搜尋結果
2023年8月8日 · 資料科學. 數據治理 data governance 是什麼？ 為何重要又該怎麼做？ 產業案例分享. 發佈日期: 2023 年 8 月 8 日 作者: ALPHA Camp. 內容目錄. 數據治理是什麼？ 企業為什麼要做？ 企業怎麼做數據治理？ 沒做過的企業如何開始？ 在醫療或金融等資料較敏感的產業，如何妥善管理數據，讓管理單位放心？ AI 產生的「偏見」能被管理嗎？ 從印尼最大電商 Tokopedia，有哪些數據治理經驗可以分享？ 新加坡政府推動數據治理，經驗如何？ ChatGPT 崛起後，數據治理有什麼轉變與新挑戰？ 企業做數據治理，不同角色如何分工？ 誰該對資料負責？ 結語：企業如何推動數據治理？ 關鍵字補充.
軟體工程師如何選擇職涯發展路徑？. 3 大職涯路徑. Q1：遇到不懂的問題，如何拆解、吸收知識，最後整理成技術筆記？. Q2：剛畢業、剛轉職軟體工程師，面試大規模公司時如何表現自己？. Q3：擔任工程師後發現自己不太適合，應該轉 PM 嗎？. Q4：工作中提早 ...
- Orid 是什麼？討論的思維框架
- 選擇關注點：第一步就是最後一步
- 關注你的位移
- 為什麼要使用 A → B 結構？
- 狀態負面時去休息；狀態正面時做 Reflection
- 小結
- Reference
ORID 是為了主持討論，讓參與者聚焦的一種結構，和上述講的 reflection 並沒有歷史淵源，不過 reflection 是自己和自己對話，和別人對話很容易發散，和自己對話更容易發散，因此 ORID 用於 reflection 可謂十分稱手的框架。 ORID 是個在國際上被廣泛使用的焦點式提問法，透過四個層次的提問，能夠幫助使用者更結構性地思考與回應問題。以下為ORID的四層提問： 1. OBJECTIVE：具體的事實，做了哪些事情、看到與觀察哪些事情 2. REFLECTIVE：感受與反應，在當下直接的感受、反應與印象深刻的地方 3. INTERPRETIVE：事後詮釋與分析，試著解釋與分析事實與自己的感受 4. DECISIONAL：訂定目標與下一步，找出下一步可應用、執行與改善的...
「回顧」的起手式，也就是 ORID 裡的 Objective，這一段的提問法門是「你看見什麼」或「發生了什麼事」。 我個人認為，回答這個問題是一個大學問，玄妙程度幾乎和打禪機差不多。 你的視角受限於你的狀態、你的目的，甚至你的格局。到底是你很有自覺地選擇了你的關注點，還是某件雞毛蒜皮的事情綁架了你的注意力？ 在我剛開始嘗試建立 reflection 習慣時，我常常會選擇一些「自己做不好的事情」當成回顧主題，然後硬是用一種虛假的正面態度，寫出一套「愈挫愈勇」的發憤圖強文，結果是我從來沒有去踏實執行我在最後一步為自己設定的偉大 next step。 極高比例的人，在選擇關注點時，會關注自己做不好的事情，或者關注自己和別人的比較。偶爾關注一下自己的負面心態，進行「反省」是 OK 的，但不要太習慣如...
為了避免自己的注意力被拉走，我建議大家在建立 reflection 習慣時，刻意選擇有「位移」的事情來關注，也就是任何在你身上發生，從 A 狀態變成 B 狀態的事情。 別忘了「學習」的目的就是讓自己成長，知道原本不知道的事，做到原本不會做的事，發生在自己身上的任何成長，只要有 A → B 的結構，都值得我們慶祝。 講 A → B 可能略顯空洞，下圖列出一些例子： 之前提過學習其實有 outside-in 和 inside-out 兩個方向的作用力，因此這裡建議把關注點區分成兩大類別，外在專業的位移，或者內在狀態的位移。看看當下對哪個方向有感覺都可以，只是略為注意一下比例平衡，向外或向內的 reflection 都應該要不定期發生。 至於細目我這邊舉出幾個例子，只是示意給你看，一開始的時候可以...
刻意選擇 Growth mindset 視角
使用 A → B 結構來收斂你的關注點，第一個實用目的是防守自己的注意力被一些偏向 fixed mindset 的焦點拉走，起手式一開始就要落在 growth mindset 的範疇，這樣才會有效。
培養你的後設認知
另外，從「學習如何學習」的角度，你其實需要刻意去研究新態度、新觀念、新行為到底是怎麼在你自己身上發芽的。 說到底，只有自己親自掌握自己的學習模式，你的學習成效才會迎來飛躍式的進展。雖然你的學習教練/老師可能擁有比你更高的專業度去診斷學習問題，但教練/老師只能與你共享某一小段的時光，最終你需要成為你自己的教練。 因此，能夠倒退一步，把發生在自己身上的學習旅程當成客體來觀察，其實是蠻重要的技能。 而刻意關注 A → B 如何發生在自己身上，會讓你可以持續地累積對自己學習模式的洞察。
不要浪費有效經驗
最後最實在的一點，是前文提到，「做中學」為什麼強調 reflection，因為做中學裡面有太多的 try-and-error，有時候你的結果根本是誤打誤撞試出來的。 這些靠運氣、靠嘗試逼出來的「結果」（也就是 A → B 結構中的 B 狀態），如果沒有徹底掌握「究竟是怎麼發生的」，你可能根本就不再有第二次重現結果的機會。 你必須順藤摸瓜，從 B 狀態倒推回去，像偵探一樣往 A 方向探索，找出過程中的驅動要素，好好把事情發生經過描述清楚，然後辨證自己是否能重現這些有效的驅動要素。如此一來這個專業技能才是真正掌握到你的手裡。 不關注結果怎麼跑出來的，卻跑去關注別人的結果比自己好，這不是徹底的浪費嗎？
會建議大家刻意運用 A → B 結構來收斂關注點，很大的原因是，我們見證到太多的學習者努力地做 reflection，以為這就是「認真」，但事實上他們的關注點卻被 fixed mindset 拉走。 我覺得 A → B 是一個蠻簡單的訣竅，可以快速抓出有助於把你扳回 growth mindset 的方向。 事實上，要防止 fixed mindset 跑出來，還有一個是做 reflection 的時機。我建議大家要養成在「狀態好的時候做 reflection」的習慣，如果你今天完成了一個挑戰很有成效感，或者你今天忽然有個澎湃覺得自己堅持好久好偉大，或者你今天得到了一個稱讚覺得飄飄然，這是你做 reflection 的最佳時機，這個時候最容易抓到 A → B 結構。 練習在這種時候做 refle...
這篇文章介紹的是在做 reflection 的起手式，選擇關注點的「入門訣竅」。 在持續練習一段時間之後，你會開始對 growth mindset 的狀態有更高的自覺，到了那個階段以後，你可以自由選擇任何為你帶來成長的經驗進行 reflection。
2024年4月3日 · 基本概念 ：GitHub Copilot是由GitHub與OpenAI聯合開發的人工智慧寫程式助理。 它利用機器學習模型，根據開發者的註釋和已有程式碼，提供程式碼建議和補全。 功能展示 ：例如，當您輸入一段註釋描述您想要執行的功能時，Copilot能夠自動生成相對應的程式碼片段。 這不僅提升了寫程式的速度，也有助於解決複雜的寫程式問題。 二、GitHub Copilot的優點. 效率提升 ：通過自動生成程式碼，Copilot大幅節省了寫程式的時間，尤其在處理常見或重複性任務時。 學習資源 ：對於初學者和經驗豐富的開發者而言，Copilot提供的程式碼示例和建議是學習新技巧和語言的寶貴資源。 多語言支援 ：支持多種程式語言，包括JavaScript、Python、Java等，滿足不同開發需求。
2023年4月7日 · 大數據是指在傳統數據處理應用軟件無法有效處理的大量數據集合。 其主要特徵是具有 高度的異質性 ， 大量的數據量 ， 快速的數據產生與傳輸速度 ，以及可能 低品質或不確定的數據值 。 這些特點也被稱為大數據的四個V：Volume（數據量）、Velocity（速度）、Variety（種類）和Veracity（真實性）。 多大才能算是大數據？ 一般來說，當我們談論大數據時，我們通常是指數據集的大小在一兆位元組（TB，terabytes）以上，甚至達到拍位元組（PB，petabytes）或艾位元組（EB，exabytes）等數量級。 然而，這並不是一個硬性的規定，更重要的是這些數據無法被傳統的數據庫管理工具有效處理。 立即領取. 免費點我下載完整數據分析案例. 大數據為什麼重要？
2023年9月5日 · 實際應用. 建立網絡. 結語. 在「數據分析職能地圖」對談會中，ALPHA Camp (AC) 校長 Bernard 邀請管其毅、胡筱薇兩位專家一起開箱「數據分析職能地圖」與交流地圖優化；同時，兩位專家也分享他們在產業與學界的經驗與觀點，對談如何應用地圖展開數據分析職涯與學習。 本文彙整發展數據分析職涯與學習的對談內容，期待幫助有志往數據分析領域的人，掌握市場狀況與知道如何有效學習。 關於「數據分析職能地圖」 「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)
2023年10月2日 · 發佈日期: 2023 年 10 月 2 日 作者: ALPHA Camp. 內容目錄. 什麼是 Prompt Engineering？ Prompt Engineering 的重要性. 快速掌握 LLM 應用全局觀. Prompt Engineering 的基本原則. OpenAI 的官方 Prompt 指南：6策略獲得更好結果. 總結. 什麼是 Prompt Engineering？ Prompt Engineering 是指設計和構建一個提示或問題，以指導機器生成所需的內容或回答。 這種技術主要應用於自然語言處理（NLP）領域，用於控制語言模型的輸出。 舉例來說，當您使用語言模型生成文章、回答問題或創建對話時，您通常會提供一個提示或問題，以引導模型生成您期望的內容。
