精靈寶可夢GO的VIP團體戰日期已經可以預測了？8-7-7-8循環週期 / Pokemon Go's EX Raid schedule and future dates speculation seems confirmed!

繼之前的「VIP團體戰舉行規則彙整」之後，國外的精靈寶可夢GO社群網站Pokemon GO Hub又進一步整理出VIP團體戰(EX Raid)的舉行週期！簡單來說大致上是以8-7-7-8的天數間隔循環，而收到VIP團體戰邀請函後則大概是9-8-8-9天後舉行。如果玩家想要追超夢，又怕卡到自己未來行程的話，不妨考慮一下這篇所介紹的VIP團體戰舉行週期喔。以下我試著將該篇內容翻譯跟大家分享，為了對應臺灣玩家的時區，日期部分我參考實際臺灣地區的時間做調整。

(圖片來源：Pokemon GO Hub)

超夢券不再是作夢？VIP團體戰舉行規則彙整 / A comprehensive guide on how to trigger EX Raids

(圖片來源：Pokémon GO)

這是來自於GO HUB上的教學「A comprehensive guide on how to trigger EX Raids」，教導精靈寶可夢GO玩家如何開啟你所在位置的VIP團體戰(EX Raids)，進而有機會拿到VIP團體戰入場券、並挑戰現在的VIP團體戰頭目：超夢。有在關注精靈寶可夢GO的玩家應該都已經知道VIP團體戰的已公開規則就是「地點：贊助商、公園」、「道館聲望：金牌」、「活動：團體戰」，但對於團體戰的開啟條件與規律多在玩家間經驗歸納，尚無較有系統性的整理。

這篇教學則更深入的研究了S2地理網格 (S2 cells)、道館資格(gym eligibility)、最低參與玩家人數(expected player)以及團體戰活動(raiding activity)等細節，我覺得對玩家來說蠻有啟發意義，所以花點時間來翻譯看看，並依據臺灣的狀況調整一些教學細節，最後再加入一些我個人的觀察。

當然，這篇教學依然只是玩家歸納的規則，而這之中依然包含了大量的隨機要素，並非100%準確。遊戲官方Niantic仍然會對VIP團體戰的規則進行調整，因此玩家把這篇當作參考即可。開心遊戲最重要喔！

找出你關注的隱含知識：以Cortana做子群組探勘 / Discovery Knowledge in Your Interesting Target: Subgroup Discovery with CORTANA

繼聚焦於你感興趣的關聯規則：Weka的HotSpot演算法之後，這篇要介紹的是實作了Exceptional Model Mining的子社群探勘(subgroup discovery)專門工具：CORTANA。跟HotSpot相比，CORTANA不僅可以探勘連續類型的目標變項(target variable)，還能夠綜合多個目標變項成為一個目標概念(target concept)，以此找到最能符合目標概念的子群組(subgroup)。

如何讓PDF文件歪斜轉正？使用Acrobat Pro的編輯PDF工具 / How to Deskew and Straighten a Scanned PDF in Acrobat Pro

在數位化的時代裡面，現在很多文件都是以PDF的方式保存。以往數位典藏盛行的時代，許多PDF並非是原生的電子文件，而大多是由列印或影音下來的紙本掃描而成。而掃描的文本最常見的問題就是偏斜、不正，這會造成電腦與平板閱讀的時候有很多問題。這篇我介紹使用Adobe Acrobat Pro來將掃描文件以OCR技術使之變成可選取的文字，再以編輯EDIT功能將歪斜的文字校正至垂直。做法很簡單，我想應該很多人會需要這樣的技術，在這裡整理一下這整套做法。

彙整中文與英文的詞性標註代號：結巴斷詞器與FastTag / Identify the Part of Speech in Chinese and English

(圖片來源：e-Tutorial World)

文本分析時常會用到詞性(Part of Speech，簡稱POS)作為判斷依據。現在流行的中文斷詞器結巴(Jieba)具備詞性判斷的功能，這篇將整理56種詞性標記代號的意義，並加上標點符號的自訂詞典以補足結巴無法辨識標點符號的問題。此外，結巴僅會將英文詞性標示為「eng」，這難以用在中英混雜的文本中。因此我又另外找了Node.js上的pos函式庫，這是基於Mark Waston的FastTag詞性標註演算法，能夠為英文字分辨出45種不同的詞性。

白箱或黑箱：如何依照場合選擇機器學習模型？ / White box or black box: choosing a machine learning model for your application

我之前的幾篇文章中一直提到資料探勘(機器學習)中黑箱演算法與白箱演算法的概念。黑箱演算法正確率高、但產生的模型難以解釋；白箱演算法能夠產生容易理解的模型，但正確率可能不高。最近在看Vidyadhar Ranade在2017年4月所寫的「White box or black box: choosing a machine learning model for your application」，覺得他對黑箱與白箱的見解頗有道理。因此試著將內容翻譯出來，讓大家對機器學習演算法中黑箱與白箱的特性有更深刻的認識。

M5P：預測非線性連續資料的樹狀迴歸演算法 / M5P: Trees with Linear Models in Weka

M5P樹狀迴歸演算法是Weka內建的一種迴歸演算法。它可根據資料的分佈建立多種迴歸模型，依據輸入資料的不同來決定適用的迴歸模型。比起傳統的線性迴歸，M5P能夠準確預測非線性的資料，而且規則與迴歸模型容易解讀。相較於類神經網路和支持向量機等黑箱演算法，白箱演算法的M5P更容易用於研究結果的解釋上。