不知道你是不是也和我一樣，大學是社科院出生的純文組，從上大學開始的那一刻幾乎就是與數理脫離，除了統計、經濟或是會計外基本上你根本碰不到數字。 但奇怪的是…為什麼開始我的寫code之旅？ 老實說，我個人其實基本上不排斥數理相關的科目，初中基測我唯一滿分的科目竟然是自然（想想就覺得很扯），進了高中選擇一類組也就是純粹興趣使然不想要在念物理、化學，到了大學也是很順理成章的選了一個非常文組的科系就讀，基本上也就跟數學是絕緣體的狀態。 好了... 亂選興趣的下場就是，出來混總歸要還的！ 出社會後，就一直著迷成長駭客、數位行銷這類的東西，雖然對於行銷有興趣，卻對創意那一塊不感興趣，喜歡行銷數據與科技這一塊（MarTech）。從SEO再到SEM，再到廣告的數據分析，開始對於數據有一種不可自拔的著迷(?)，或者是被DataDriven洗腦的很徹底。覺得做決策就是不該依照直覺，需要有數字作為依據參考，也就是秉持著樣的信念踏上數位行銷的廣告優化一職。

花了將近3個月的時間把Google在coursera的Data Analytics課程上完了，比預期中的還要快完成，當初Google開設這門課的時候就非常興奮，以為自己學完就可以成為數據分析師了。但事實並非如此，上完這門課後，Google只是告訴你怎麼找釣竿、去哪裡釣魚，而實際釣魚、該如何磨練好釣魚的技巧等完全還是要靠自己練習。 俗話說：師傅領進門，修行在個人，想要練好資料分析的技巧還要更多的練習。不過，在這邊也分享我的心得給其他猶豫要不要修這門課的人參考，這堂課是不是值得投資金錢和時間下去，以下是我的學習心得。 這門課適合誰? 如過你想要轉職成為數據分析師/商業分析師… 如果你想要知道數據分析師平時在幹什麼，他們的工作狀況如何? 平時是產品經理、設計師，但想要學習數據分析的技巧… 恭喜你！非常適合這門課程！但如果你想要…學習如何寫SQL、R等coding skill，很抱歉！這門課可能會讓你失望。

從５月開始因緣際會上了工研院所開設的ＡＩ與智能應用相關課程，２４０小時的密集訓練聽完還是霧煞煞，但我決定我要重新整理我所學習到的框架做一個簡單的紀錄，不要讓這２個月講師的努力白費（笑）。 這次的筆記不涉及任何技術與程式碼，請安心服用。如有錯誤歡迎留言指教，謝謝~ 機器學習流程 每一個流程都可以再展開細講，也都可以是一個職位和可以再深入鑽研的領域。 機器學習種類 監督式學習 必須先對資料進行標記（label），機器在學習的時候可以根據標記的資料修正。 面對未知領域或是標記不全的資料較難以運作。 非監督式學習 不用對資料進行標記，直接由機器依照資料的關聯性找出潛在的規則形成集群，不帶有正確或不正確的判斷。 需要注意是否放大有偏誤的特徵，造成無法解釋或是無意義的結果。 半監督式學習 為了改善監督式學習的缺陷，針對部分有標記的資料，機器再透過學習的方式辨識剩餘的資料。 強化學習 不需要給機器資料，直接從互動中學習，透過正向、負向循環回饋達成目標。

RCT隨機對照組實驗（業界稱為A/B testing） 為了得到問題的答案而建立資料分析的一種手法。 優點： 釐清因果關係 分析手法與結果簡單且直觀（具有透明性） 弱點： 需要耗費時間、成本、金錢（建立分析資料的成本） 外部推論的效度 注意事項： 一定要隨機分組 各組的樣本數必須要充足 RD設計（自然實驗法/準實驗的一種） 善加利用過去的資料達成近乎RCT實驗效果的狀況。並不是由資料分析者主動進行實驗，而是因為某些緣故形成類似做了實驗的狀況。 優點： 無法實施RCT實驗的有效替代方案，可以節省時間與金錢成本 分析手法與結果簡單且直觀（具有透明性） 弱點： 假設若無法證明成立，則實驗內容結果無效，或只能提出相關根據 只能對界線附近的資料主張因果關係，部分缺乏可用性 注意事項： 需要有假設 需找出資料上的「不連續」現象進行驗證 堆集分析（Bunching Analysis 自然實驗法的一種） 利用階梯狀的變化導出因果關係。

我對Joseph印象起源於一篇面試Canva 產品負責人的文章。 對於其歷經七輪高壓高競爭環境下的面試，同時面對擁有在百大企業 Google、Amazon、騰訊、阿里巴巴等多年工作經驗超優秀競爭對手，其中的準備策略、產品經理面試題庫的整理令人為之驚艷。 非常榮幸可以擔任 Skyline 活動特派員，在周末的下午與北京線上連線，聽Joseph分享進入世界頂尖獨角獸外商求職心法。 這次令我印象最深的在於「求職準備」，無論是海、內外工作我覺得都一樣受用。在這邊我以自己的理解整理出求職須具備的３大基本功和２個心態，與大家分享我收穫最大的部分： 關於求職，你需要注意什麼？ 基本功一：仔細研究JD 無論在海外求職還是國內求職，將公司的職位描述看清楚並反覆仔細研究絕對是基本中的基本。尤其是透過檢視「夢想公司」的職位描述，反向回顧自身經歷檢視欠缺的部分，你才會知道在現有職位中你應該嘗試爭取哪些相關機會。 除了研究職位JD外，也可以在 linkedin上面查看在該公司員工的職涯軌跡，觀察是否有哪些共同的特質或經歷，幫助你釐清未來求職時的準備方向。此外，Joseph也特別強調務必定期關注夢想公司是否有釋出新機會，第一手消息通常都在公司官網，千萬不要遺漏！

知識人航空俱樂部：中國vs台灣 知識付費市場未來在哪裡-知識產業的發展 pressplay Tim 結論先走：今年是知識付費西元208年 赤壁一戰定江山 先定義什麼是知識付費？ 「知識付費」是一種泛學習的概念，是一種內容價值極大化 「學習」不一定是要有目的性，學習可以有更廣泛的定義，再有廣泛定義的前提下，「學習」應該脫離傳統的框架被打破 舉例：面對同一本 …