為什麼這篇python資料分析ptt鄉民發文收入到精華區：因為在python資料分析ptt這個討論話題中，有許多相關的文章在討論，這篇最有參考價值！作者agiwar (我就是我)看板Soft_Job標題[請益] 轉行做資料數據分析時間Tue Sep...
python資料分析ptt 在 安米娜?Mina Instagram 的最讚貼文
2020-09-21 13:40:40
來宣傳一下 新活動🤍🐬 台灣資料科學社群版聚 - 台北場 第三季聚會 報名連結：https://forms.gle/wVvazK84d4spYy6F6 完成表單填寫才算報名成功喔！ // 版聚資訊 時間：9/25 19:00 - 21:30 地點：YourSpace(近國父紀念館捷運站) 名...
板上各位高手好，小弟有些問題想請教，還請大家給些經驗與建議，謝謝。
先介紹我的背景好了：
目前在台北研替當中，一年後退伍。學歷是113機械、112應力碩。
論文方向是使用matlab做風速資料分析，
並參考模擬軟體演算法自己寫出程式執行，在與實際資料做比對。
畢業後先到GG輪班，後來轉調至現在公司，待退伍中。
現在工作：
當初面試進來時，公司當時需要有人從事分析風能數據的人才
這剛好與我的碩論有高度相關，因此順利進來
但任職到現在一年多，發現其實我真正在做分析數據的業務幾乎微乎其微
基本上，這間公司目前及未來的主要業務與我的背景不太相關
再加上薪資待遇很普通，所以有退伍即離職的想法。
目前我最會的應該就是python，當初用python有做一些分析風能資料
我發現我對於raw data的整理與分析，最後視覺化產生圖表，這樣的過程有高度的興趣
進而想去接觸機器學習等更多的理論
自己平常有上網看python教學，基本的套件與資料分析相關的模組都會操作
也有去台大資訊訓練班上了兩期python資料分析相關課程
現在正在coursera看林軒田老師的ML課程，自己練習寫演算法（例如PLA）
偶爾上網找書自己讀這樣。
但...總的來說，我沒有數統的背景，也沒有資訊的背景
我想我的優勢在於過去的學歷，我有自學能力，以及目前我會的「工學院的數學」
其實板上相關文章我大致都有看過
不管是針對資料分析的人才需求，或是跨行需要承擔的風險我也有考慮
也有在想是否去補習再去補一個數據科學的學歷。
希望有過來人或高手，就我的學歷背景經驗來給我建議
是繼續這樣進修自學，還是直接補習去補學歷，還是直接放棄資料分析這條路？
謝謝～
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.163.2.172
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1504598887.A.80E.html
→ f496328mm: 為什麼放棄GG @@09/05 16:22
推 subset: 上面才有一串機器學習在台灣出路討論串09/05 16:24
放棄GG原因有很多，除了兼顧生活品質外，我認為受過前四大教育的我
畢業就去輪班實在可惜，雖然錢多，但這其中的know how僅限在tsmc
除了錢多，其他因素對長久職涯發展沒有益處。
機器學習的討論串很多，我也有看，但結論似乎皆導向：
「台灣玩不起來」「要馬就去國外」「沒學歷都是屁」...
其實我承認自己能力沒多好，但依然想知道這領域自己可以涉略多少~
推 f496328mm: 推薦你先去 kaggle 玩玩看09/05 16:48
→ femlro: Gg輪班才不會後悔 錢超多的。 屌打一堆同學，理工同學會沒 09/05 16:50
→ femlro: 在gg上班的很少聽過領超過兩百的09/05 16:50
→ femlro: 別看不起gg輪班 只有矽谷的才能酸gg09/05 16:51
好的，我會去kaggle嘗試看看。
另外femlro，我並沒有瞧不起GG，他畢竟算是個很成功的企業。
離開GG只是個人選擇，我也有說明雖然錢多，但其他因素不符合我的期待
坦白說，也只是想知道自己除了被綁在無塵室外，還有多少能耐
因為實在有太多案例，都是「進不去的想進去，進去了想出來卻被現實綁住」
→ f496328mm: 話說 GG 也有分析的部門阿09/05 16:52
→ f496328mm: 越自動化的企業 越需要利用 data mining 提升效率09/05 16:53
→ femlro: 有112-114 不去gg浪費那張證書09/05 16:53
→ f496328mm: 況且裡面 data 很多，也有在用 hadoop 存 data09/05 16:54
f496328mm：我也是最近在知道GG有資料分析的相關部門
但這一切也是在我離開設備才有機會進修資料分析
推 beaprayguy: 當初我也是從GG作業科組長出來我懂你的感覺09/05 16:59
→ beaprayguy: 雖然我是糞校就是了09/05 16:59
beaprayguy原來是GG前輩呀！我想只有GG人才懂其中的感受XD
一起加油～
推 Morphee: 去資策會啊09/05 17:17
鄉民不是說有前四大還去資策會，代表自學能力有問題= =
→ femlro: 那就只好自己開一間GG了@@09/05 17:38
推 asleisureto: GG年薪起碼純軟2~3倍…09/05 17:43
→ gilberthsu: 我不認為去資策會是浪費，有人提點入門省很多力 09/05 17:45
噓 beaprayguy: 我認為花10萬上課是浪費，沒有目的的學習工具幹嘛09/05 17:47
→ beaprayguy: 不清楚自己要學的東西模樣是什麼上課有什麼意義。你會09/05 17:48
→ beaprayguy: 工具後然後呢？應該是先去了解這行的課題和面對的問題09/05 17:48
→ beaprayguy: 和處理的方法，在想要不要上課09/05 17:48
推 Huffman: 怎麼不先去GG賺一筆 跑來相對低薪的純軟是瘋了嗎09/05 17:50
我是因為也沒有太多錢可以去資策會，然後因為網路上資源很多可以學習，就暫且先自學
。
離開GG不能大賺一筆沒錯，但相反地，我也就無法有更多心力去學新東西，待在GG只是讓
自己等領下一季分紅的時間。倒也不見得要走純軟，有看到不少公司在主打工業4.0，不
知是否可以應用到這專業？
推 drajan: 邊工作邊學 學習最夯工具並實際應用 建立portfolio 以上約 09/05 18:15
→ drajan: 花大概一年半至兩年時間 然後出國去（包括中國大陸）直接 09/05 18:15
→ drajan: 去找工作，或去美國念一個CS MS。臺灣最好就Appier 09/05 18:15
所以要再追求這領域的學歷，出國是唯一解? 台灣的沒什麼用是嗎?
我不是本科出身的，要進Appier應該不可能吧@@
→ y800122155: 樓上說A公司最好? 好的定義是什麼?? 錢?環境?發展?? 09/05 18:26
→ ericrobin: 我是覺得你在本行賺比較實際 像樓上說的你換個方向差不 09/05 19:00
→ ericrobin: 多兩年 即使這樣台灣這邊的機會也沒很多 09/05 19:00
我覺得你說的很有道理
儘管花兩年時間補足這領域的專業，不見得能在台灣找到滿意的工作
推 drajan: 有強者，生涯發展初期首重optimize growth rate, 跟強者學 09/05 19:02
→ drajan: 習 事半功倍。相反，待在充滿魯蛇的環境, 就會... 09/05 19:02
恩我也想跟強者學習，你有認識的想介紹嗎XD
推 beaprayguy: 資訊行業就是跳，跳一跳比GG31職等有可能 09/05 19:09
→ beaprayguy: 拜託GG前面有多少人排隊 09/05 19:09
→ beaprayguy: 你要做多少才排你，軟體深耕五年，專精某一領域，破 09/05 19:10
→ beaprayguy: 兩百都沒問題。 09/05 19:10
→ beaprayguy: 但是選的環境是否有累積能力 09/05 19:11
→ beaprayguy: 看怎麼學習 09/05 19:11
→ beaprayguy: 你要在開源社群做出口碑有什麼問題？ 09/05 19:14
推 ckp4131025: 軟體5年破200比GG5年升31難很多吧... 09/05 20:12
在我待過GG12廠那段時間，其實5年要從32升上31職等，真的沒那麼簡單
當時我同事甚至有做了12年才31(新人32)，有些同事學歷不差，但老闆機歪
真的做了3~5年了，還在原地打轉，只為求每季獎金，礙於現實考量離不開GG
這些學長也很建議我想走趕快走，只能說內部黑暗現實面，只有待過的人才懂
推 beaprayguy: 看你五年怎麼過啊 09/05 20:18
→ beaprayguy: 有人五年每天精進。上班拼下班拼。 09/05 20:18
→ beaprayguy: 台積電就算很拼，職等也能爬。你想想看精美的X大，洋 09/05 20:19
→ beaprayguy: 經幫 09/05 20:19
→ beaprayguy: 軟體機會才多，但要選對領域 09/05 20:20
我也希望我能有機會選對領域，但目前資料科學在台灣好像有如大家所述那樣不樂觀
推 Eos: 軟體五年破200的機會有 但不在台灣 請先認知這一點 09/05 21:54
了解。
推 jonathan7988: 呃 不知道有些人心態在炸裂什麼 人家選工作不全看 09/05 22:29
→ jonathan7988: 錢也不行？ 09/05 22:29
真的! 錢很重要沒錯，但不是唯一，無恥一點未來很缺的時候再去輪班也行(誤
推 lukelove: 先打好cs基礎吧, 接著論文閱讀沒問題 目前流行的方法只 09/05 22:47
→ lukelove: 有尻的溜不溜的差異 09/05 22:47
打好cs基礎，是再精進數學呢? 還是去接觸實務的coding
推 prag222: 基本上跟你說 在學校學的數學統計是要拿來用 09/05 22:56
→ prag222: 我數學 從國中就不行了..... 09/05 22:56
我是完全沒學過統計，是不是可以先著重在條件機率即可?
推 Argos: 一句話 請好好念英文 出國吧 09/05 22:59
如果有錢，我會考慮的!
推 prag222: 出國也只能去美國了 能強到跟對岸比嗎......哈哈哈哈哈 09/05 23:00
推 Harifucks: 最近CHT徵AI人才，有興趣嗎？ 09/05 23:02
哈 如果我有能力的話不排斥看看阿XD
推 prag222: 所謂自學能力是綁英文的喔 看中文除非寫得好 不然都打折 09/05 23:14
推 prag222: 我前同事白天上班下班晚上看書 拚阿 可是我前主管說他貴 09/05 23:28
→ prag222: 貴也是老闆花錢來 做事的 09/05 23:28
英文也是可以再花時間去K起來啦，但我目前想說先把專業知識補起來
推 exthrash: 實在不懂某些人非GG不可的邏輯 09/05 23:33
→ exthrash: *以上是指gg輪班 不過gg其實也有在做ML的組 09/05 23:34
其實...我真的只是覺得四大機械背景就直接去輪班，讓我很嘔
所以想再多學東西去不同領域看看
我也是離開GG了才知道有ML部門，但若我當初沒離開GG，應該也不可能可以調部門吧
→ physheepy: 在台灣 真正做數據分析的職缺很少且你應該很難應徵上 09/05 23:39
→ physheepy: 你自學能力不錯的話 嘗試做出作品出來 你會較有機會 09/05 23:41
→ physheepy: 應徵較好的職缺 別看104上數據分析的職缺滿地 其實大多 09/05 23:41
→ physheepy: 只是粗淺的call 套裝軟體 薪水也不高 09/05 23:42
→ physheepy: 另外我不懂"補習補數據科學的學歷" 是什麼意思 如果你 09/05 23:43
→ physheepy: 是想去上個半年一年甚至幾星期的所謂"資料科學培訓" 09/05 23:44
其實我就是擔心我不是本科的，要找到工作真的很難，所以就先自學再說
可我自己知道，自學根本不能跟人家4年CS畢業的競爭
我是不清楚104上的資料科學的職缺如何
"補習補數據科學的學歷"，這是指說去補資工的課，然後去考個台大數據科學所這樣
→ prag222: 實際上有需求 但缺現成的人才 付不起相對優渥^(++)的薪水 09/05 23:44
恩真的是普遍低薪~
→ physheepy: 那對於應徵較好的職缺幫助也不大 這種補習只能教你工具 09/05 23:45
→ physheepy: 而現在資料科學的工具方便到完全不值錢了 09/05 23:46
原來這些工具已不值錢了，我還以為會使用的人不多
→ hmcedamon: 不懂非GG不可的邏輯+1 09/06 09:08
只能說每個人的選擇不同
推 doranako: 看你要錢還是一個夢想 09/06 10:02
就是要在這之中去找尋平衡囉
推 stosto: 不如再去唸個碩士 09/06 13:59
其實我真的有想過這問題，畢竟學歷證書在業界是很重要的入場券
管他實務經驗充分與否，先騙進去再說
就像我自己應力碩畢業，我也不覺得自己哪邊厲害 = =
→ f496328mm: ㄜ... 資料科學工具還是很值錢.... 09/06 14:27
→ f496328mm: 會用的人很多 用得好的人不多 09/06 14:27
→ f496328mm: 很多套件都是現成的沒錯 但細節更多 09/06 14:28
→ f496328mm: "會用"跟"用的好" 差很多 09/06 14:30
→ f496328mm: 例如你會開車 所以你覺得開賽車很簡單 是一樣的道理 09/06 14:30
我明白你說的這道理，我是會持續學習現有的工具，同時在補背景知識的不足
噓 XJY13: 為什麼不去GG 09/06 19:56
那XJY13大，您有去GG嗎?
推 noreasonkon: 原Po 背景跟我很像 我碩班做CFD 畢業後對機械本科的 09/06 19:58
→ noreasonkon: 工作沒啥興趣 又不想繼續唸書 最後找個軟體的工作開 09/06 19:58
→ noreasonkon: 始慢慢練功(寫web) 下班後自己爬一些資料來玩累積DM 09/06 19:58
→ noreasonkon: 的能力 台灣資料分析的缺太少了 你在應力所念的高等 09/06 19:58
→ noreasonkon: 工數或是周捨的數值分析跟ML幾乎完全沒相關 根本無法 09/06 19:58
→ noreasonkon: 和本科系的人競爭 如果要轉行的話 建議要有砍掉重練 09/06 19:58
→ noreasonkon: 的覺悟 09/06 19:58
站內信跟您請教問題~
→ askia: 台灣現在有很多公司想跟風做這一塊，但是說真的有制度、 09/06 20:07
→ askia: 有足夠資料做這塊的公司非常少。104上面的缺很多，但是說 09/06 20:07
→ askia: 真的，沒有幾個是值得去的。而真正值得去的多半要本科、有 09/06 20:08
→ askia: 論文發表的 09/06 20:08
→ askia: 一個簡單的道理：除非你是超級天才，否則你花一個月學會的 09/06 20:09
→ askia: 東西，大部分的人也可以花一個月（不到）學會 09/06 20:09
我清楚知道自己的本事在哪，更了解高手那麼多，我會的大家一定都會
但我不確定104上面的缺是不是都很不值得，因為坦白說現在的我連能去哪都不知道
只能先繼續充實自己，直到停損點發生吧
推 exthrash: 軟體一堆領域都有套件 又不是只有ML 09/06 23:42
→ exthrash: 講得很像在其他領域 工程師都是start from scratch一樣 09/06 23:43
推 pieya: 我記得coursera還是edx上最近有香檳大的數據分析相關遠端 09/07 00:54
→ pieya: 學位可以念，不用出國，花費也較少。你可以參考看看。 09/07 00:54
→ pieya: 至於方向…我是覺得任何專業你總要找個領域去提升。而做不 09/07 00:57
→ pieya: 做得到跟未來有多少機會其實常常是沒人能給你足夠確定的答 09/07 00:57
→ pieya: 案。 09/07 00:57
謝謝pieya給的建議，coursera上確實有資料科學相關的學位
「找個領域先提升自己」
是不是其實就是先從資料黑手起家，待獨當一面後再去選擇更好的?
推 lukelove: coursera線上課程, 數學推導部份大概只需要 微積分線代 09/07 01:14
→ lukelove: 機率, 大概就可以聽懂個八九成, 真的不會對岸直覺解釋的 09/07 01:15
→ lukelove: 文章很多 09/07 01:15
→ lukelove: 不過上完課/寫作業是一回事, 比賽又是一回事 09/07 01:18
微積分線代沒什麼問題，大概就需要去補條件機率的部分吧
當然我知道比賽的層級不能跟修課來做比較
推 tloy1966: 最好當然是去gg的ML team 09/07 04:24
推 tloy1966: 機率必須 統計應該是非必須 09/07 04:26
推 tloy1966: 不過會建議用假日當興趣學習，累積到一個程度再跳 09/07 04:28
推 tloy1966: 你的70%時間可能都在理解資料，整理資料 09/07 04:30
問個問題，如果未來我準備好有能力的話
我都從GG設備離開了，還有機會再進GG的ML team嗎XD?
※ 編輯: agiwar (118.163.2.82), 09/07/2017 11:28:46
推 popcool: 我112機械碩畢，軟韌的工作年資加起來有3年多，自學對我 09/07 14:13
→ popcool: 來說根本小事，但還是去資測會學完ios，為何有能力自學 09/07 14:13
→ popcool: 還要去資測會，因為效率啊！與其下班回家累的要死還自學 09/07 14:13
→ popcool: ，不如全職有系統有人教，畢竟快30了，對我來說自學轉職 09/07 14:13
→ popcool: 的時間成本遠遠大於那八萬元的學費，對我來說時間無價啊 09/07 14:13
→ popcool: ！ 09/07 14:13
→ beaprayguy: 喔，冒出好多112喔 09/07 21:49
→ beaprayguy: 八萬塊省下來自學不是一樣？講幹話？112？ 09/07 21:49
推 tseng40: 一直推GG的ML team的人真的有在裡面待過嗎....別誤導人 09/07 22:40
→ bestchiao: 台積ml team一直是個很神秘的存在 哈哈 09/07 23:34
推 jammy50605: 我也放棄GG 09/08 00:03
推 popcool: 幹話?時間成本大於學費這句話很難懂?下班自學花ㄧ年轉職 09/08 01:41
→ popcool: 跟全職學4.5個月後轉職，時間跟效率差很多，8萬+4.5個月 09/08 01:41
→ popcool: 薪水頂多就6個月薪，買7.5個月的時間+學習紮實度，我認 09/08 01:41
→ popcool: 為值得，算了講再多也有人看不懂還硬要酸 09/08 01:41
推 popcool: 再用另一個算法，上課時數抓300小時好了，自學能力強時 09/08 02:00
→ popcool: 數打6折抓180小時，每天很認真下班學2小時=90天=三個月， 09/08 02:00
→ popcool: 然後找工作的時候跟老闆說我每天下班自學持續三個月，跟 09/08 02:00
→ popcool: 我全職受訓4.5個月哪個比較有說服力?看作品嗎，不管哪種 09/08 02:00
→ popcool: 學習方式我是都不相信junior能寫出多屌的作品啦 09/08 02:00
→ beaprayguy: 喔 資策會好棒棒，拍謝 我第一關刷履歷上寫資策會， 09/08 07:33
→ beaprayguy: 我補習班。你去看業界多少人刷掉，還是你面試不夠多？ 09/08 07:33
→ beaprayguy: 去社群不夠久？沒和其他公司人聊天，他們需要的工程師 09/08 07:33
→ beaprayguy: 特質是什麼 09/08 07:33
→ beaprayguy: 我需要一個填鴨式教育的工程師嗎？資策會方式適合啟發 09/08 07:34
→ beaprayguy: 學生思考？ 09/08 07:34
→ beaprayguy: 正確答案填進去，遇到變化題就死掉解不出來 09/08 07:35
推 popcool: 照你的說法是否適合當軟體工程很大是取決於個人特質，這 09/08 08:46
→ popcool: 我認同然後我發現我們的看法並不牴觸，只是根本在說的是 09/08 08:46
→ popcool: 兩件事情。並不是說資策會多棒棒，上課或自學版上討論過 09/08 08:46
→ popcool: 太多，我只是提供依我的學經歷選擇去上稞的原因跟分析方 09/08 08:46
→ popcool: 式，你要質疑我是不是112或在講幹話隨便你吧，我懶的再回 09/08 08:46
→ popcool: 了 09/08 08:46
推 Morphee: 112隨便都撈的到公司吧 邊賺邊練功才是最佳解，還是現在 09/08 13:40
→ Morphee: 少子化影響太大了？ 09/08 13:40
推 Morphee: 資策會上到後來也是老師key code 學生照key 沒有哪麼神 09/08 13:42
→ Morphee: 啦 09/08 13:42
→ Morphee: 買本大陸書裡面一堆 sample code 09/08 13:42
→ seaf: 該講一個資策會收錢霸凌學生跟結業後只有三人有工作的故事？ 09/08 16:57
→ seaf: 目前國外很多線上課程都有開資料分析的課，比資策會有用 09/08 16:59
※ 編輯: agiwar (182.235.182.56), 09/10/2017 12:36:48→ Argos: 我倒覺得這跟資策會沒啥關係 資策會可能收20個人只有3人成 09/10 15:19
→ Argos: 功找到工作 會去看線上課程大概100才出1個能找工作的吧 09/10 15:19
→ Argos: 重點是 不是走什麼途徑 是自己有沒有心啊 09/10 15:20
→ pieya: 說是「選擇更好」感覺滿奇怪的…不過我想就是你理解的那樣 09/10 15:59
推 Hornet7: Coursera還是Edx的修課完成率記得好像才5%~10% 09/11 21:59
→ Hornet7: 由此可窺見有多少人有足夠心力學習一項新技能 09/11 22:01
→ Hornet7: 資策會\補習班那麼貴，花大錢了再放棄多可惜 09/11 22:02
→ Hornet7: 其他線上課程像是Udemy，大部分都水水水，隔靴搔癢教個 09/11 22:06
→ Hornet7: 皮毛一兩個小時沒作業沒考試也算修過課還有證書 超級水 09/11 22:06
→ Hornet7: 這種線上課修了很難找工作一點都不意外 09/11 22:07
→ Hornet7: 不過聽說有人去抄Udemy裡的範例 建個音樂平台就拿高薪惹 09/11 22:09
→ Hornet7: 沒踮踮自己斤兩前別跟風學什麼很炫的AI,ML,大部分都找不 09/11 22:11
→ Hornet7: 到對應的工作啦，找到工作進到公司有機會去用再去研究 09/11 22:13
→ ZhuBeiCity: 某f觀念真誇張..什麼叫112-114不到gg浪費？ 09/14 23:39