網路測速心得：Speedtest、手機、熱點共享 / What I learned from Network speed testing

為了考慮更換手機電信業者方案，我最近幾天試著學習很流行的Speedtest來測試網路網速。為了能夠完整記錄測試網速、手機、電信業者與地點等資訊，我整理了一套Speedtest、1 secnote跟Google Photo記錄的方法。後來發現到光測手機速度還不夠，手機熱點分享給筆電時，網路速度會大打折扣，不得不注意這件事情。而在Windows筆電上雖然也可以用Speedtest網頁版來測網路速度，但卻比Android系統上用Speedtest APP測得速度慢了很多。這之間的差異會造成使用者對網路速度感受帶來不小的落差，不得不注意。

聚焦於你感興趣的關聯規則：Weka的HotSpot演算法 / Association Rule Mining with Specific Right-Hand-Side: HotSpot Algorithm in Weka

說到資料探勘(data mining)，大部分的應用都是指購物籃分析(market basket analysis)中的關聯規則分析(association rule mining)，也就是Apriori演算法。但傳統的Apriori有著許多限制：難以處理多維度資料、不能處理連續型的數值資料，最重要的是，研究者所感興趣的結果往往難以被探勘出來。後來我找到了另一種關聯規則分析演算法：HotSpot，它不僅可以解決上述Apriori所遭遇的問題，我還用AutoIT額外撰寫了資料整理的程式，使得HotSpot能夠呈現更多我們所關住的結果。

循序樣式探勘：以Python的PrefixSpan實作 / Implement Sequential Pattern Mining with PrefixSpan in Python

我之前用R的arulesSequences來做循序樣式探勘，但是在輸入的資料量過大的時候，arulesSequences沒辦法順利運作。這個問題就是循序樣式探勘AprioriAll需要產生候選項目的後遺症。所以我另外找尋了不需要產生候選項目的循序樣式探勘演算法，最後找到的就是以Python實作的PrefixSpan。我參考chuanconggao發佈在GitHub的PrefixSpan-py專案，調整它輸入資料跟輸出結果的方式，把它整理成更容易在Windows環境下使用。所有程式碼都公開在GitHub的保存庫「PrefixSpan-py」上，歡迎有需要做循序樣式探勘的朋友來使用。

Zentyal的DLLL-CIAS Router更新記錄 / DLLL-CIAS Router Moduel Update

DLLL-CIAS Router是我在開放原始碼的網路路由器Zentyal上所開發的模組。這次我在Zentyal 4.1版本上再度開發了新版本的DLLL-CIAS Router。這個版本是特別為了DLLL-CIAS架構中的網路管理伺服器(Router)、資料儲存伺服器(Storage)、虛擬機器管理伺服器(Virtual Environment)、以及虛擬機器(Virtual Machines)的架構所設計，並且融入知識管理、允許重複網域名稱的功能，最後則是留下完整的安裝方法與自動備份的功能，即使Zentyal再度毀損也能夠輕易地將之還原。這篇記錄著這一版本DLLL-CIAS Router所增加的各種功能。

從捷徑直接開啟瀏覽器的無痕/私密模式 / Start Browser in Incognito / InPrivate Mode

網頁瀏覽器的無痕/私密模式是讓使用者在網路上瀏覽的資訊在關閉瀏覽器之後立刻移除的模式。這可以避免一些使用者在瀏覽器登入卻忘記登出，導致下一位使用者可以任意使用別人帳號的窘境。瀏覽器的無痕/私密模式最適合在公用電腦上使用。

不論是Google Chrome、Firefox、Internet Explorer各家瀏覽器都有無痕模式，有些稱之為私密瀏覽模式(InPrivate)，但大多都得讓使用者手動開啟，做法請見「上網記錄不留痕！各家瀏覽器的隱密模式大公開」。不過，其實各家瀏覽器也可以在開啟捷徑時搭配使用參數來直接啟用無痕/私密模式，這篇就整合各家瀏覽器的做法，一併說明如何建立直接開啟無痕/私密模式的專用捷徑。

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/ 。

談歷程資料分析：從摘要統計到個別序列 / Analyzing Activity Logs: From Summary Statistics to Individual Sequence

最近我試著應用機器學習到歷程序列資料的分析上，想說在這裡記錄一下進度與想法。不過在講歷程序列資料的分析之前，我想有必要先跟大家回顧一下所謂的歷程資料(activity logs)中的摘要統計與個別序列的差別，以及分析歷程統計資料和歷程序列資料的可能做法，這樣才能說明為什麼我要將機器學習應用在歷程序列資料分析上。這些方法跨了相當多領域，有些技術解釋與名詞選擇不甚嚴謹，望各位先進不吝指教。

你還在用WinRAR壓縮嗎？是該改用ZIP格式來壓縮了 / The Better File Compression Format: ZIP

在華文圈，很多人都使用WinRAR來壓縮檔案，電腦裡面也會裝WinRAR軟體。不過，比起RAR格式，我更推薦大家使用都是ZIP格式壓縮。這篇來談談為什麼這樣說的理由。

Weka試跑文本評分 / Text Rating Test With Weka

最近我在準備教授用Weka作文本分類的時候，就順帶的一直想試試理論上可以作、但一直沒資料的「文本評分」功能。文本分類主要的分類目標(class)是「類別資料」，而文本評分的分類目標就是「連續資料」，也就是分數。於是我就順手把「Reuters-21578 Text Categorization Collection」的新聞分類轉換成數字的評分，並整合StringToWordVector篩選器跟SMOreg分類器以迴歸的方式計算評分。其中StringToWordVector需要經過調整才能讓分類器順利運作，這邊我記錄一下大致上的做法。

台電科技Teclast Tbook 16 Power如何修復Wifi跟MicroSD讀卡機問題：更新系統韌體 / Update Firmware to Fix Teclast Tbook 16 Power’s Wifi and MicroSD Card Reader Problems

最近買來了中國大陸公司台電科技(Teclast)的仿Micosoft Surface的二合一平板電腦：Tbook 16 Power，買來之後就發現常常有Wifi莫名其妙斷線、MicroSD讀卡機消失等問題。今天研究了一下台電論壇的內容，有人說重設BIOS但沒效，也有人說升級最新驅動2017 05 22後能完美解決，不過我選擇更新了Windows 10的系統韌體，這兩個問題就順利解決了。

不深度學習也不用寫程式的圖片辨識：用Weka實作MNIST手寫數字辨識 / MNIST digits Classification with Weka

深度學習CNN的熱門讓人再度對「圖片辨識」這塊領域投入許多注意。不過先不論你是很懂數學公式喜歡計算卷積的朋友，還是不求甚解只會call套件來用的朋友，大部分的朋友都必須經過安裝Python環境、tensorflow或keras等套件、一步一步遵照範例程式碼來執行CNN的這段辛苦過程。不過，在這之中應該也有不少朋友，一旦遇到輸入程式碼就十分痛苦到無法繼續作下去，對吧？別擔心，如果只是要作預測圖片、辨識圖片的話，其實來自紐西蘭的Weka也可以做到，還不用寫任何程式喔！

那麼本篇繼利用Image Filter抽取圖片特徵來分類初音彩色圖片之後，接下來這篇就要來挑戰現在CNN主要使用的資料集：MNIST手寫數字辨識問題囉。

你也懂初音？Weka辨識彩色圖片的分類與預測 / Colorful Images Classification with Weka

在「從圖片抽取量化特徵：Weka的ImageFilter」這篇的介紹之後，我們知道怎麼利用Weka的Image Filter從圖片中抽取量化特徵，並進一步用於圖片分類上。本篇我們就以Terrence所撰寫的「用tflearn來做深度學習辨識初音」中分辨初音的例子，用Weka來實作看看吧。

從圖片抽取量化特徵：Weka的ImageFilter / Extract Features from an Image File with Weka’s ImageFilter

在「不寫程式也能預測未知！用Weka分類模型來預測未知案例」這篇介紹了如何用Weka來進行預測，不過基本上像是Weka這樣的資料探勘工具處理的都是經過量化的數值或分類資料，如果今天遇到的是非結構的資料，像是圖片的話，我們要怎麼處理呢？這就要藉助Weka的「Image Filter」套件，來從非結構化的圖片檔案中抽取量化的特徵資料囉。