<< edit:本文同步刊載在Medium，隨個人喜好可至網頁版閱讀：https://goo.gl/XYjC4D
【前言】
本文主要內容為Data Science相關，並涉及大量個人經驗和觀察；這是做Data約莫五年
多的小心得，而這些經驗來自電商、零售或平台服務，並沒有純R&D的經驗。希望帶
你走過一趟能讓你身歷其境；我也會用整篇文章嘗試去回答「我這樣準備夠了沒？」這個
經典問題，也歡迎各位版友分享自身經驗或看法。內文將從心理素質和學歷及技術背景來
討論這個行業。另外，有個小假設，如果是前文已提及的事情，我會以大家都知道這些事
情的前提下繼續討論，恕我不重複自己 (DRY)。
上篇回文提到「最近爬文內建主題過濾器，一堆標題直接略過」，以SEO的角度來思考，
我的標題可能下的有點差；但本著隨緣分享的心情，這篇我就維持原標題了，讓有興趣的
人自己看到即可。
【 約5400字，平均閱讀時間13分鐘 】
本文為第二部分，文章主要面向想入行或是對Data工作感到好奇的版友。
有興趣的版友可以隨自己喜好隨意看看。
- 心理素質
首先，先不論你對Data Science的想像是什麼，Data Team，特別是Data Scientists，絕
不是個奇怪的數學社團。在這裡每個專案都有他自己的目標函數(Objective function)，
這並不只是數學上，也包含到底能帶來多少商業價值。躲在角落動動筆和腦、寫寫Code、
發現或使用Model，大概只有30%的重要性是在做這個吧。我想說的也不是你常看到的
Data creation及Data clean，他們的確是佔了很大時間及重要性，我稍後會回到這個主
題。
做Data的思維應該要像是做科學般的嚴謹，又要有商業上的彈性，他跟工程師沒兩樣，沒
比較高尚也沒那麼特別，我們都在「發現問題」和「解決問題」。在理論與現實間如何搭
橋，數學、Domain Knowledge和Coding就是解決問題的手段。然而「發現問題」才是我們
的大挑戰，這其中包括了：我們如何將日常語言定義為嚴謹問題、是否能合理的做基礎假
設而不導向失真、又或者是如何定義才能幫助你完成目標...等等，畢竟很多事情並非那
麼直觀。我很喜歡一個在學習高微時助教舉的著名例子：錯誤的假設能讓你「證明 0 > 1
」。這種反直覺非常的自然，你也許覺得沒什麼困難去察覺，但當我們透過複雜的Model
、數千萬筆的資料加上千行的Code產出了結果，試問我們還可以允許多少錯誤假設？而又
能多自然的發現結果是違反直觀的？那些明顯如 0 > 1都是非常嚴重的錯誤，我們才會這
麼容易發現。而練習Kaggle是好的，但要記得是這裡的問題和Features完全都被定義好了
，甚至連評分的Objective Function都已經給了我們。Kaggle常被同事們當作消遣或是練
習新技術的地方，因為通常無需動太多腦筋。
因此，如果只是喜歡這種發現與解決問題的過程，那完全不需要執著於Data Science，這
世界上有太多工作是這個樣子的。另外，如果你的工作環境像在GAFA裡的一些部門允許你
做純R&D，不用步步都考量附加價值或成本，只能說那真的太幸福了。
接著討論Pipeline，經常一提到Data Science便會強調Data creating、wrangling和
cleaning三個過程佔絕大多數的時間，但其實還有很多重要的事；這是絕大部分想要跨行
(非資訊領域)者會有的盲點：工作不是打Kaggle，他無法帶給我們的是理解實際工作的
Pipeline。進入Production後，如何移交(deliver)你的結果？運算出的結果還打算用csv
來傳遞？要產出新預測的時候還去terminal打上make prediction或是python model.py？
也許高階一些，那麼除了cron job之外，是否有其他解法去監測每個步驟是否執行成功？
能否讓步驟間有相依性？如何確定你的code有容錯能力(Try Catch)？你有Logging？你有
做Functional test或你會寫Test？化約來說，就是些Design pattern或CI/CD的問題，我
想這一連串的問題有些惱人，也許你現在不知道怎麼做，但我們都必須知道有這些問題，
甚至在未來學會怎麼做；因為你想成為一個Scientist，這些都像是實驗流程的一部分。
這也是為什麼當我們覺得自己已經準備到一個程度了，為什麼還是沒公司願意給機會？或
是不知道自己一直無止境的上DS/ML相關課程，但到底何時能準備好？我個人認為這是視
野(vision)上的問題；你能把細節思考的多周全、做得多完美，給了你是否有自信作為一
個「獨立的」Data Scientist。
再來是對Data Team各個Function的理解，同時也將解釋為何說「Data Science不等於
Machine Learning」。嚴謹來說，Data Scientist、Data Engineer、Machine Learning
Engineer為三個不同的工作，即便都有重疊，但主要的工作內容有極大不同。然而網路上
已有太多詳細資料介紹，這邊我只做提醒不深談，接下來我只會針對Data Scientist和
Machine Learning Engineer「消歧義」。另避免爭議，每間公司在寫Job Description
(JD) 時當然可以有不同要求，這邊我想討論的是原始定義。
相信大家都有看過一個描繪Data Science的文氏圖，Data Scientist可以是個Software
Engineer在算法部分的特化，也可以是一個新潮的經濟、統計學家，他隨者時間的演變被
賦予不同的名稱，但在本質上都分享著一些明顯的繼承。而當中Machine learning是另一
個解決問題的手段，而非唯一；舉個例子，某些推薦系統問題我偏好用圖論來做，最後再
用ML做優化，原因是無論DFS、BFS...等相較古老卻是基石般的算法，在效率或資源的優
化都有一定的保障，而只要明白原理就能將之變形成一個ML能優化的問題；如果當有人看
到一間公司開出Data Scientist職缺，在他快速瀏覽後，立刻心生鄙視，想著：呿，這工
作連個明確的ML問題都沒有，這也叫Data Scientist？但也許其實是他不懂Data Science
。
接著是Machine Learning Engineer，據我了解台灣目前不多公司有這樣的職稱，即便國
外也不是所有公司都有明顯的分壘，這也是做Data和一些想做Data的人的痛。ML
Engineer比起Data Scientist，他就更專精在model上，從發現或實作高深的Model本身或
是在進入Production之後的各種問題如Model的Delivery等等。ML Engineer的定義可能就
比較接近部分群眾對Data Scientist的想像，但事實上這個職位吃的數學又多上更多；有
時是一些線上課程給的錯覺，導致有些人對Data Scientist的想像僅止於ML；多一點可能
還會把Data Analyst、Data Engineer的概念也加進去些。此外，另一個混淆人的原因是有
些Data Scientist的JD中，填充了許多Machine Learning的漂亮話，導致人們看到的
Data Scientist好像只要做ML就好了。
最後的Take Away：Data Science不等於Machine Learning；而想換工作時，先想想到底
對Data有熱情還是只是想玩玩ML。我們有時會在Job Affair戲弄一些看起來目標就很不明
確的人，會問說「哎呀，可能Data Scientist不缺了，但我們缺個Machine Learning
Engineer (Data Engineer)，你覺得如何？」，這些心志不定的求職者通常都會說他有興
趣、他能做，但我們都知道他沒有真的理解他將面對的是什麼。
- 學經歷背景、技術要求
那麼到底什麼樣背景的人可以做這行呢？沒有限制，限制的是我們手上的技能有什麼？是
否有發現及解決問題的能力？畢竟同一個問題可以有很多種方式去解，這也是為何(前)同
事們，有應用物理博、天文物理博、語言博、理工碩、經統數碩、資訊碩...背景百百種
。至於哪些技能是必須的，這個網路上都有清單，這邊只想提醒幾個我覺得最重要的，給
非資訊出生或是覺得做DS一定要有個博的版友：
1. 學會讀Documentation、Source Code，善用Google和Stack Overflow(當然是英文)
2. Python
3. SQL 及 Database原理
4. Linux 及 基本網路、網站架構
5. 資料結構、算法及Machine Learning知識
6. AWS / Google服務
7. 學習做概念驗證 (Proof of Concept, POC)、看和做Benchmark
-. Kaggle、Mini Project
以上除了1, 2之外，重要性不分軒輊，數字只是想幫忙在時間有限的情形下知道先掌握哪
些。
Python，它很好用，但絕對沒有我們想的那麼簡單。「魔鬼藏在細節裡」用來形容Python
應該非常合適，它可能亂寫都跑的起來，等到結果真的出現細微的錯誤又被我們發現
時，真正的問題點可能想找還找不到，畢竟不是所有人都接觸過底層的語言。因此，和
Python相處，真的是要持續地學習和深入了解它。其他像是Profiling、Multiprocessing
或是Parallelization等等，其他文章可能都討論過，特別那些「我覺得不重要，但別人文
章總是會提到的東西」還是留點心，至少加入待讀清單吧。
然而不僅僅是Python，還要熟悉SQL和Database，新手時常想忽略他，覺得沒什麼用。這
裡說的Database是指像在記憶體優化的Server上，而非在練習SQL的筆電或是t2 micro
instance中。很多時候我們真的不會想讓個巨大的DataFrame在instance或local端花個十
分鐘做preprocessing，又或者如果資料不是只使用一次，如何先將資料處理好存進Data
Warehouse方便下次使用？這時如果我們熟悉一種以上的工具，那就知道如何怎麼操作才
最有效率，所謂效率除了運算資源外，也包含你的時間、同事的時間還有你是否會crush
自己或同事的運算。
舉例來說，在給定一定資料量的情況下，用Pandas把一個Column包含list的DataFrame全
部展開可能要用個數行(可能還加上些看不到的for loop)再加上短則以分鐘為單位的時間
；但如果熟悉SQL的話，可能很快就想到用cross apply只要兩個select就可完成，又或是
在Big Query或Snowflake環境中，可能用LATERAL FLATTEN來處理就是個好選擇，而處理
的時間可能是秒為單位；在這樣的情況下，我們就會選擇先在Server端處理好，再寫入資
料庫(或讀取)。因為即使真的需要使用包含list的DataFrame，也只需要一行groupby加上
unique，pandas很快就會幫忙處理好了。
很常時候這些wrangling並不是一次性的，更可能你生產(populate)出的資料也不是你一
個人要用，那麼做這些評估就是理所當然的了。小時候真的是鐵齒覺得pandas可以做的事
，幹嘛還要學SQL或了解Database的原理呢？但當越來越熟練後會發現，即使什麼都
vectorization去解決，也突破不了local硬體的極限，雖然形容的有點誇張，但概念大
致如此。再舉一個關於Database的例子，一般的RDB是用列來寫資料的，如果用python
connector加pandas可以很寫意的儲存資料；然而像是那些write by column的資料庫，如
果不明白其背後的原理還用insert by row的方式去寫資料，那可能真的等到天荒地老。
再來是Linux、網路等相關知識，這部分除了像是爬蟲、API之類的應用外，還有個心酸的
原因；說真的Data Scientist是個很奇妙的存在，Backend Developer不會當你是個
Developer，而是弄些奇怪數學的人；公司其他非技術的部門的同事卻都把你當Developer
，因為對他們來說反正搞不懂的都是程式和邏輯。而很多時候各種環境都需要你自己快速
的架設，除非公司有分配Data Team專用的Backend Dev和DevOps。否則當你的需求是因為
R&D而產生的，比起公司其他有產值的東西，RD的Priority很容易被排到最後。需要
NoSQL DB去紀錄每一個預測用的參數和結果？想要用開源的Dashboard，又需要url分享給
其他部門看？通通自己架。而這也是為什麼需要學會讀Documentation和Google，你很少
聽到資訊背景的人在抱怨這些，因為他們都很習慣一邊看說明書，一邊去摸索新玩具；這
也是為什麼有些公司開DS缺都會先要資訊背景，因為本科就是省事又好用。
接著是資料結構、演算法和ML的知識。好的資料結構才能讓 (ML) 演算法跑得好跑得快；
而且如果不明白資料結構，你做profiling也只是瞎忙而已，這些背景知識都可以幫助你
解決問題或加速解決問題。選擇好的Machine Learning算法亦是；例如，由於Kaggle的關
係，現在人人起手便是Xgboost，但如果沒有去理解bagging和boosting的差別，有沒有可
能你錯過什麼更輕便的算法或是讓你一直往overfitting去了呢？
AWS / Google的各種運算服務多的無法枚舉，而要學的原因和重要性我也不多說了。
學會做 POC 和Benchmark也非常重要，也很少有人在講Data Science時提起。然而就像我
們會想拿Data去打臉某些人事物一樣，在決定一個Solution前如果不做POC，不看已經有
的Benchmark，那我們和那些憑感覺做事的也沒差別，怎麼好意思說自己做Data呢？因此
千萬不要鐵齒，這個待定的Solution可以是算法、開源軟體或Package，或是選擇外部服
務如資料庫，或是選AWS還是Google。
最後才會是Kaggle或是mini project。做這些很重要，但要怎麼去做？是否知道如何呈現
？反而才是重要的。要做的原因很簡單：就是把手弄髒(Get your hands dirty)，這不需
多做解釋。然而，開始弄髒手後可能掉進的誤區就是想衝高排名。在面試時，若面試者告
訴我他學到什麼，我絕對會專注的聽，因為也許能學到些什麼，更重要的是我可能會因此
找到一個有想法的好夥伴；然而，如果他自顧自的說他的Model多厲害、預測都是多精確
bla bla bla，我可能30秒後就會恍神或是失去耐心；原因是這些排名或嘴巴說的數字完
全無法反應真實，人人都可以去複製貼上個Kernel取得好成績。因此，Kernel和討論版要
看、多學，複製Kernel只是重製看別人Model效果如何，但要對自己誠實，那不是真的是
你的東西。
Mini project同理，現在太多書籍或網路資源在做同樣的東西，重要的同樣是你學到什麼
，如果只是說用過Tensorflow、keras做做MNIST等projects，那面試官看手上論文的
State of Art可能就夠了。除非你自己刻了一個Attention Layer去解決你的問題，或是
實作了Transformer等新東西去解決老問題，否則老調真的很難引起注意；這些都只是例
子，ML或DL的技術每個月都推陳出新，就看你多有心去理解這些新理論或應用了。
而到底是要繼續學新東西還是先把舊工具用熟？這個困境就很像Reinforcement Learning
中的Exploration-Exploitation Dilemma，但無論如何都不要把自己限制在非Machine
Learning算法不學；技能樹的廣度發展也要合理，否則面試官一下就認定你是在湊字數的
，那得不償失。回想那個文氏圖和那些可能看過的JD對技能的要求，單純要成為一個
Data Scientist可能更偏向廣度，而要成為「好的」Data Scientist差別則在於深度，那
些你特別之處造就你成為更好的。所以如果基本功優先點選，等到你開始覺得自己到達瓶
頸時，開始往廣度發展，回頭看看自己的盲點和缺陷，反覆這個過程就先讓你成為一個「
好的」OOO了。具體例子來說，如果你是唸資訊的，先Maximize你本科系的能力，再準備
開始往外點；即便你無法成為一個典型的「Data Scientist」，你也具備能力做一個好的
Software Engineer，或許你還能特別往算法或Text發展，那也是一種Data Science不是
嗎？而對於其他科系，Coding在你選擇想走這條路時早已經是必備，別只是想著「跟同學
比起來我會coding啊」，那些人可能根本也沒想和你在同一個pool，你的對手反而在外面
；因此本科那欄請自動補上coding和資訊相關的基礎，其餘的都可以參考那些網路上的清
單或是文中的小建議；勇敢面對現實，但也不需妄自菲薄。
- 除此之外
培養嗜好是恢復創造力的一大幫助，如何在忙碌的日子中達到work-life balance是無論
在世界哪個地方工作都要面臨的功課。最後身體健康很重要，這大家都知道，但怎麼做和
如何做適合自己，那需要自己調適安排。我對CodeTengu很久以前的標題很有印象，大概
是說「如果做不出來的時候，資深工程師知道什麼時候該站起來走走，而更資深的知道何
時該跑」。做DS和其他Function很像，很容易陷入停不下來的漩渦，無論是熱情還是
Debug或是Debug的熱情在驅使著你。
有興趣入行的你，綜上所述請先想好
1. Data Science對你而言是什麼？你為何愛Data的工作？
2. 如何規劃未來？你是學生，還是已經在工作了？該如何繼續學習以達成目標？
3. 到底想在什麼樣的產業中工作，是純DS (或ML或AI)？還是電商或其他有商品的產業？
4. 你的環境有這個工作嗎？沒有的話，是要自己創造、轉換環境還是退一步？
5. 是否願意花時間學好老技能：英文。
另外，如果你想跟我說：啊，這裡是台灣啊！
我明白也完全理解
但這句話不應該讓你允許自己直接忽略那些更重要的事實：變強和改變環境(無論是就業
環境、政治...)
也許我說的輕描淡寫，但這些都不是純粹的理想
而未來都在我們手上，該如何改變環境或自身，決定在我們而已。
衷心希望這篇文章的某些小想法能帶給你一些啟發，文章或多或少也有可爭議之處，歡迎
批評指教
謝謝閱讀，第三部分將會是與Meetup有關，但仍需要思考如何進行，如果對這個活動有興
趣的朋友歡迎隨時站內信，我們能透過其他方式先聊聊現有想法。