旺角雋薈 相關
廣告
搜尋結果
2023年1月2日 · 1. Web與移動應用開發. 2. 業務流程自動化. 3. 數據分析與報告. 4. 系統集成. 5. 原型設計與測試. 熱門 No-Code/Low-Code 平台和工具介紹. 1. OutSystems. 2. Microsoft Power Apps. 3. Bubble. 4. Appian. 5. Zapier. 6. Quick Base. 7. Mendix. 結論.
2024年2月26日 · 在我 前一篇分享 OpenAI 研究員 Andrej Karpathy 介紹 LLMs 的文章 曾介紹到，通常 LLMs 的訓練會經過兩個階段：產出基本模型（base model）、曠日廢時且需要投入大量資源的「預訓練」階段，以及後續頻繁進行的「模型微調（fine-tuning）」階段。 在上述的訓練過程中，若希望 LLMs 理解特定領域的知識，就得從模型微調的階段下手，將特定領域的專業知識輸入基本模型進行訓練。 但模型的微調不僅得仰賴硬體的運算，且無法很快地將公司或組織的新資料納入模型之中，這都會對客製化 LLMs 的落地應用形成限制。 而 RAG 就能夠突破上述的限制。 RAG 概念是由自然語言處理科學家 Patrick Lewis 等學者在 2020 年發表的論文 2 中所提出。
- 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。
開源 AI 平台介紹 4 點加速 AI 開發. Hugging Face 整合超過 47 萬個開源、預先訓練好的 AI 模型，供任何人下載使用。 由於訓練模型非常昂貴，這樣的平台可以大幅降低開發 AI 產品的時間與成本。 本文將概覽 Hugging Face 對開發者的重要性，並在最後討論它們的文化與商業模式。 技術力 / 數據力 / 科技職涯 / 程式學習 / 資料科學 / 軟體職涯. 數據領域 Side Project 實戰攻略，增加你的求職優勢. Side project（業餘專案）有時不只是興趣，還能夠提升求職競爭力。
2023年9月5日 · 「數據分析職能地圖」是 AC 踏入數據分析領域與培育人才的觀點與方向，除了做為開發課程的藍圖，也在探索如何幫助有志往數據分析領域的人，建立有效與精準評估能力、規劃學習的工具。 AC 數據分析職能地圖四大象限與 12 個子項目 (update: 2023/09/1) 關於地圖的緣起、設計與第一層四象限的說明，請參考 〈解構數據分析職能地圖：ALPHA Camp 培育數據分析人才的下一步〉 這篇文章；而地圖第二層 12 個子項目的詳細內容，則請參考 〈應用數據分析職能地圖，迎戰市場需求與學習挑戰〉 這篇文章。 在 2023/8/19，AC 舉辦了 「數據分析職能地圖」對談會 ，邀請管其毅與胡筱薇兩位專家對談。 以下是兩位專家的介紹，與從他們的經驗和觀點，對談發展數據分析職涯與學習的挑戰。
2023年2月7日 · 1. SWOT分析. 2. 五力分析模型. 如何用數據做競品分析. 定性分析. 定量分析. 數據可視化. 結語. 競品分析是商業戰略中不可或缺的一環，幫助企業揭示對手的策略與市場定位，從而在市場競爭中站穩腳跟。 這項分析不僅僅是搜集數據，更重要的是將數據轉化為洞察力，進而制定策略。 以下將詳細介紹競品分析的步驟、框架與方法。 一、競品分析的重要性. 競品分析能夠揭示市場趨勢、對手動態和潛在風險，為企業提供決策支持。 通過詳細的分析，企業可以發現市場機會，避免盲目決策所帶來的風險。 二、競品分析的五個步驟. 1. 確定分析目標. 首先要清楚您想從競品分析中獲得什麼資訊。
2023年11月8日 · LangChain的特點. 易於使用 ：LangChain提供了一系列API，讓開發者可以快速啟動和運行LLM，而無需深入了解模型的內部運作機制。 高度靈活 ：透過配置和擴展機制，開發者可以根據需要自定義LangChain的行為，使其適應不同的應用場景。 生態系統整合 ：LangChain旨在與現有的AI工具和框架無縫集成，支持多種LLM和第三方服務，從而促進生態系統的互操作性。 LangChain的應用場景. 自動文本生成 ：利用LLM生成文章、報告或其他文本內容。 智能問答系統 ：構建基於LLM的問答系統，提供精確的答案和解釋。 語言理解和分析 ：使用LLM進行語言分析，從文本中提取有用的見解和信息。 個性化推薦 ：根據用戶的互動和偏好，利用LLM生成個性化的內容和推薦。
