Search
✍️【我不是本科生，也可以當資料分析師嗎？】
-
我發現滿多人對於自己不是本科生這件事情會感到迷惘，不論是粉專的私訊詢問、以及我即將要參與一個資料科學領航者活動，也有參加者也會詢問類似的問題，像是：
🧒：「Irene，想詢問若非資工/資管背景，但有在學 python、機器學習、甚至也會用 Kaggle 資料練習，未來能當資料科學家嗎？」
👱♂️：「聽到不少人說資料科學工作領域比較缺有經驗的人，若無相關經驗的轉職者很難跟資工、統計等背景的人競爭，請問如果離職努力自學，為了轉職可行嗎？」
-
我必須說：「有何不可？關鍵在於證明自己有無相關實力」
-
雖然我不能保證所有企業都不看本科生的標籤，但我能確定的是，如果我們都能 #理解本科生的優勢在哪裡，並好好補足那些優勢，那我們絕對有機會脫穎而出。
-
這篇僅以 #資料分析師/ #資料科學家 的角色為例，因為我認為相較之下，這兩個職能因為更需要人文社會思考的面相，所以跨領域轉過來的機會較高，非本科生也能帶有屬於自己的特色轉進來，分享給大家 🙌。
-
#職涯建議 #職涯規劃 #職涯探索 #面試經驗 #面試 #職涯分享 #面試技巧 #資料科學
【精華短片】深度學習實務-產業AI化與競賽經驗談
有5年矽谷新創經歷，現任開源製造執行長的黃名仕老師與大家分享「深度學習實務-產業AI化與競賽經驗談」，包含Open AI的解決方案、AIGO競賽的經驗、AIGO選題與解題技巧，以及過往曾輔導過的產業實務案例，並在最後的精彩Q&A加碼分享「投入AI相關產業，沒有程式背景透過自學的準備方向」。
#資料科學講座
#深度學習實務產業AI化與競賽經驗談
#AI資料科學家全方位學程
你有看過這種「#地震預測文」，或是加入類似的 FB 社團嗎？
國內有好幾位民間地震預測達人，甚至出現不少擁護者，然而，這些預測文的內容，真的可以相信嗎？
讓我們用科學來一一破解！
_________________
以這篇虛構的貼文內容來看，說中的機率幾乎是百分之百。
這是氣象局信手拈來、亂寫一通的地震預測，但因為這篇貼文預測的時間和地點 #範圍超大，加上臺灣的 #地震頻率超高，所以幾乎不會出錯。
以臺灣的地震資料來看：
👉臺灣每天平均約發生 100 次地震
👉每年出現規模 4.0 至 5.0 地震平均是 164 次，也就是約 2 天多就會發生 1 次。
👉規模 5.0 至 6.0 的地震每年平均 21 次，約 2 星期多就可能出現一次
👉規模 6.0 以上的地震每年平均 3 次。
看到這裡，有沒有覺得自己也可以成為民間地震預測大師了呢？真的是隨便猜猜都可以中獎唷！
_________________
在學界，一個真正的地震預測必須包含地震三要素：明確的 #時間、 #地點 和 #規模（或震度），預測結果也必須來自學界認可的觀測資料。
如果隨意發表地震預測或是觀測的資訊，除了可能違反 #氣象法，也有違反 #社會秩序之相關法令 之虞！請民眾切勿觸法，更不要隨意傳播相關言論，以免造成社會大眾的不安！
目前中央氣象局已經建置強震即時警報（地震預警），當地震發生後，會迅速對位於震央附近以外區域發出預警，為大家爭取數秒到數十秒時間的關鍵避難時間。
比起散播毫無科學根據的預測言論，隨時做好臨震應變準備，事先進行防震防災演練、熟悉避震保命三步驟「趴下、掩護、穩住」，才是保護你我小命的上上之策唷！
＊本文轉載自 報地震 - 中央氣象局
延伸閱讀：
為什麼地震預測這麼難？——《震識》
https://pansci.asia/archives/120710
地震預測，是真有其事還是危言聳聽？難道不能寧可信其有嗎？
https://pansci.asia/archives/99350
______________
斗內泛科學、支持好科學！
你的支持，是我們前進的力量，贊助泛科學：https://lihi1.com/mJSba
現在學習知識的渠道越來越多，無論對於零基礎或是有經驗的工程師，想要持續成長應該看書還是看影片來的更有效率呢？
主要會和你分享我過去從新手到資深的過程中，如何持續保持進步及學習的經驗
也許這個經驗可以幫助到你，也歡迎留言和我分享你的看法
相信彼此分享不同的學習見解，能讓對於想要更精進自己程式開發功力的人有很大的幫助
===章節===
00:00 哪一個有效律?
00:36 寫程式如同寫作
05:14 書是最便宜的資源
10:14 折扣碼操作示範
===蝦皮購書折扣碼===
折扣碼：FLAGNIC36
時間：2021-03-29 ~ 2021-06-29
折扣碼：FLAGNIC79
時間：2021-06-30 ~ 2021-09-30
折扣碼： FLAGNIC11
時間：2021-10-01~ 2021-12-31
===前陣子在看的推薦書單===
（零基礎）
- 白話演算法！培養程式設計的邏輯思考
- Python 刷提鍛鍊班
（中高階）
- 設計模式之禪(第2版)
- 無瑕的程式碼－整潔的軟體設計與架構篇
- 單元測試的藝術
- 演算法之美：隱藏在資料結構背後的原理(C++版)
- Kent Beck的實作模式
（Ruby）
- Writing Efficient Ruby Code
（成長思考）
- 圖解．實戰 麥肯錫式的思考框架：讓大腦置入邏輯，就能讓90%的困難都有解！
- 師父：那些我在課堂外學會的本事
- 高勝算決策：如何在面對決定時，降低失誤，每次出手成功率都比對手高?
- 窮查理的普通常識
- 懶人圖解簡報術：把複雜知識變成一看就秒懂的圖解懶人包
- 寫作，是最好的自我投資
喜歡影片的話！可以幫忙點個喜歡以及分享、訂閱唷！😘
━━━━━━━━━━━━━━━━
🎬 觀看我的生活廢片頻道: https://bit.ly/2Ldfp1B
⭐ instagram (生活日常): https://www.instagram.com/niclin_tw/
⭐ Facebook (資訊分享): https://www.facebook.com/niclin.dev
⭐ Blog (技術筆記): https://blog.niclin.tw
⭐ Linkedin (個人履歷): https://www.linkedin.com/in/nic-lin
⭐ 蝦皮賣場: https://shopee.tw/bboyceo
⭐ Github: https://github.com/niclin
⭐ Podcast: https://anchor.fm/niclin
━━━━━━━━━━━━━━━━
✉️ 合作邀約信箱: niclin0226@gmail.com
#寫程式 #前端 #後端
## 影片觀看說明
由於問題較多，大家的問題也可能是你的問題，建議可以先閱讀下方的「問題總匯」區，找到時間碼 Time code 之後跳轉到自己想聽的部分，會比較有效率哦
本影片 Q&A 留言是抓取
【2020 年度回顧! 成為 Team leader? 業外收入增加? 技術能力成長? (第一次蒐集 Q&A)】https://youtu.be/BGaDN9wxbKE
## 影片中提到的專案
簡單用 React 撰寫的留言爬取篩選功能，可以自己抓去玩
https://github.com/niclin/youtube-comment-filter
## 問題總匯
00:00 開場
01:26 QA-1 - 林天寸
一直很喜歡妳的頻道，不單單是因為工程師，當然也有部分原因是自己也是走工程師這條路的。
前一年2020年開始，其實是我剛轉職工程師的第一年，在滿多地方都遇到不小的問題，在troubleshooting上面也是有許多瓶頸的。
後來除了白天上班，下班看書跟休息，偶然間看到你的影片[工程師如何自我進修]，才開始慢慢用計畫的方式取代橫衝猛幹。
不得不說，規劃時間真的是比起技術性的功力還更有成效。因為它讓你適時的放鬆跟加強，然後在工作上面才更有長進，雖然很幹話，但我2020的下半年是這樣做的。
目前在準備考取網路管理的證照CCNA，計畫是走network這一塊，還有很多要磨練的。希望也能多看你產出跟network的影片，這是私心話啦，哈哈。
02:57 QA-2 - 仔仔
1.學程式會建議從前端或是後端哪個開始學會比較好?
2.一開始投履歷如何判斷一家公司是可以成長的，而不是進去3，5年後還是那個跟剛進去程度相差不遠的自己差不多
3.跟程式相關的產業有很多(像是製造業到博弈)，可以請Nic分析一下各產業的狀況嗎?以及進去各產業前須要具備哪些程式語言或能力?
4.投履歷時看到一些公司列出所需程式語言和工具一大堆，是不是代表你沒完全具備就不要投履歷了，還是可以請Nic給個意見哪些部分還是可以投看看
5.都說工程師又宅又不會說話，為什麼Nic可以交到女朋友?
10:40 QA-3 - ANDREW NG KAR EARN
如果当写编程语言遇到瓶颈，有什么方法可以有效地避免自己陷入钻牛角尖的情况？
11:46 QA-4 - JS Lin
如果NIC現在選擇能馬上精通一項語言會是哪個？會想用來做什麼PJ？
13:13 QA-5 - Rick0
成為 team leader 後無法直接在技術上有更深入的研究和突破，這樣的變化是否值得?
是否會擔心這樣在技術上跟不上其他人，甚至被下屬看輕呢?
14:39 QA-6 - Henry蔡
因為最近是寒假期間，
我開始考慮下學期的修課，
想請教nic大大，
應該在有什麼樣的基礎上，
開始學design patterns？
我目前是碩士生，
大學非資工本科，
學過Python，
也跟過一些網路影片實作過Flask+PostgreSQL，
大學學過資料結構演算法，
但不到得心應手的程度...
16:07 QA-7 - 黃柏瑋
如何同時Handle好好幾件事
我怎麼覺得上班，然後下班假日寫寫side project後就沒啥時間了🤔🤔🤔
17:24 QA-8 - 乾太
我想問一下這年頭轉行斜槓 VTuber 還有沒有搞頭A？
18:10 QA-9 - uuu06222
之前開始關注你有知道你有面試過人的經驗, 想問一下站在面試官的角度...
面試官會不會比較注重作品需要呈現那些東西, 或是有沒有什麼禁忌是不能碰的嗎?
20:07 QA-10 - Joery Lin
想請教您對於對於給你很多成長和照顧的公司，倘若您有一個更好的機會，無論薪水或未知挑戰都大於現在公司。
您將如何做選擇，或許現在公司會給你加薪留下你。
因為自己曾放棄了許多機會
21:37 QA-11 - YangTing Zheng
Q1: 想問通常一個產品開發的週期都多長呢？負責維運和開發的工作內容是否會差很多？
Q2: 想請您簡單介紹一下資工系學生的出路/工作內容？(如PM.SA.DBA.PG.RD.MIS…或是還有其他的？）
24:16 QA-12 - RTB
Hello World
24:18 QA-13 - Barry
目前是公司MIS 很想轉職成後端工程師，但在面試上面都都時常失敗
常常在問技術關卡時就被問倒了，總覺得 要準備的東西非常的龐大
毫無準備的頭緒，總覺得一直寫side project也不是辦法
26:49 QA-14 - 因地制夷
想請教Nic 有在做投資嗎? ex 股票 想聽一些投資心得
27:13 QA-15 - 比歐
想請教 Nic 大，
在之後的工程師生涯中之後有甚麼規劃或想法嗎?
例如:開發產品創業，或是開班授課、轉做顧問之類的。
28:14 QA-16 - yongming jia
请问新手如何学编程，学完去做什么？怎么自己创业？谢谢🙏
29:33 QA-17 - Minghao Chang
是否能請您推薦用來開發的筆電？（正好最近要汰換電腦），想從今年開始養成寫side project的習慣，謝謝。
30:31 QA-18 - Guan Jun Chen
想知道像Nic這麼厲害的工程師，年薪大概落在哪裡
30:46 QA-19 - Sheng Jiang
想請問Nic，如果非資工背景但是對寫程式有熱情，想轉職當軟體工程師，會建議如何起步?
補充：像是什麼樣的人適合自學，什麼樣的人適合去補習，或者補習跟自學的情況各有哪些優劣?
謝謝Nic
## 結尾
31:49 感想
喜歡影片的話！可以幫忙點個喜歡以及分享、訂閱唷！😘
━━━━━━━━━━━━━━━━
🎬 觀看我的生活廢片頻道: https://bit.ly/2Ldfp1B
⭐ instagram (生活日常): https://www.instagram.com/niclin_tw/
⭐ Facebook (資訊分享): https://www.facebook.com/niclin.dev
⭐ Blog (技術筆記): https://blog.niclin.tw
⭐ Linkedin (個人履歷): https://www.linkedin.com/in/nic-lin
⭐ 蝦皮賣場: https://shopee.tw/bboyceo
⭐ Github: https://github.com/niclin
⭐ Podcast: https://anchor.fm/niclin
━━━━━━━━━━━━━━━━
✉️ 合作邀約信箱: niclin0226@gmail.com
#QA #工程師 #在地上滾的工程師 #前端 #後端 #轉職
很難得機會在台灣捕獲李孟這位旅日的資料科學家，也很高興可以訪問到他！
李孟在日本四年的工作時間當中，歷練過「軟體工程師」、「資料科學家」以及「機器學習工程師」的職務，為什麼會有這一路以來的自覺與自學歷程？我們都一併在這次專訪當中聊到了！同時還加碼聊了「在日本的工作與生活環境」，提供給想去日本生活的朋友參考呦～
👉在這次專訪中，我們暢聊了：
1. 李孟是如何從軟體工程師的身份開始自學「資料科學」？
2. 資料科學家 / 機器學習工程師工作內容上的差異？
3. 李孟比較喜歡當資料科學家、還是機器學習工程師呢？Why？
4. 覺得人們除了積極自學之外，還應該用什麼心態來應對AI帶來的衝擊？
5. 加碼閒聊「在日本的工作環境與生活環境」，提供給想去日本生活的朋友參考呦！
👉李孟釋出他在台大的演講簡報，鉅細靡遺地分享他成為一位資料科學家的歷程，內容相當精彩，製作也很精美耶！https://www.facebook.com/LeeMengTaiwan/posts/10220691442829365
👉李孟的超高含金量部落格，分享各種他在資料科學與機器學習上的應用經驗！https://leemeng.tw/
#他是資料科學家也是機器學習工程師 #自學資料科學與機器學習 #李孟
... 資料科學家？這#8種技能是關鍵. 2⃣ 精選資料科學的#自學資源. 3⃣ 常用的資料儲存與分析工具. 4⃣ 資料探索與#視覺化工具. 5⃣ 不同角色組成的資料科學團隊. 6⃣ 資料科學 ... ... <看更多>
在自主辦的讀書會中，曾經參與過與資料科學主題相關，包含Business Intelligence、Python Pandas、Tensor Flow、Tableau 、Power BI 等。讀書會短則一個 ... ... <看更多>
資料科學自學 在 Re: [請益] 資料科學與網頁後端領域的選擇- 看板Soft_Job 的推薦與評價
※ 引述《b10130402C (Klay射手)》之銘言：
: 版上大大們好，如題，想請教各位的意見以及徵詢大家的看法，謝謝。
: 目前為自學 Python 兩個月半，從最基本的能力迴圈、def、class等觀念重新學起，學會技能列點表示：
: 1. 程式基本觀念活用 ( 迴圈 、陣列、 python 中的 class 類觀念、Dict 使用 、 csv.DictRead & DictWriter 使用、tkinter 按照課程操作一遍)
: 都是跟著 Coursera 學習，皆可完成課程作業。
: 2. Python 中的 Modules ( Numpy ， Pandas DataFrame , Matplotlib 畫圖操作 ) 莫凡影片加上第三點的 Side Project 會頻繁複習 1 & 2
: 3. 爬蟲技巧 ( request , BeautifulSoup , Selenium webdriver 等操作 ) 有自己寫出兩個小小的 Side Project ( 爬 2019 電影版好雷的電影 & 爬簡單股市
: 存進 SQLite 練習操作資料庫)
: 4. Django MTV 系統練習，已成功作出小部落格跟 To-do-list ，也練習 heroku 上傳成功
: 5. 因為對資料科學有興趣，統計還算過得去，但是管院沒修過線代，重修李宏毅老師的線代跟買書瞭解機器學習概念
: 未來會花時間學習「資料結構」與「演算法」跟開始作 LeetCode ，自己對於網頁後端跟資料科學都很感興趣，自學兩個月還蠻開心每天都有進步。
: 後續要找工作，時間壓縮情況下，勢必只能往一個領域的技能樹點。
: 資料科學領域：發現要找資料分析工程師或是機器學習相關的工作，還沒辦法實戰 ( 還沒打過 Kaggle )，普遍好像對於學歷都蠻要求要博士或是工作經驗3年以上，對於這塊領域在業界的趨勢也不是很瞭解，如果求職此方面工作是否需要作品集？ 想請教此領域在業界新鮮人的能力要求或是發展？
: 網頁後端領域： Django 後發現作網頁蠻好玩的，但我的致命缺點為前端能力 ( HTML 、 CSS 、 Javascript )完全沒有，HTML 只知道是標籤組成，寫網頁也是硬擠出來，後續往此領域勢必要將前端的洞補起來，有摸過 MySQL 跟 SQLite 作前後端串聯，想請問各位大大後端工程師相對於前端能呈現的作品集大致上呈現為何？ 對於網頁後端的發展我的看法為比起資料科學相對成熟，也想聽聽看大大對於後端工程師的看法。
: 謝謝各位花時間看完，因為真的有點迷惘，所以跑上來詢問，有任何建議或批評也可以直接點出，非常謝謝你們！！
統計轉後端的來說一下心得
之前分別做過一個Data Analyst和一個Data Scientist的實習
全職後端大概2年
現在在唸資工碩班
------
說一下我理解的幾個不同職位的差別與技能
如果有錯誤歡迎指正，
但我可能不會回，最近太忙了......
Data Analyst
技能: R, Python, SQL, Hadoop(較少), SAS, SPSS(較少), Tableau
知識: 說人話, 精美報告, 敘述統計, 基本建模, 問卷設計(較少), 資料處理,
資料視覺化(重要)
Data Scientist
技能: R, Python(主要), SQL, NoSQL, Hadoop(較少), SAS(較少), SPSS(較少)
知識: 高階演算法(主要)、專業報告, 一堆paper(重要), ML, NN, DL, EL, 爬蟲(較少), 資料處理,
超難建模, 依領域(Signal processing, image processing, NLP, etc.),
作業系統, 平行系統, GPU運算, 計算機網路, ...
Data Engineer
技能: 同Data Scientist
知識: 進階演算法(重要)、跟Data Scientist混熟, ML, 爬蟲(主要), 資料處理(主要),
作業系統(重要), 平行系統(重要), 雲端運算(重要),
GPU運算(重要), 計算機網路(重要), ...
NOTE: 以上三種我相信是大多數人容易混淆的，
但事實上業界也沒分這麼細，
多得是徵Data Scientist做Analyst甚至是DBA事情的公司，
反之亦然，請在面試時就問清楚，
除非是國際型大公司。
Backend Engineer
技能: Java(Spring), Python(Django), JS(Node), Ruby(RoR), php(Laravel),
SQL, NoSQL, AWS, Version Control Tools(主要)
知識(主要): 資料庫設計、軟體工程、Scrum, DevOps, 作業系統、計算機網路、
物件導向設計、資料結構, 計算機組織/結構、
依領域(Web: JWT, Session Mgmt., Optimization, Load Balancing, ...)
演算法(普通), 設計模式(普通), 雲端儲存, RESTful APIs
Frontend Engineer
技能: 前端三大框架(React(FB), Vue(Evan You), Angular(Google))(主要),
HTML5/CSS3(主要), Sass(普通), JavaScript(主要), ...
知識: 切版(重要), 和UI/UX合作良好(主要), 軟體工程, Scrum, DevOps,
瀏覽器引擎(普通), Optimization, 設計模式(普通), ...
Data Analyst
通常會直接support行銷/決策團隊/老闆/客戶，
根據分析結果提供他們意見，
所以說人話非常重要，
不然事後絕被老闆噹爆，
當然精美的PPT也是不可少的。
Data Scientist
極度研究導向，
通常都是在公司的研究團隊裡開發，跟paper為伍，
我覺得沒有博士根本做不起來，
恕我才疏學淺無法評論，總之都是神人等級的。
但基本上完全不會參與決策過程，
也不太需要跟客戶社交，
簡報就是很專業，不用迎合平民百姓。
Data Engineer
主要support Data Scientist，
畢竟DS都把精力花在研究模型上了，
資料處理這種活當然是給Engineer做，
所以DE主要就是負責把Data來源、品質處理好，
還有把運算環境等搞好讓DS方便作業，
不要動不動就跑到系統crash。
當然台灣有些會把Data Engineer和Data Scientist的職責綁一起，
我是覺得這樣會把人累死......
還剩下前/後/全端沒講，但PTT真的太難編輯了，
加上我離伺服器太遠，文章打起來好頓...就先這樣吧。
希望能讓一些想轉行的、想了解的有收穫，
有些typo或不通順的地方還請包涵，
感謝各位～
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 71.234.178.193 (美國)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1568999938.A.30F.html
※ 編輯: SFMAndroid (71.234.178.193 美國), 09/21/2019 01:21:59
※ 編輯: SFMAndroid (71.234.178.193 美國), 09/21/2019 01:27:02
※ 編輯: SFMAndroid (71.234.178.193 美國), 09/21/2019 01:32:24
... <看更多>