搜尋結果
2024年1月29日 · 因為能幫自己突破盲點. 免費點我下載數據技能路線指南. 自學程式正夯，但你一定也遇過這些問題：怎麼知道學會了？ 學了真的就可以找到工作嗎？ 怎麼持續學？ 一直撞牆怎麼辦？ 這次職涯相談室請來兩位教學經驗豐富的程式開發前輩 Jack 和維元，帶大家從「自學程式的 7 個 FAQ」，來一一破解你的迷思和誤區，幫你修成正果。 你 為什麼學程式？ 問為什麼超重要！ 你問過自己為什麼要學程式嗎？ 是想要有個帶得走的能力、想加值職能、想轉職、想賺更多錢？ 或是你只是單純認為，現在的人不會程式好像怪怪的、大家都在學程式所以我也要學？ 但是，知道自己為什麼要學程式，很重要嗎？ 維元和 Jack 異口同聲地表示， 問「為什麼」是學習前最重要的一件事情。
2024年2月26日 · 1 隨著越來越多的企業和組織期許能夠將 LLMs 應用到生活以及工作的各個領域，如何產生客製化的 LLMs 便成為人們關注的焦點，而名為「檢索增強生成」 （Retrieval-Augmented Generation，縮寫為 RAG）就是值得我們重視的其中一項技術。 本文將介紹 RAG 的運作方式、哪些使用情境適合導入 RAG？ 以及為什麼 NVIDIA、Microsoft 等軟硬體科技巨頭都爭相投入這個領域。 （編按：想要進一步知道 RAG 實作與產品化要考量的面向，可以閱讀這篇 〈為我的筆記加上 AI：RAG 實作經驗分享與四大產品化挑戰〉 。 什麼是 RAG？ 跟模型微調有什麼差別？
2023年4月2日 · 從基本技能到資深專業，了解如何成為成功的前端工程師並在職業生涯中茁壯成長。 前端開發技能樹. 基本技能： HTML：熟悉 HTML 語法和標籤，能夠建立結構化的網頁。 CSS：熟悉 CSS，能夠設計RWD布局，掌握 Flexbox 和 Grid 等布局技術。 JavaScript：熟悉 JavaScript語法、概念及最佳實踐. 框架和函式庫： React.js：掌握 React 及其生態圈，了解虛擬 DOM、模組化和狀態管理等概念。 開發工具和技術： 版本控制：熟悉 Git 和 GitHub，能夠進行分支管理、合併和衝突解決。 打包工具：熟悉 Webpack 等打包工具，了解模組化開發。 預處理器：熟悉 Sass、Less 或 Stylus 等 CSS 預處理器。
- 如何成為數據分析師：必備的工作技能
- 數據分析師兩大工作內容：需求確認及分析
- 專業的 Data Analyst 要有哪些特質？
- 數據分析師薪水範圍
- 數據分析師的職涯發展路徑與選項
數據分析師必備的三個技能： 1. 1.1. 數據處理和分析能力：這是數據分析師的核心技能。他們需要掌握如SQL、Excel、R或Python等數據處理工具，並具有使用統計方法進行數據分析的能力。 1. 1.1. 數據視覺化：能將數據視覺化是數據分析師必備的技能之一。這需要掌握如Tableau、PowerBI等數據視覺化工具，以便能將複雜的數據以易於理解的方式呈現給決策者或非技術人員。 1. 1.1. 業務理解和問題解決能力：優秀的數據分析師不僅需要技術技能，還需要對業務有深入的理解，以便將數據分析應用於實際問題。他們需要能從業務的角度來理解和解釋數據，並能提出基於數據的解決方案。 三個成為數據分析師的學習重點：專業技能、產業知識、及批判性思考： 1. 1.1. 專業技能：Excel、程式語言...
資料分析師一天的時間分配，工作有一半時間在做分析工作「SQL 跑資料、畫報表」，然而每天花最多時間的，反而是「需求確認」！與部門同事討論、了解他們的資料分析需求。例如： 1. 1.1. 為什麼他們需要資料？ 1. 1.1. 這些資料能夠解決他們的問題嗎？ 1. 1.1. 除了他們所需的資料，我們如何挖掘其他資料，幫助他們了解的更多？ 從事數據分析工作通常要經歷幾個步驟 1. 1.1. 定義要解決的問題 1. 1.1. 收集正確數據 1. 1.1. 清理數據 1. 1.1. 數據分析與解讀 關於這些步驟更詳細的說明，請看〈資料分析 5 步驟〉這篇文章 數據分析的類別大致上有這四種： 1. 1.1. 描述分析（Descriptive analysis）：描述性分析回答 What happened...
1. 好奇心
好奇心驅動數據分析師不斷追問和探索數據背後的真實含義。這種特質促進創新思考，能夠引領分析到更深層次。在解決具有挑戰性的問題時，好奇心也可以幫助分析師發現新的解決方案和視角。
2. 批判思考
批判思考允許數據分析師理性分析數據，避免受到偏見和誤解的影響。這個特質不僅提高了分析的準確性和可靠性，還幫助分析師更好地理解問題並提出有力的解決方案。
3. 注意細節
對細節的敏感有助於發現潛在的數據錯誤和不一致。這個特質確保分析結果的品質和準確性，並有助於避免在後續工作中出現成本高昂的錯誤。
根據Glassdoor的資料，在台灣的數據分析師工資大概在年新月薪4萬到14萬之間，基本上是看資歷與工作經驗。電商的數據分析師職缺也很多，大部分的薪資都在四萬之上，根據1111人力銀行統計，目前數據分析師這個職缺就有近8000個工作機會。如果看國外網站ERI的薪資情報，台灣數據分析師的年薪平均數和中位數都在150萬。 不同的產業也都對數據分析師的需求非常旺盛，從軟體業到傳統的金融業、房仲業，都需要數據分析師的相關人才。
初級階段：數據分析師
1. 1.1. 學習基礎技能：熟悉Excel、SQL和基礎統計學。 1. 1.1. 實務經驗：進行數據清洗、初級分析，以及撰寫數據報告。 1. 1.1. 軟技能培養：加強溝通與協作能力。
中級階段：高級數據分析師
1. 1.1. 技能深化：學習R、Python進行複雜的統計分析和數據處理。 1. 1.1. 數據可視化：精通Tableau或Power BI製作報表。 1. 1.1. 跨部門協作：參與業務策略規劃，進行業務分析和預測。
高級階段：數據科學家
1. 1.1. 機器學習：掌握機器學習算法，使用如TensorFlow或PyTorch等工具。 1. 1.1. 大數據技能：學習使用Hadoop、Spark等大數據處理工具。 1. 1.1. 專案管理：能夠主導大型數據分析項目。
2023年10月22日 · Keras是由François Chollet開發，旨在為深度學習提供一個高階的API，以簡化模型的構建和實驗。 Keras可以作為TensorFlow、Theano和CNTK等底層框架的接口，提供了一種快速實現深度學習模型的方式。 Keras特別適合初學者，因為它的API設計簡潔直觀，使得構建模型就像搭積木一樣簡單. PyTorch、TensorFlow和Keras比較. 這三個深度學習框架的全面比較，我們可以將主要的比較點整理成以下表格，以便於快速瞭解它們的關鍵差異和適用場景： 這個表格總結了PyTorch、TensorFlow和Keras在不同維度上的比較，幫助開發者根據自己的需求和偏好選擇合適的深度學習框架。
2024年2月20日 · 小結. 資料科學家 (Data Scientist)收集和分析大量結構化和非結構化數據。 資料科學家的角色結合了計算機科學、統計學和數學。 他們分析、處理和建模數據，然後解釋結果，為公司制定可行的計劃。 資料科學家工作內容，從實際案例分析. 資料科學家的工作主要為溝通、分析，提出解決方案，但具體怎麼執行？ 拆解實際案例，來看資料科學家一步步分析並解決商業問題的過程。 案例：老闆希望資料科學團隊做 Chatbot，如何反應？ 資料科學家發現與解決問題的四步驟： 溝通需求與目標. 拆解問題，不斷假設驗證. 建立模型. 模型迭代與優化. 以下分別說明各步驟內容。 步驟一：溝通需求與目標. 當別人提出需求時，很重要的一點是「先問他到底為什麼要做？
2023年4月23日 · PWA是什麼？ Progressive Web Apps 的優點，缺點與開發工具. 發佈日期: 2023 年 4 月 23 日 作者: AC 編輯群. 內容目錄. 什麼是 PWA（漸進式網路應用程式）？ PWA 的優點. PWA 的缺點. PWA 開發工具. 點我免費領取非本科轉職工程師指南！ 什麼是 PWA（漸進式網路應用程式）？ 漸進式網路應用程式（Progressive Web Apps，PWA）是一種現代網路開發模式，它使得網頁應用程式可以提供類似於原生應用的用戶體驗。 透過整合網頁標準和現代瀏覽器技術，PWA 可以為用戶提供快速、可靠、和引人入勝的用戶體驗。 PWA 透過將網頁應用程式與原生應用程式的優點結合，提供了一種全新的開發方式。
