于式瘋情 (Crazy Bits with Yu)

🌐 互動視覺化網站 Interactive Website 邊看邊玩，自己動手。Try it yourself — visualize everything! 👉 https://sanasana0308.github.io/ds-algo/ 你有沒有想過，為什麼 Ctrl+Z 可以救你？為什麼印表機不會插隊？為什麼 LINE 訊息按照順序來？答案都在這兩個資料結構裡：Stack（堆疊）和 Queue（佇列）。 「反正這兩個不就是放進去拿出來？」一句話差點讓你錯過最核心的差異。 這集從生活例子出發，帶你理解兩者最核心的差異：...

互動視覺化網站 Interactive Data Visualization Website ** [https://sanasana0308.github.io/ds-algo/**](< https://sanasana0308.github.io/ds-algo/>) >) 陣列、鏈結串列根本不一樣，讓你再也不搞混 Array vs Linked List — Stop Confusing Them Forever 你每天滑 YouTube、用 Google 搜尋，背後默默運作的就是資料結構。 「反正都用陣列就好了吧？」——這句話讓無數程式跑慢了一輩子。 如果你的書房是一片混亂，你找...

你每天滑 YouTube、用 Google 搜尋，背後默默運作的就是資料結構。 「反正都用陣列就好了吧？」——這句話讓無數程式跑慢了一輩子。 如果你的書房是一片混亂，你找一本書可能要翻半小時；但如果你有書架、有分類，三秒就找到。這就是資料結構在做的事。 這集我們用最接地氣的方式，把陣列（Array）跟鏈結串列（Linked List）的差異講清楚：讀取誰快、插入誰贏、記憶體誰省。 #資料結構 #Array #陣列 #LinkedList #鏈結串列 #BigO #複...

電腦怎麼知道你說的「蘋果」能不能吃？這部影片將帶你深入 Transformer 的核心——Self-Attention（自注意力機制）。我們將把枯燥的數學轉化為好懂的「角色扮演」，介紹 AI 理解語言的三大祕密武器： Q (Query) 發問者：我在哪？誰跟我有關？ K (Key) 資訊提供者：標籤化特徵，對應發問者的需求。 V (Value) 真實內涵：字典裡的具體語義。 透過向量投影與矩陣運算，AI 能像擁有「上帝視角」一樣觀察前後文，精準修正詞彙的座標，徹底...

別再對電腦說人話了，它只聽得懂「中括號」裡的向量祕密。AI 其實是個只懂數學的「三歲小孩」！它看不懂中文，在它眼裡，你的情書或簡訊全是一堆數字。 Token：依照token數收費就是它！看 AI 如何把句子切成它才懂的小方塊,。 512 維的神祕空間：文字變身「向量」，連「高貴感」都能化為座標,。 內積大運算：用數學算出「蘋果」跟「手機」到底有多像？。 Attention 注意力：看 AI 如何動態判斷你買的是水果還是新手機！ 想知道你的...

分清「貴賓狗還炸雞」也可 f(x)嗎? 雖然當紅的是「生成式 AI」，但其核心底層始終是「(類)神經網路」，很多人會跳過神經網路，還來不及了解"傳統AI"在做什麼，就直接學習當紅酷炫的"生成式AI"理論。這就像在不穩固的地基上蓋房子，其實是有點可惜且危險的。 從基礎的「辨識」任務(例如分清貴賓狗還是炸雞！)，到先進的「生成」任務，這是一脈相承的技術演進。本影片帶大家回到原點，理解AI如何從神經網路找出完美的f(x)函數。 AI的...

分清「貴賓狗還炸雞」也可 f(x)嗎?  雖然當紅的是「生成式 AI」，但其核心底層始終是「(類)神經網路」，很多人會跳過神經網路，還來不及了解"傳統AI"在做什麼，就直接學習當紅酷炫的"生成式AI"理論。這就像在不穩固的地基上蓋房子，其實是有點可惜且危險的。 從基礎的「辨識」任務(例如分清貴賓狗還是炸雞！)，到先進的「生成」任務，這是一脈相承的技術演進。本影片帶大家回到原點，理解AI如何從神經網路找出完美的f(x)函數。 AI...

[A Bit of Tech] 速講 LLM RNN Transformer | LLM只是文字接龍嗎? 我只是想要被理解。Transformer: 那些RNN不能解決的就交給我吧。 很多人說 LLM只是文字接龍，你覺得呢? 我只是想要被理解，如果是的話我該怎麼辦? RNN(循環神經網路)作為神經網路三大巨頭之一，他也有不行的時候。 因此Transformer發下狂語說: 「All you need is attention.」那些RNN不能解決的就交給我吧。 Many people say that LLMs are just doing text contin...

建立一個小chatbot，是學習AI agent很棒的起點。 很多人會說 有了AI的幫忙，技術不再是問題，但我不知道主題要做什麼啊? 確實技術不再是問題了，但必須在一開始就做好發想的準備和練習，好好地創造，想清楚why and what，天馬行空的瘋狂想像一番，有計畫的制定每個步驟，創意和想法才是最重要的第一步。 If AI makes a mistake, call it a 'Beta test'; if you make a mistake, call it an 'Artistic choice'. Keep dreaming big a...