[職涯] 創業者與上班族

        最近看了很多談創業與上班族的文章，像是大部份的人不是沒有創業所需的能力，只是被上班族思維定型了或是創業結束後三年，我當員工的心得，都提到上班族和創業者的差異，主要是在思維模式，並非真正的能力．但是人生是也不用如此二分，在不同立場學到的東西，也可以相互運用，將不同的思考模式帶入另外一方．

[工商時間] Linuxpilot 145有我的文章喔

        小弟的文章刊上了Linuxpilot 145期啦（http://linuxpilot.com/145），雖然在這條路上還是非常新手，真的感謝各位讀者的支持<(_ _ )>．未來也會繼續努力提供給大家一些有料的內容，謝謝各位<(_ _)>．

[R] Gradient Descent(SGD) 演算法實作

圖片來源：http://en.wikipedia.org/wiki/Gradient_descent

先前的[Algorithm] Stochastic gradient descent（梯度下降法）作為Online Learning Model（即時訓練模型）(一)提到使用SGD的方式來跑linear regression。本文嘗試使用R來實作這段過程(但是範例是batch作業，非即時)：

[R] 各種相似性(Similarity) 演算法實作

圖片來源：http://blog.comsysto.com/2013/04/03/background-of-collaborative-filtering-with-mahout/

在推薦系統或是文字探勘中，常常會需要比較兩個人或兩篇文章的相似性，相似性有許多種測量的方式，每種測量方式都有它的特性和適用的地方，本篇文章用R來實作並簡單比較幾種常用到的相似性．

[R] 推薦系統實作（Item Base）

圖片來源：http://betanews.com/2013/09/25/twitter-updates-magicrecs-recommendation-system-for-mobile-users/

承繼上一篇文章[R] 推薦系統實作（User Base） 這篇要介紹的是使用Item Base的角度來推薦使用者物品．

[R] 推薦系統實作（User Base）

圖片來源：https://www.betterment.com/resources/personal-finance/goals-and-advice/8-financial-tools-i-recommend-to-friends/

推薦系統目的在於根據使用者個人化的特質，推薦使用者喜好的商品或廣告，其中最常使用的演算法為協同式過濾（collaborative filtering）．協同式過濾是根據已知的消費行為或是客戶對於商品評價，來猜測客戶對於未購買或未評價的商品可能的評價．協同式過濾中，又以User-base以及Item-base為主要的評價方法．