林子晏
國中時期，第一次接觸程式設計，用過Flash軟體設計動畫程式。在大學的時候才正式學習程式語言JAVA，那時候正好是智慧型手機崛起的時候，因此大學專題以JAVA開發Android手機app。研究所時期，對大數據感興趣，畢業論文以大數據的研究為題目。在google發表對圍棋領域有重大突破的人工智慧的論文後，也對這方面有興趣，因此對深度學習略有研究。未來希望能朝向大數據、人工智慧的方向發展。
學習經歷
靜宜大學畢業
- 專題競賽第三名
- ORACLE Java 6 SE programmer 證照
中央大學資訊工程系研究所畢業
- 畢業論文:植基於Spark系統之分散式粒化運算決策產生演算法
專題
題目:Android手機傳遞卡片app
摘要:使用者可利用此app傳送由系統挑選的卡片給對方
關鍵技術
- linux伺服器:負責卡片的傳送與接收
- android:app傳遞訊息給伺服器確認是否有卡片或傳送卡片給對方
- 網路程式設計:app與伺服器的互動
- 影像處理:處理卡片的影像使之可在伺服器與app之間傳送
專題
題目:卷積神經網路
摘要:以python實做卷積神經網路藉此了解其原理
關鍵技術
- python:實做卷積神經網路
- 卷積神經網路:瞭解此網路每一層的運作方式
學術研究
論文題目:植基於Spark系統之分散式粒化運算決策產生演算法
論文摘要:
Classification演算法的特色是分成兩個階段，第一個階段是training，用已經分類的資料並根據資料的特徵做出對應的類別，第二個階段是Classification，對其他未經分類資料的特徵做分類。
DGAGC是一種Classification演算法，適用於離散型資料，連續型資料需要額外處理。我們過去的研究已經讓DGAGC支援Hadoop MapReduce運算模型。但是Hadoop MapReduce的版本只針對DGAGC training的部分。在Classification部分，只有單機版本。其中以training的部分最花時間。本篇論文提出了Spark版本的DGAGC training與Classification，藉此來改善Hadoop版本在資料集運算量不算大時的執行效率。再來是DGAGC Classification的部分，單機版本在預測模型太大的時候就無法進去預測。所以提出Spark版本的DGAGC Classification改善此問題。
關鍵技術
- Hadoop :DGAGC演算法最初的實作版本
- Spark:以spark實做DGAGC演算法並與最初版本做training的效率比較
- MongoDB:DGAGC最初的版本在實做classification方面是以單機版本實做，而此論文將classification實做在mongoDB上並與單機版本進行效率的比較
應用領域:推薦系統 資料整理與歸納
工作/社團經歷
楠西國小替代役
- 協助學校推動本土語言教育
- 台語上課時數證明
- 協助社區各項活動
