豐富的教學活動。

如何在Weka中顯示中文：調整檔案編碼為UTF8 / How to Process Chinese Data in Weka: Set fileEncoding to utf-8

在Windows中使用Weka來處理非英文語系的資料時會變成亂碼，這是因為它的參數設定預設為Cp1252 (拉丁字母字元編碼)。只要在Weka設定檔RunWeka.ini中修改fileEncoding為utf-8，就能讓Weka順利顯示中文。

一秒變灰階！Windows圖片轉灰階工具 / Color Image to Grayscale Converter

我在掃描的文件會有灰階跟彩色混雜的情況。用彩色模式掃描只有黑白的圖片，事後整理時會佔很大的空間。所以我就繼續「布丁式圖片工具箱」的專案，做了一個「布丁式圖片灰階工具」出來用了。這個「布丁式圖片灰階工具」主要是用AutoIT操作ImageMagick圖片工具來處理圖片，你也可以調整config.ini的設定來更換ImageMagick的指令。

試作歷程序列資料的動態生成模型：結合多層次感知機與增強學習的應用 / Developing a Dynamic Path Generator base on Users’ Activity Logs: a MLP and Reinforcement Learning Approach

繼前一篇談完歷程資料的分析方式之後，本篇則是從機器學習的角度切入，藉由分析不同背景使用者的操作歷程序列資料，並將對歷程結果的評價作為輸入資料，以此訓練一套懂得不同特質使用者會如何操作的多層次感知機(MLP)預測模型。接著再以任意一位使用者為背景，用此模型來生成一套評價較好的操作序列路徑。為了避免模形產生的路徑陷入無限迴圈，本篇以增強學習(Reinforcement learning)來懲罰會走到迴圈的序列路徑。

結果最後產生的序列路徑過度受到增強學習的影響，使得使用者的背景因素與歷程評價的影響變得微乎其微。這篇是為了記錄這一連串開發的過程、思維，以及未來的改進方向。這整套系統皆以JavaScript網頁開發，全部原始碼與資料都放在GitHub上，線上展示網址為： https://pulipulichen.github.io/dynamic-generative-path/ 。