資料科學家的思維養成｜用數據解決問題

為什麼人人都需要學資料科學？

資料科學是一種新的研究與工作方法，涵蓋到統計學、資料分析或是機器學習的技術線。資料科學也是一種跨領域的技術，可以應用在各種不同的領域，像是 FinTech、Growth Hacking 、HealthCare 等等，都是隨著資料時代下在跨領域整合下而興起的趨勢。換句話說，資料思維需要的是一種跨域的整合，從幾個市場熱門的討論議題來看，都可以看到資料應用扮演的角色。

而它也是一種新的「解決問題」的思考方式，善用資料分析協助人類進行判斷。在大數據的時代下，有效利用數據可以更有效地理解你的工作與目標。其技能養成可以分成實作技術、常用工具與工作心法，許多人入門會學習各種不同的技術與常用工具，但容易忽略工作心法的累積。

課程將結合講師的實務經驗與案例，引導同學在不同的權衡中思考，快速建立資料背後的思維與強化觀念。

第一步：學習核心概念，帶你奠定資料科學思考力

• 瀏覽資料科學的發展背景，以及其與 AI、大數據之間的關係
• 了解資料科學與過去的統計方法有什麼不同
• 了解一個資料團隊該如何建立
• 熟悉導入資料思考到到專案的方法
• 掌握資料科學分析工具

❓ 做資料分析一定要使用程式嗎？ 
課程中會分別介紹透過程式與不透過程式的分析方式，而現在主要的分析工具可以分為「BI」軟體、建模軟體，或是分析套裝軟體。

第二步：掌握資料處理策略，輕鬆分析各式資料

• 在模型分析前，如何準備適合分析的資料
• 熟悉資料分析前的處理環節，例如工作項目、手法
• 熟悉特徵工程的使用技巧
• 了解資料清理的方式
• 了解探索性與視覺化資料分析

❓ 資料分析前，處理與清理的步驟為何？
資料前處理會把資料中不適合模型的部分調整成適合模型格式，例如空值的處理或是類別型的編碼。

第三步：靈活運用資料分析與數學模型

• 了解統計學、資料探勘、機器學習的分析模型
• 熟悉統計學、資料探勘、機器學習的差異、適用場景與方法
• 學習資料探勘中關聯性分析
• 了解探索性與視覺化資料分析、監督式學習非監督式學習

❓ 統計學、資料探勘、機器學習三者有什麼差異？
三者都是從資料中找關係的方法，差別是找出來的關係不太一樣。統計在意的是解釋性的因果關係、機器學習在意預測的關係，而資料探勘在意的是關聯的關係。
而課程中會詳細說明三者的差別。

第四步：學習模型優化部署，並掌握資料專案成敗指標

• 學會衡量資料專案的成敗指標
• 從資料整理到模型分析之後，如何把資料科學專案轉換成有效益的數據產品
• 從模型與部屬的角度切入，了解從資料到最終產品的迭代過程
• 部署資料模型與商業產品

❓ 資料到最終產品的迭代過程為何？
資料分析是一個模型，模型能幫你產生一個結果。但除此之外，要如何把模型變成一個產品，背後需要的是可以「自動化」及自動更新的機制。

❓ 成敗的指標為何？
課程中會討論的「模型」跟「產品」的關係，以及「模型」的設計跟商應用的關係，如果是分析的角度來說是無止盡的優化，但實際上「怎麼用」更重要。

上過課程的同學都給予滿滿 5 星好評！

⭐️資工系畢業，正在求職的 Y 同學：覺得講師說明的方式很清楚易懂，感謝分享～坊間鮮少能找到對資料科學那麼完整的課程，對基礎觀念＆發展脈絡都有了初步瞭解。除了基礎概念，也包含許多工具、思維的說明，能提供學生更加深入的去了解有興趣的地方。

⭐️數學跨商管背景，目前在外商公司擔任資訊主管的 K 同學：老師可以把一些熟悉的詞彙代表的意思講解得很清楚，例如假設檢定、機器學習、資料探勘之間的差異與目的，終於解答了心中的長久以來的疑問。

⭐️非資訊科系在學校擔任研究助理 W 同學：以實例深入講解資料專案的過程以及在工作場景應用資料科學，上完課後對於如何學習資料科學更有意識、概念，更有動力去規劃學習。

⭐️在電商產業做行銷的 T 同學：很棒的課程謝謝老師，老師的口條很好、邏輯清楚、投影片解釋很詳細。對於資料科學家技能樹的養成與團隊分工這件事，謝謝老師很全面的講解！