Google Data Analytics是Google在Coursera雲端教學平台上開設的網路課程，這堂課跟其他 Google 課程一樣，標榜不用任何相關經驗就可以完成，官方建議一週上課 10 小時，6 個月可以上完。完成後可以拿到 Google Data Analytics Certification 證書。

我们需要促进深度思考。对此，我们需要什么样的知识管理系统？我们又如何构建适合自己的工作流？目前的个人知识管理工具又存在什么问题？

2022年2月7日，農曆年後第一個上班日，我結算了第7次的活動成效，結果A組的投資報酬率(ROI)遙遙領先17%！當進一步計算增加的毛利額時，我再次驚訝的發現，這個金額已經超過我年薪的15倍，而這個檔期的時間僅僅8天！爾後的幾次活動，A組的ROI穩定領先20-35%，即使是規模較…

對於資料科學家和數據分析師來說，雖然他們也寫程式，但他們寫程式的習慣和一般認知的工程師不太相同，甚至有些人對於寫code的背景知識明顯不足。或許你會說，「因為現在很多做數據分析的都不是本科系，理論知識當然不會那麼紮實」，我認同這是個可能的原因，但我也認為這不能當成藉口，一個專業工作者本來就應該補足自身的不足。

由於資料科學家與數據分析部門出現的時間還不長，大家的認知仍有差異，或因為每間公司核心價價、管理哲學不同，導致數據團隊可能會以各種型式存在，常見的型式有三種：獨立部門、隸屬IT（Information Technology，資訊部門）或RD（Research & Development，軟體開發）、隸屬需求方部門。

雖然數據分析師是新職位，但數據分析或是資料分析的概念一點都不新。公司裡面行之有年的職位，不管是行銷、業務、採購、倉管，每個職位都需要數據，也都需要分析。隨著大數據、資料科學、機器學習、AI等酷炫的新名詞、新技術與新應用出現，所需的知識與技能多到員工爆肝也學不完。

站在 Neural Network 的角度看世界！

深度學習的第一步：Perceptron

資料科學的浪潮更將資料科學工作者推到第一線，許多產業都能看到「資料」的影子與可能性。但是對資料科學職涯有興趣的人，該怎麼知道「哪裡有適合自己的位置」並「據以規劃自己的資料科學職涯」呢？由於資料科學需求時常是個很龐大的任務，實際上會需要一個團隊來實現。

極簡；重點

當第三方追蹤碼被淘汰，零售品牌因應網路廣告的巨變，要透過CDP掌握自己的數據，並串連DMP來提升廣告成效。網路廣告運作的基礎靠數據，而CDP是DMP是數位行銷重要的數據基石。

想學習 TensorFlow 嗎？不如從 Tensor 開始吧！

想學習 TensorFlow 嗎？不如從 Tensor 開始吧！

花十分鐘搞懂「條件機率」與「聯合機率」的差別！

前言 概述本篇為機器學習觀念入門的最後一篇文章。在前幾篇文章中，我們介紹了機器學習的五步驟 (定義問題、建立資料集、模型訓練、模型評估與模型推論)，並說明如何應用在「房價預測」(監督式學習) 與「探索書籍風格」(非監督式學習) 的問題上。

前言 概述本篇為機器學習觀念入門的第 9 篇文章。在前一篇文中，我們說明如何透過機器學習五步驟 (定義問題、建立資料集、模型訓練、模型評估與模型推論) 解決「房價預測」的問題。房價預測屬於監督式學習 (Supervised Learning)，在本篇文章中將會以「探索...

前言 概述本篇為機器學習觀念入門的第 8 篇文章。在前五篇文章中，我們依序了解機器學習五步驟 : 定義問題、建立資料集、模型訓練、模型評估與模型推論。在本篇文章中，將會重新應用這五步驟來解決「房價預測」的問題。房價預測經常作為理解機器學習原理的例子，如果你已經具備機器...

前言 概述本篇為機器學習入門觀念的第六篇文章。在「使用機器學習解決問題的五步驟 : 模型訓練」一文中，我們介紹了模型訓練的觀念，並提到常見的模型種類。當模型完成訓練後，我們就可以來評估模型的好壞，也就是看看模型的訓練成果如何，我們稱之為「模型評估」(Model Evaluation)。

前言 概述本篇為機器學習入門觀念的第五篇文章。在前一篇文章中，我們介紹了「建立資料集」的概念與重要性。在本篇文章中，將會說明「模型訓練」的意義。資料集到模型訓練建立資料集後，我們通常會將資料集切成兩部分 : 訓練資料集 (Training Dataset) 與測試資料集 (Test Dataset)。

前言 概述本篇為機器學習入門觀念的第四篇文章。在前一篇文章中，我們了解到如果要使用機器學習解決問題，所經過的五個步驟。也說明了第一個步驟「定義問題」的意義。本篇文章中，我們將會學習第二步驟「建立資料集」的概念。建立資料集的意義「建立資料集」可以說是五個步驟中最重要的一...