為美好的數據獻上祝福！

在這個部落格剛成立沒多久，我曾整理過〈邁向資料科學家之路〉 其一 與 其二 兩篇文章，分別針對進入資料科學工作的「入門」、「觀念」、「技術」、與「職場」等面相進行探討。時隔一年，我留意到坊間不少資料科學同好的相關經驗談，十分值得參考，於是決定整理再一篇文章，來記錄一下這些前輩及同業們的寶貴分享，尤其是我在前兩篇文章當中未提及的部分。 由於這些文章的內容多已十分言簡意賅，故以下僅依照文章的內容來概略分類，分別是「工作最前線」、「業界定位」、「跨域合作」、「R 語言使用者的困境」 【工作最前線】 這個類別主要收錄已經在業界打滾多年的資料科學家、分析師、機器學習工程師的日常工作概覽。其中，第一篇的〈數據化運營中玩過的分析項目〉更是有完整的系列文章，可供新進同好參考。 數據化運營中玩過的分析項目 - 邱國欣（Andy Chiu) - Medium 在業界做資料科學家是怎麼樣的一種體驗？–David's Perspective 那些做 Data Science 的心酸血淚分享 - Ben Chen - Medium 【12 點真心建議】這位機器學習工程師在入職一年後，寫了這封信給初學者 | TechOrange 【職場定位】 這個類別的主要是收錄「 科科寫寫 」這個部落格的文章精華。該部落格板主針對資料科學相關工作在目前業界當中的定位，做了十分詳細的分類及說明。以下的收錄文章將從資料科學的工作角色分類，到公司定位、以及產業的需求，依序排列，能夠讓業界新手更理解自己未來的職場發展方向。 資料科學的職稱分類演進 資料科學角色光譜圖 從資料科學人力配置，看公司的資料工程複雜度 2019 我的資料科學轉職歷程：產業職缺觀察 想要轉行數據分析領域，看完這篇再做決定 - 數據分析那些事 - Medium 【跨域合作】 這個類別則收錄了從 PM（產品經理 or 專案經理）以及領域專家的觀點，如何和資料科學領域的專家（包含資料分析師、工程師）合作來進行專案。事實上，任何一個資料科學專案，都是屬於專案管理的範疇，但資料科學家、分析師、工程師等等，卻不一定擅長整個專案的溝通、規劃、及整合工作，尤其是在大規模資料科學專案。此時，PM 就扮演著協調及整合的關鍵角色。而一個好的資料科學專案，也少不了優秀的領域專家參與。 【PM 夥伴攻略】如何...

在上一篇文章當中，我們帶各位總覽資料科學的樣貌、以及資料科學家應具備的重要觀念。在這篇文章當中，我們將把焦點放在工具、技術、求職、人才供需等面向上。 【工具  &  技術】 Programming 事實上，無論是人工智慧、商業智慧，或者統計、系統模擬、作業研究等領域，坊間皆能找到現成軟體與運算平台，多數甚至具備設計良好的圖形化使用者介面，且運算功能強大，資料科學家或者分析人員只要對問題以及數學方法有足夠的瞭解，便能透過這些現成的工具來完成任務。 〈 寫程式是資料分析的必要技能 〉一文，則提出了不同的看法。內文提及， 學習寫程式並不是要變成軟體工程師，而是知道它在什麼情境下可以派上用場，提高工作效率。 現成套裝 軟體或許強大，但總會有無法透過一套工具打遍天下的情況發生，這種時候，程式語言則提供了解決這類困境的彈性。 SQL & 資料工程 同樣是呼應「提高工作效率」這一點，〈 資料科學家為何需要了解資料工程 〉與〈 為何資料科學家需要學習 SQL 〉則是說明了資料工程以及  SQL  對資料科學家的重要性。前文以資料科學家平常的一天，來描述少了資料工程支援的資料科學家，會有多麼彆腳。而  SQL 讓資料科學家可以專注在需要「什麼」資料而非要「怎麼」取得。當中的核心概念，不外乎是要 將各種工具互補使用，來使工作效率最佳化 。 R & Python 談過程式設計、 SQL 、資料工程之後，我們終於要來談 R 與 Python 。但這大概是最不缺乏說明的部分，坊間媒體、廣告、以及推廣機構都已經有了大量的介紹，而且一篇筆一篇詳盡，這裡只放上這一篇〈 從套件的發展談 R 與 Python 〉，提供給還在游移不定該選擇哪種語言先學的初學者們參考。 數學  &  統計 前述的部分，主要都還是討論在資訊工具的使用，但是這些資訊工具要發會功能，除了要對問題有所足夠理解之外，最重要是能夠將問題轉譯成數學語言，也就是硬底子的數學及統計相關方法論。這是一個龐大的知識與技術體系，〈 資料科學與幾個「分析」相關領域的比較 〉一文則為我們提供了簡明的分類參考。 【職場】 這個層面，我想了好久該放哪些內容上來，經...

我在曾在〈 不是工程師的工程師 〉一文當中，開宗明義地介紹這個部落格的目的。 既然是以成為「未來的資料科學家」為目標，那麼總該清楚回答：資料科學是什麼？資料科學家平常在幹嘛？以及其價值定位……等等問題。於是，我決定用兩篇文章的篇幅，第一篇談「 入門 」與「 觀念 」；第二篇談「 技術 」與「 職場 」，依序回答每個層級的相關疑惑。 多數內容或許都是老生常談（尤其對業界人士，或者像我一樣有同樣目標的在學者而言），但我仍希望將自己的學習歷程，做個有系統的回顧與統整，乃至於和我有相同目標的同好、亦共同參考學習。 【入門】 如同文章開頭提到的，我們總得從最根本的問題回答起： 什麼是資料科學？ 〈 揭開資料科學的神秘面紗 〉這篇文章中給了簡單扼要的說明。 作者Meng Lee本身就是一名資料科學家，他根據他個人的經驗，說明了到底啥是資料科學？資料科學到底在夯什麼？為什麼我要學資料科學？ 如何成為一名資料科學家？ 〈 如何成為一名資料科學家？ 〉裡頭提到，一位資料科學家，不外乎同時具備以下這三項專業能力：Hacking Skills, Math & Statistics Knowledge, Substantive Expertise 此外，他也以自身企管顧問背景的經驗，提出了另一套看法，他說明了「商業力」、「分析力」、「技術力」這三種專業能力結合的重要性，也就是能理解業務（Domain Knowledge）、知道如何有系統地分析與業務相關的問題（Analysis）、以及透過數學、程式語言、軟體等工具來解解決上述問題的能力（Programming、Coding），尤其對商業環境當中的資料科學家而言，尤是如此。 關於資料科學的迷思 現在我們對資料科學與資料科學家，都能有個87成概念了，但是目前為止談的都是美好的理想與目標，而現實總是殘酷的， 我們總得認清哪些是媒體、廣告商、與補習班過度跨大及美化的噱頭、還有自己幻想出來的美好泡泡。 〈 資料科學的五大迷思 〉一文，就為我們歸納並解惑了許多常見迷思，包含對資料科學的功用的過度誇大、什麼都得來個大數據的浪潮、還有「以為上過幾堂Python、SQL、Machine Learning課程，就可以是一名資料科學家/工程師」等等膚淺的認知。〈 資料科學家的告白：給幼...