時光飛逝，做了data快四年的時光，雖然近期在技術上面比較少著墨(慚愧)，但還是update一下相關資訊。（2021/04/10 update）
1. 社群：社群是一個相對開放，而且沒有門檻的入口，也是長期能吸收到許多知識的地方。
(1) Data Science Meetup 台灣資料科學社群：友善的社群，但相對技術成分比較少，有線上線下演講、徵才、應用、甚至是Mentorship program等。
(2) Taiwan R User Group / MLDM Monday：常態性的講座，很多實務與技術分享。
(3) Python Taiwan：Python的台灣社群，由於data相關的從業人員，使用Python的比例很高，所以技術的部分也會在這裡出現。
(4) R-Ladies Taipei
(5) Pyladies Taiwan
(6) 臺灣資料工程協會：聚焦於data engineering 領域
2. Short-term Programs：
(1) ccClub Python讀書會：可參考medium上參加心得。
(2) 台灣資料科學社群：Mentorship program
(3) 曼陀號領航計畫
3. 培訓計畫
(1) AppWorks School：有同事參加過，很像École 42，密集的訓練課程，但主要靠學生自學與互助，很像工程師的工作日常。
(2) 資策會的Data Engineering課程：有分台北跟中壢的課程，中壢辦了比較久，建議要比較師資與課程，是否符合104上面的JD，投入前最後透過線上課程或short-term program確認自己適不適合寫程式，不然就是花了半年跟一筆錢確認自己不適合，我當初上台北班的時候，可能是因為幾乎都是零基礎，大概有一半的人發現自己不適合走這一行。然後不管是長短期的計畫，其實重點都是在學習的氛圍跟自己，師資是其次。
(3) 台灣人工智慧學校
4. Conference
(1) PyData Taipei
(2) PyCon TW
5.基本技術
- 常用的工具或語言：SQL、Python/R、Excel、資料視覺化工具 (Tableau/Power BI)、ETL tool
- 技能需求(不同規模與部分需要差別很大，請詳閱JD，越模糊的公司代表工作內容越不確定，但相對進入門檻會較低)：
(1) SQL必備：基本上跟資料打交道，基礎語法不夠熟練會死得很慘
(2) 基本的分群(clustering)、分類(classification)演算法
(3)敘述統計：快速了解資料分佈：加總、平均、變異、盒鬚圖等，這部分有很多成熟的軟體，例如Tableau都會有內建的功能可以快速確認
(4) 程式語言：爬蟲、資料清洗(regex, pandas)、文字探勘(Text Mining)、主流演算法套件(如scikit-learn)實作
(5)簡報技巧：透過資料視覺化及PPT提供簡報，協助商業決策
6. 職涯選擇：
資料科學(Data Science, DS)主要分三個角色
(1) Data Engineer：負責資料的蒐集與處理，偏底層、架構的角色，需求最大。
(2) Data Analyst：負責資料探勘(Mining)、分析、建模、演算法實作，資料視覺化(Data Visualization)、簡報呈現：將最終分析結果供商業決策，找出數據的價值，重點是達成目的，而不是使用多炫砲的演算法。
(3) Data Scientist：相對於data analyst，更加強調coding的與modeling的技術，但公司規模與產業上的差距很大，還是需要以JD確認。
小公司可能 (1)、(2) 會合在一起，市場上Data Analyst/Data Scientist常常混淆，還是要看公司規模而定，公司越大，分工越細，小公司或新創就是都要會做，小公司練技術、大公司就是專精於某一職能，甚至某一細分領域(ex. 自然語言處理(NLP)、電腦視覺(CV)。
7. 工作內容：
基本上從一開始的ETL，到資料清理、探勘、建模、視覺化，以及最後的簡報呈現都有接觸，會經歷專案的完整流程，因為在大公司不需要硬體方面的建置，是交給其餘IT部門負責，所以環境上會比較單純一點，不過依公司而異。
8. 就業機會：
104一掃就是一堆，DS跟AI最近炒得相當火熱，但是很多企業才剛導入，也不確定能產生商業價值，屬於試驗階段。在金融、電信、廣告都屬於資料量較大的領域，在DS或許能產出較好的商業價值。
9. 學習資源：
(1)書籍：
a. Python for Data Analysis：O’Reilly的書，介紹了資料分析常用的套件Pandas與Numpy，但版本比較舊，指令可能不同了，但是分析概念不變。
b. 統計學習方法：李航有扎實的數學推導，是中國機器學習常推薦的書，但建議有點基礎再讀，不管是線代或算法上，但是讀完應該會有對演算法深刻的理解，難度頗高。
c. 精通Python，扎實理解Python語言，但如果只做分析，可以挑會用到的章節就好。
(2)線上課程
a. Coursera：Andrew Ng的ML與DL課程，都很適合入門，不太需要任何基礎
b. 林軒田教授的機器學習基石(上)(下)：建議線代、微積分有一定基礎再去聽，不然會很痛苦，但課程很扎實
(3) 新知補充：infoQ
結語：基本上不管如何新潮的技術，從Data Mining, Modeling, AI，重點是要能解決商業上的實際問題，並且為企業帶來價值，否則就會像一個沒有產出的研發部門，下場應該不太好…… 而基礎的技術也只是帶你入門，重點是持續在職涯上解決問題，跟上技術的潮流，才能不被這個快速變動的領域淘汰
