Submit Search
Upload
扶搖職上
•
0 likes
•
65 views
S
ssuser82d625
Follow
資策會 AI/Big Data資料分析師班, 受訓期間:2019/06/12~2019/11/22 專題成果:扶搖職上
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 83
Download now
Download to read offline
Recommended
扶搖職上:協助職涯發展之AI智慧聊天機器人(LineBot)
扶搖職上:協助職涯發展之AI智慧聊天機器人(LineBot)
Eric Tseng
How to run an AI Project @pixnet
How to run an AI Project @pixnet
晨揚 施
03_AI旅宿訂房系統-AI智慧訂房方案
03_AI旅宿訂房系統-AI智慧訂房方案
IttrainingIttraining
QM-064-常用QC手法
QM-064-常用QC手法
handbook
微軟的商業智慧
微軟的商業智慧
MaxHung
問題分析與解決 詹翔霖教授-核心幹部管理實務
問題分析與解決 詹翔霖教授-核心幹部管理實務
文化大學
01 如何成为真正的ppt高手(2009版下)
01 如何成为真正的ppt高手(2009版下)
hustmarco
01 如何成为真正的ppt高手(2009版下)
01 如何成为真正的ppt高手(2009版下)
孔子 无敌
Recommended
扶搖職上:協助職涯發展之AI智慧聊天機器人(LineBot)
扶搖職上:協助職涯發展之AI智慧聊天機器人(LineBot)
Eric Tseng
How to run an AI Project @pixnet
How to run an AI Project @pixnet
晨揚 施
03_AI旅宿訂房系統-AI智慧訂房方案
03_AI旅宿訂房系統-AI智慧訂房方案
IttrainingIttraining
QM-064-常用QC手法
QM-064-常用QC手法
handbook
微軟的商業智慧
微軟的商業智慧
MaxHung
問題分析與解決 詹翔霖教授-核心幹部管理實務
問題分析與解決 詹翔霖教授-核心幹部管理實務
文化大學
01 如何成为真正的ppt高手(2009版下)
01 如何成为真正的ppt高手(2009版下)
hustmarco
01 如何成为真正的ppt高手(2009版下)
01 如何成为真正的ppt高手(2009版下)
孔子 无敌
基于Ht rca缺陷分析的测试改进-china test-张玲玲
基于Ht rca缺陷分析的测试改进-china test-张玲玲
drewz lin
20150206 aic machine learning
20150206 aic machine learning
Meng-Ru (Raymond) Tsai
Qcc
Qcc
kenne_ni
預測性分析
預測性分析
Qualex Asia
QM-057-品質顧問生涯經驗分享
QM-057-品質顧問生涯經驗分享
handbook
QM-025-QC新七大工具
QM-025-QC新七大工具
handbook
锐普Ppt(案例汇总)
锐普Ppt(案例汇总)
echotoo
2.ie培訓教材
2.ie培訓教材
營松 林
簡報規劃與技巧
簡報規劃與技巧
基欽 劉
工作圈上課講義
工作圈上課講義
5045033
流程及價值管理
流程及價值管理
聰敏 陳
解决问题
解决问题
shen wannian
腾讯大讲堂39 数据运营规划理念及方法概要介绍
腾讯大讲堂39 数据运营规划理念及方法概要介绍
George Ang
QM-060-問題分析與解決能力提升
QM-060-問題分析與解決能力提升
handbook
2009美國團精彩回顧
2009美國團精彩回顧
基欽 劉
2009美國團精彩回顧
2009美國團精彩回顧
CPCRDI
腾讯大讲堂39 数据运营规划理念及方法概要介绍
腾讯大讲堂39 数据运营规划理念及方法概要介绍
PMCamp
2_學院碩士班_分群模型_20220606.pdf
2_學院碩士班_分群模型_20220606.pdf
FEG
企業個案報告寫作(2012版)
企業個案報告寫作(2012版)
基欽 劉
事件媒合平台企劃書
事件媒合平台企劃書
Norika
More Related Content
Similar to 扶搖職上
基于Ht rca缺陷分析的测试改进-china test-张玲玲
基于Ht rca缺陷分析的测试改进-china test-张玲玲
drewz lin
20150206 aic machine learning
20150206 aic machine learning
Meng-Ru (Raymond) Tsai
Qcc
Qcc
kenne_ni
預測性分析
預測性分析
Qualex Asia
QM-057-品質顧問生涯經驗分享
QM-057-品質顧問生涯經驗分享
handbook
QM-025-QC新七大工具
QM-025-QC新七大工具
handbook
锐普Ppt(案例汇总)
锐普Ppt(案例汇总)
echotoo
2.ie培訓教材
2.ie培訓教材
營松 林
簡報規劃與技巧
簡報規劃與技巧
基欽 劉
工作圈上課講義
工作圈上課講義
5045033
流程及價值管理
流程及價值管理
聰敏 陳
解决问题
解决问题
shen wannian
腾讯大讲堂39 数据运营规划理念及方法概要介绍
腾讯大讲堂39 数据运营规划理念及方法概要介绍
George Ang
QM-060-問題分析與解決能力提升
QM-060-問題分析與解決能力提升
handbook
2009美國團精彩回顧
2009美國團精彩回顧
基欽 劉
2009美國團精彩回顧
2009美國團精彩回顧
CPCRDI
腾讯大讲堂39 数据运营规划理念及方法概要介绍
腾讯大讲堂39 数据运营规划理念及方法概要介绍
PMCamp
2_學院碩士班_分群模型_20220606.pdf
2_學院碩士班_分群模型_20220606.pdf
FEG
企業個案報告寫作(2012版)
企業個案報告寫作(2012版)
基欽 劉
事件媒合平台企劃書
事件媒合平台企劃書
Norika
Similar to 扶搖職上
(20)
基于Ht rca缺陷分析的测试改进-china test-张玲玲
基于Ht rca缺陷分析的测试改进-china test-张玲玲
20150206 aic machine learning
20150206 aic machine learning
Qcc
Qcc
預測性分析
預測性分析
QM-057-品質顧問生涯經驗分享
QM-057-品質顧問生涯經驗分享
QM-025-QC新七大工具
QM-025-QC新七大工具
锐普Ppt(案例汇总)
锐普Ppt(案例汇总)
2.ie培訓教材
2.ie培訓教材
簡報規劃與技巧
簡報規劃與技巧
工作圈上課講義
工作圈上課講義
流程及價值管理
流程及價值管理
解决问题
解决问题
腾讯大讲堂39 数据运营规划理念及方法概要介绍
腾讯大讲堂39 数据运营规划理念及方法概要介绍
QM-060-問題分析與解決能力提升
QM-060-問題分析與解決能力提升
2009美國團精彩回顧
2009美國團精彩回顧
2009美國團精彩回顧
2009美國團精彩回顧
腾讯大讲堂39 数据运营规划理念及方法概要介绍
腾讯大讲堂39 数据运营规划理念及方法概要介绍
2_學院碩士班_分群模型_20220606.pdf
2_學院碩士班_分群模型_20220606.pdf
企業個案報告寫作(2012版)
企業個案報告寫作(2012版)
事件媒合平台企劃書
事件媒合平台企劃書
扶搖職上
1.
AI / Big
Data資料分析師 DB103梅花組 1
2.
專題⽬標 資料搜集( ETL ) 專題架構 成品發表 功能及技術說明 成員介紹 產業新聞(分群演算) 描述搜尋(文字探勘) 薪資預測(數值演算) 職缺氣象(
視覺化 ) 相由⼼⽣(影像辨識) ⾯試捕⼿( IOT、巨量資料串流 ) 報告流程 報告流程
3.
LET’S GO
4.
我們的初衷 專題⽬標 1 2 3 在⼈⼒資源網上的職缺多如⽜⽑,描述不⼀… 本作品使⽤LineChatbot,彙整並分析各⼈⼒資源網上的 重要資訊。簡單幾個鍵,協助新鮮⼈的⽣涯決策。 履歷是開啟職業⽣涯的敲⾨磚 可惜的是,新鮮⼈會犯下許多常⾒的錯誤。本作品將在履 歷的照片上,給予選擇的建議。 如何⾯試的時候⼤放異彩 你所表現的儀態,其實是影響結果的重要因素。本作品將 錄製你的⾯試模樣,進⾏儀態和表情評估,提供建議。
5.
專案⽬標 專題⽬標 做好⾯試 為此,我們期望建立⼀個好上 ⼿的聊天機器⼈,幫助使⽤者 寫好履歷找好⽅向
6.
功能模組 功能模組 Line Chat Bot 找好⽅向 職缺 氣象 薪資 預測 描述 搜尋 寫好 履歷 產業 新聞 相由 ⼼⽣ 做好 ⾯試 ⾯試 捕⼿ 使⽤者 介⾯ 功能類型 功能模組
7.
功能說明 功能說明 Client Line Chatbot 職缺氣象 DB 104 1111 產業新聞 … 爬蟲 ETL 描述性 資訊報表 相由⼼⽣ 深度學習 演算照片類型 照片 適切度判斷 ⾯試捕⼿ 即時 ⾏為攝影 深度學習 演算儀態表現 薪資預測 輸入 職缺網址 篩選條件 機器學習 演算薪資模型 薪資預測值 儀態回饋報告 上傳相片 產業新聞 所選類型 文章推薦 影像 串流 描述搜尋 IOT 樹梅派 輸入 描述語句 Tableau 文字分類器 演算、匹配 職業類型 判斷職業類型
8.
作品⽰範
9.
10.
曾⼠哲 ⾼珮菁 譚國懌
吳智軒 江振瑋 P M DBMA 資料分析師 演算法⼯程師 資料⼯程師 負責 項⽬ 專題架構 薪資預測 LineBot 資料處理與管理 產業新聞 描述搜尋 職缺氣象 相由⼼⽣ ⾯試捕⼿ 數據串流 使⽤ 技術 • 專案管理(PM) • 資料探勘(DM) • 機器學習(ML) • 前端網⾴設計 (Flask、Line) • 資料爬蟲 • 資料清潔(ETL) • 資料庫設計(DB) • 分群演算 (K-Means) • 資料爬蟲 • 資料清潔(ETL) • 文字探勘 (單純⾙式) • 資料爬蟲 • 圖形辨識 • 深度學習(遷移 學習VGG16 & ResNet50) • 視覺化 (Tableau) • 巨量資料架構 (Hadoop、 Spark Stream、 Kafka) • 深度學習 (OpenPose、 PyTorch) 成 員 介 紹 成員介紹
11.
功能及技術說明
12.
資料搜集 ETL ⾼珮菁 爬蟲收集就業市場上所有的職缺資訊,包 括公司資料、⼯作內容、需要技術、學經 歷要求、福利薪資、職缺介紹,以及產業 新聞等,清潔儲存後,⽅便其他功能進⾏ 資料存取。
13.
功能資料流 資料搜集 產業新聞 分群模型 薪資預測 模型 文字探勘 模型 描述性統計 (視覺化)
14.
Extract 資料收集 資料搜集 爬取筆數 去除重複 ⼈⼒銀⾏ 職缺資訊 104
204,356 約30萬1111 162,609 518 28,732 公司資訊 104 30,960 約6萬1111 25,052 518 9,232 產業新聞 IEK (物聯網、資通訊) 62,075 約5.5萬
15.
Extract 資料收集 資料搜集 步驟1:觀察網站結構 ◦ https://www.104.com.tw/jobs/search/?ro=1&j obcat=2005000000&order=11&asc=0&page= 1&mode=s ◦
變數: 全職⼯作、每⾴顯⽰筆數、⾴數、職務類別 ◦ 職缺總筆數 問題: ◦ ⾴數、筆數限制。 ◦ 無法判別最後⼀⾴。 ◦ 職缺條件列表與內容,每個職缺不同。
16.
步驟2:制定crawler步驟及⽅法 ◦ 將職務類別的資訊,存入MySQL ◦ 依職務類別爬取職缺URL及公司URL,存入MySQL ◦
將職缺的資訊爬取下來,存成json檔 ◦ 將公司的資訊爬取下來,存成json檔 Extract 資料收集 資料搜集 1111 104
17.
Extract 資料收集 資料搜集 • 步驟3:改進抓取時間
– 多執⾏緒threading 公司資訊 單執⾏緒 職缺資訊 多執⾏緒 2.5萬筆 = 2.2hr 16萬筆 = 2.3hr 效率提升85%
18.
Extract 資料收集 資料搜集 • 步驟4:爬取資料存入Mongodb
19.
Transform資料清理 資料搜集 job 職缺資料 job_tool 職缺所需⼯具 job_skill
職缺所需技能 job_department 職缺科系要求 job_status 職缺接受⾝分 company 公司資料 ER Model
20.
Transform資料清理 資料搜集 • 產業類別(以104為主) • 職務類別(以104為主) •
接受⾝分 • 應徵⼈數 • ⼯作地區 統⼀類別(⾃訂字典) 產業類別 職務類別
21.
Transform資料清理 資料搜集 • 管理責任 • 出差外派 •
上班時段 • 學歷要求 文字轉類別 原始資料 類別 “不需負擔管理責任”、”管理⼈數未定” Yes、No “無需出差外派”、”需出差”、”需外派” Yes、No “⽇班/晚班,08:00~17:30,需輪班” ⽇班、晚班、⼤夜班、輪班 “⾼中以下、⾼中、專科、⼤學” 最低:國中;最⾼:⼤學
22.
Transform資料清理 資料搜集 • ⼯作待遇 • ⼯作經驗 •
管理⼈數 • 需求⼈數 文字轉數值 ⽉薪 44,120~46,580元 è 3年以上⼯作經驗 è 10⼈以內 è 1~2⼈ è
23.
產業新聞 使⽤者選擇想看的「新聞類型」,系統將 隨機提供該類型的近期新聞。 ⾼珮菁
24.
功能資料流 產業新聞
25.
Jieba 中文斷詞與關鍵字萃取 產業新聞 原新聞 (未斷詞) 原新聞 (有斷詞) 每⼀篇新 聞20個關 鍵字 jieba.analyse.extract_tags:基於TF-IDF 算法的關鍵詞抽取功能 文本訊息精煉度 語料庫
詞向量 原新聞(有斷詞) (10465, 81808) 每篇新聞20個關鍵字 (10465, 20750)
26.
資 料 預 處 理 完 成 產業新聞
27.
TF/IDF並實作分群 產業新聞 • ⽬標:將新聞分為4群,⽅便LineChatbot使⽤ 語料庫 詞向量
TF/IDF 詞矩陣 Kmeans score 原新聞(有斷詞) (10465, 81808) 81808 無法執⾏ max_features = 30 0.1015 每篇新聞 20個關鍵字 (10465, 20750) 20750 0.0048 max_features = 30 0.0729 使⽤Spark分析 -0.05
28.
分群結果比較 產業新聞 20750詞向量TF/IDF取30個特徵 5 G 企 業 表 現 中 美 貿 易 智 慧 產 業 81808詞向量TF/IDF取30個特徵
29.
描述搜尋 譚國懌 使⽤者描述預期的⼯作項⽬,或是輸入個 ⼈的專⾴能⼒,系統將演算與各職業⼯作 內容的匹配程度,預測歸屬的職業類型。
30.
執⾏步驟 描述搜尋 步驟⼀:從資料庫抓取訓練文字模型所需資料 步驟⼆:⼯作內容⽤jieba做斷詞與處理 步驟三:把資料分成訓練集與測試集 步驟四:將斷完詞後的⼯作內容轉換成詞袋向量 步驟五:把訓練集丟進模型訓練並且⽤測試集看準確率 步驟六:改善與測試模型 步驟七:比較模型準確率並選擇模型
31.
步驟⼀ 從資料庫抓取訓練文字模型 所需資料 描述搜尋
32.
步驟⼆ ⼯作內容⽤jieba做斷詞處理 描述搜尋
33.
步驟三 把資料分成訓練集與測試集 描述搜尋
34.
步驟四 將斷完詞後的⼯作內容轉換 成詞袋向量 描述搜尋
35.
步驟五 把訓練集丟進模型訓練並且 ⽤測試集看準確率 描述搜尋 直接使⽤職業類別(中)(44種職業類別)分類版本
36.
職業類別(⼤) 分類模型(第⼀層) 第一大類中 職業類別(中) 分類模型 (第⼆層) 第⼆⼤類中 職業類別(中) 分類模型 (第⼆層) 第三⼤類中 職業類別(中) 分類模型 (第⼆層) 第四⼤類中 職業類別(中) 分類模型 (第⼆層) 第五⼤類中 職業類別(中) 分類模型 (第⼆層) 第六⼤類中 職業類別(中) 分類模型 (第⼆層) 因為準確率不盡理想 嘗試使⽤職業類別(⼤)共來當作第⼀層分類 再依照每個職類去做模型
37.
使⽤職業類別(⼤)來做分類模型訓練 ⼀樣直接把所有資料丟進模型中訓練 分類準確率上升到79.6% 步驟五 把訓練集丟進模型訓練並且 ⽤測試集看準確率 描述搜尋
38.
步驟六 改善與測試模型 描述搜尋 改善⽅法⼀: 增加職稱.⼯具.證照.其他條件等多個欄位 Before After
39.
步驟六 改善與測試模型 描述搜尋 改善⽅法⼆:控制資料筆數 Before After
40.
步驟七 比較並選擇模型 描述搜尋 模型 六⼤類別 分類準確率 (第⼀層) 第⼀⼤類中 職業類別(中) 分類準確率 第⼆⼤類 職業類別(中) 分類準確率 第三⼤類 職業類別(中) 分類準確率 第四⼤類 職業類別(中) 分類準確率 第五⼤類 職業類別(中) 分類準確率 第六⼤類 職業類別(中) 分類準確率 單純 ⾙⽒ 分類 模型 僅⼯作 內容 79.64%
87.67% 92.33% 84.50% 84.44% 77.17% 71.46% 完整 資訊 84.01% 90.76% 95.63% 90.91% 89.71% 80.42% 80.18% KNN 分類 模型 僅⼯作 內容 77.42% 67.76% 84.67% 73.56% 73.89% 60.17% 56.58% 完整 資訊 81.93% 79.87% 88.28% 73.48% 83.43% 74.59% 70.98% 模型 準確率 單純⾙⽒分類模型 67.82% KNN分類模型 65% ⽅案⼀:使⽤⼀個模型來分所有職業類別(中) ⽅案⼆:分兩層模型,第⼀層分出職業類別(⼤) 之後再⽤第⼆層分職業類別(中)
41.
薪資預測 曾⼠哲 製作薪資演算模型,針對沒有顯⽰薪資 (薪資⾯議)的職缺,擷取職缺資訊進⾏ 運算,提供使⽤者薪資預測的功能。預測 包括:「薪資最⼤值」及「薪資最⼩值」
42.
資料分析與建模流程 薪資預測 1. 了解並清理原始資料 2. 設計並產⽣衍⽣變數 3.
考量模型需求,產⽣虛擬變數(Dummy Variable) 4. 製作訓練、測試資料集數 5. 建立模型、檢視模型成效
43.
資料分析與建模流程 薪資預測 1. 觀察資料 2. 檢查nan、null 3.
處理極端值 4. 合併稀疏類別 了 解 並 清 理 原 始 資 料
44.
資料分析與建模流程 薪資預測 了 解 並 清 理 原 始 資 料 無薪⽔(Y)樣本刪除 無公司資料樣本刪除 1. 觀察資料 2.
檢查nan、null 3. 處理極端值 4. 合併稀疏類別
45.
資料分析與建模流程 薪資預測 了 解 並 清 理 原 始 資 料 1. 觀察資料 2. 檢查nan、null 3.
處理極端值 4. 合併稀疏類別
46.
資料分析與建模流程 薪資預測 了 解 並 清 理 原 始 資 料 1. 觀察資料 2. 檢查nan、null 3.
處理極端值 4. 合併稀疏類別
47.
資料分析與建模流程 薪資預測 設 計 並 產 ⽣ 衍 ⽣ 變 數
48.
資料分析與建模流程 薪資預測 產 ⽣ 虛 擬 變 數
49.
資料分析與建模流程 薪資預測 製 作 訓 練 ︑ 測 試 資 料 集 數
50.
資料分析與建模流程 薪資預測 建 立 模 型 ︑ 檢 視 模 型 成 效
51.
提升預測準確度:分層模型 薪資預測 原始做法: 將所有數據丟入模型進⾏訓練 調整做法: 將不同產業類型的數據,各別建立預測模型 ⺠⽣服務 傳產製造 資訊科技 ⼯商服務 文教傳播
52.
提升預測準確度:分層模型 薪資預測 模型 ⺠⽣服務 傳產製造
資訊科技 ⼯商服務 文教傳播 原始 做法 R2 0.22 MAPE 12.8 調整 做法 R2 0.12 0.19 0.34 0.23 0.46 MAPE 11 12 12.6 11.8 10.2 Y = Salary_min
53.
提升預測準確度:分層模型 薪資預測 模型 ⺠⽣服務 傳產製造
資訊科技 ⼯商服務 文教傳播 原始 做法 R2 0.22 MAPE 12.8 調整 做法 R2 0.12 0.19 0.34 0.23 0.46 MAPE 11 12 12.6 11.8 10.2 Y = Salary_min
54.
職缺氣象 吳智軒 彙整爬蟲搜集所獲得之資料,以Tableau視 覺化圖表後,提供職缺分佈、條件要求及 薪資範疇等重點視覺化資訊,讓使⽤者能 得其所需。
55.
使⽤Tableau之原因 職缺氣象 • 數據兼容性強,適⽤於多種數據文件與資料庫 • 操作簡單的拖放式介⾯,易上⼿ •
擁有多樣化的數據圖表
56.
資料同步 職缺氣象 ⽀援多種資料庫及文件
57.
Dashboard資料同步:職缺分佈 職缺氣象 可選擇 職業類別
58.
Dashboard資料同步:條件要求 職缺氣象
59.
Dashboard資料同步:薪資範圍 職缺氣象
60.
相由⼼⽣ 吳智軒 根據統計,⼈資平均花費不到8-20秒掃描 過⼀份履歷,若履歷上有嚴重的錯誤,就 有可能被快速刪除。其中,照片的選擇, 是留下良好第⼀印象的關鍵要因。本作品 將辨識使⽤者的照片,是否適合⽤在履歷 表上,避免履歷被秒刪之疑慮
61.
功能資料流 相由⼼⽣
62.
照片類型標記 相由⼼⽣ 證件照風格 學⼠照風格 ⽣活照風格
63.
照片類型標記 相由⼼⽣ ⽣活照風格
64.
資料前處理 相由⼼⽣ • 訓練集影像分類 :共6000張圖片,每類2000張 •
Image resize : 照片⼤⼩都不⼀樣 , 統⼀尺⼨為 224 * 224 • Train size : 80% • Test size : 20% • Final_batch = 50
65.
深度學習 相由⼼⽣ 卷積神經網路(Convolutional neural network,
CNN) 捲積運算 Convolution Convolution Pooling Fully Connected 萃取特徵 Pooling
66.
照片太少?怎麼進⾏深度學習 相由⼼⽣ Transfer Learning 1. What
is Transfer Learning? • 把預訓練模型(即已訓練好的模型)參數遷移⾄ 新的模型。 2. Why Transfer Learning? • 節省時間 • 適⽤於⼩數據集 • 訓練硬體成本低
67.
•13個卷積層 ( Convolutional
Layer ) •5個池化層( Pooling Layer ) •3個全連接層(Fully connected Layer) 使⽤VGG16模型結構訓練 照片分類模型 67
68.
… 使⽤ResNet50模型結構訓練 照片分類模型 梯度消失問題? 68
69.
模型選擇 相由⼼⽣ Model size Train
time 準確率 VGG16 650MB 3分鐘 0.82 ResNet-50 28.3MB 10分鐘 0.85 VGG16 ResNet50
70.
模型應⽤:pickle 相由⼼⽣ • 使⽤pickle套件來保存與讀取訓練好的Model 讀取模型直 接辨識照片 將模型程式序列化(打包) 成pickle檔, 需要時可直接讀取模型
71.
⾯試捕⼿ 江振瑋 使⽤者開啟此功能後,可開始進⾏模擬⾯ 試,由系統出題,使⽤者答題。設計在使 ⽤者前端、側端共兩台的樹莓派相機,傳 送⾯試影像到後端進⾏分析,結束後提供 評比與建議
72.
⽬的 u減少⾯試時的常⾒錯誤 u調整姿態、⾯容情緒 面試捕手 recording 功能 uOpenPose解析體態 uVGG-19遷移學習分析情緒 u輸出體態與情緒的正確率 架構 u⾼吞吐與⼤量數據運算、儲存 uKafka與Spark Streaming即時串流分析
73.
功能資料流 ⾯試捕⼿ Sequence file
74.
概念形式 ⾯試捕⼿ 啟動
75.
資料串流 ⾯試捕⼿ 照片
76.
資料串流 ⾯試捕⼿ 照片
77.
資料串流 ⾯試捕⼿ 體態 情緒
78.
資料串流 ⾯試捕⼿ OpenPose 圖片
79.
資料串流 ⾯試捕⼿ 結果體態情緒
80.
輸出結果 ⾯試捕⼿ 輸出結果
81.
未來展望
82.
Onemorething… 1. ⽬前的資料為該季之資訊,未來要將爬蟲、ETL、資料庫同步 進⾏更新,讓所有功能的資料保持在最新狀態。 2. 持續追蹤使⽤者的功能偏好,增加、編輯本聊天機器⼈所擁有 之功能,如職缺地圖等。 3.
個⼈的職業選擇,公司的⼈⼒資源管理,是⼀體兩⾯,雙向溝 通的過程。故本作品模組,可成為「⼈⼒資源資訊系統」 (HRIS)在徵才上的功能原型,⽬標在運⾏後,有效降低招 募成本。
83.
Thank you for
listening!
Download now