提供數據與接收數據的後端工具－初探Node.js與RESTful API

　　能心平氣和的工作，應該是職場上最基本的需求之一吧！前一陣子在不適合自己的職場環境待了三個月，在試用期的最後一週提出離職，卻也發現原來自己多麼不喜歡那份工作：才三個月就讓人每天鬱鬱寡歡，知識技能也無成長，更領著感到「雞肋」的薪資，以及天天忍受塞車通勤的鬱悶。離職之後反而過得充實，一邊求職一邊充電，要更謹慎地做出職涯規劃。

　　轉職，真的是段讓人感到焦慮的過程，但是藉由觀察求職市場上的職缺，我們可以更清楚地了解資訊工作的趨勢為何。由於自己是資料科學相關背景的資訊學習者，因此求職初期，以「資料分析師」與「資料工程師」作為目標，然而透過每日檢視人力銀行的職缺配對信，我發現了「後端」、「DevOps」、「SRE」相關的工作反而會主動找上門，而且這些職缺與數據工作都有或多或少的關係，因此此篇學習筆記，我將整理這段求職期，自學Node.js實作RESTful API的相關內容。

　　當工作中需要收集資料時，API往往是我們重要的幫手，例如我之前寫的文章「News API新聞擷取的好幫手 - 使用Python」；但是大家有沒有想過，自己也會碰到需要提供他人資料的狀況，這種時候我們就需要有實作API的概念囉！但是為何在資料科學領域，甚至是前陣子我參加的「巨量資料分析就業養成班(BDSE)」，都沒有API相關的課程教學呢？主要原因是實作API的過程，屬於後端與資料庫的領域，這次我所學習的Node.js，是使用JavaScript而非過往用習慣的Python，因此多數資料科學學習者應該沒接觸過這部分。

　　目前我的部落格沒有JavaScript的基礎教學，事實上我的JavaScript能力也是前陣子在BDSE課程才建立的，加上ECMAScript近來每年都釋出新的撰寫規範，有鑑於更新相當快速，因此我也暫不打算將JavaScript的基礎寫法重新整理為網誌文章。

　　為了快速養成求職需要的資訊技能，我讀了@andy6804tw的「從無到有，打造一個漂亮乾淨俐落的 RESTful API」並將其內容整理如下，這系列文章淺顯易懂地列舉了眾多好用的套件，並給出了簡單的實作範例，還包含簡單的JavaScript基礎教學，但是我在修Bug(原因為這是2017年的文章，部分套件已更換撰寫方式)的時候，發現這系列文章關於RESTful API的程式碼已無法執行，故另外找了腳印哥的「Node.js RESTful Web API 範例 for MySQL」這篇文章繼續研讀實作，才終於實驗成功。

　　程式碼的部分是兩位原作者撰寫、整理的，我僅做整理微調，是站在巨人的肩膀才得以完成Node.js與RESTful API的初探，若大家想要將範例的MySQL/ Maria DB改成其它資料庫如PostgreSQL等，就得再額外花時間研究相應資料庫套件的用法囉。

SQL商業資料分析術學習筆記

　　有鑑於工作上的需求，閱讀這本由加嵜長門、田宮直人著作，朱浚賢翻譯的《SQL商業資料分析術》，除了因應系統管理員的職務所需，更因應自己對於資料科學的學習需求，閱讀之後個人認為這本書並不是針對初學者所設計，而是一本針對不同資料庫所彙總的大百科，書裡面針對同一種查詢需求，分別列出在PostgreSQL、Apache Hive、Amazon Redshift、Google BigQuery、SparkSQL資料庫系統上面，應該如何撰寫語法。

　　恰巧適逢自己轉職的需求，需要熟悉PostgreSQL資料庫系統，故本學習筆記僅記錄PostgreSQL的語法，並僅收錄「第三章：使用SQL整理數據」以及「第四章：營收狀態相關數據的彙總、分析」的說明範例，其餘後續章節探討的議題如使用者行為、網站指標、精確度、進階數據活用術等，則因其聚焦於某特定需求，加上鮮少使用新的語法，故決定不整理、不收錄至此筆記，俟未來有使用需求，才會再重新借閱、閱讀此書。

不懂程式也能學會的大數據分析術學習筆記

　　如同書名，這本由黃柏崴、李童宇所著作的《不懂程式也能學會的大數據分析術》，非常適合沒有任何資料科學背景或經驗的朋友來閱讀，而即便是有經驗的朋友，也能夠透過這本書的分析思維，全盤檢視以往進行資料分析時，是否能針對專案問題，設計出良好的商業目標與資料分析目標，並在專案反覆蒐集資料與調整目標、調整模型的最後，做出適當的評估與說明。

　　擔任研究助理的工作當中，接觸與使用過Tableau以及PolyAnalyst，儘管這些商業套裝軟體不需要使用者有編程的經驗，但是若沒有資料分析的知識與經驗，一般人依舊無法單純透過玩玩看、按按看的方法來了解這些軟體的操作方式與運作精隨，此外這些軟體通常價格不斐，不是一般家庭可以負擔的，因此適用性與普及性還不夠好，所以還是建議使用Python按部就班來學習資料分析較恰當。

　　儘管商業套裝軟體有上述的缺點，但是以資料分析流程的整體性來說，我們能夠透過軟體中視覺化的流程圖，以及可任意調整的資料探索方式，來做更完善的分析，這方面是使用Python自己來編寫程式無法做到的，因此多數的商業套裝軟體皆支援程式語言操作的方式，來讓自己的軟體更有彈性操作空間。

　　本書使用的是擁有免費開放原始碼版本的RapidMiner，沒有限制使用日期，唯有在資料量大、特殊分析需求等情形時，才需要付費升級軟體的功能，這方面對於學習者而言是一大福音，但是學習RapidMiner與學習其它商業套裝軟體相同，軟體中許多的工具與參數設定，仍需要花費大量時間查閱說明文件與實際試驗，以及需要補足資料分析相關知識才比較容易上手。

Access 2016資料庫系統概論與實務學習筆記

　　雖然目前的工作內容包含系統管理員的工作，但是自己對於資料庫相關技術與知識並非因此充足，有鑑於目前的自己僅會使用簡單的SQL語法與Python的Pandas套件，決定先從Microsoft Office系列的Access著手，以初學者的姿態學習最簡單好用的資料庫工具。這本由王仲麒著作的《Access 2016資料庫系統概論與實務》，會是一本很好的入門書，可以讓讀者掌握好Access的功能架構，並透過範例的說明來學習資料庫系統的規劃。

自製基本的文章分類程式 - 使用Python

　　在版主的現職工作中，文章分類的需求越來越高，且索取分類資訊的頻率越來越頻繁，因此必須從以往仰賴特定領域專業人士進行分類，轉變為使用機器學習技術替人們做預先分類的工作，如此一來可以降低人工分類的負擔、改善人工分類準則的不穩定性，且大幅縮減分類所需的時間與金錢成本。

　　本篇文章接續〈自製直覺的文章分類程式- 使用Python〉這篇文章的精神，將原本使用集合(Set)進行分類的邏輯大幅強化，改為使用基本的機器學習演算法進行實作，並降低對迴圈的依賴，以提升程式的效率、可讀性，與可維護性，並期許版主自己能夠繼續提升使用這些程式工具的純熟程度。

Python資料科學學習手冊學習筆記 (5) Scikit-Learn - 非監督式學習相關演算法

　　不同於先前介紹NumPy、Pandas與Matplotlib等套件時較為混亂的編排，這本由Jake VanderPlas著作，何敏煌譯著的《Python資料科學學習手冊》(Python Data Science Handbook: Essential Tools for Working with Data)，在引領讀者探索機器學習領域時，使用口語化、系統化的方式進行說明，如果您對機器學習沒有基礎概念，可以考慮從本書讀起，但是先決條件是必須先熟悉NumPy、Pandas與Matplotlib等套件。

　　本書的機器學習篇幅全數在第五章，以Scikit-Learn套件實作並介紹：一、機器學習基本術語和概念；二、常見演算法的原理；三、透過各式應用範例，討論如何選擇使用不同的演算法，與各式功能的調整、判斷。讀完此章節之後，對於簡單的資料集，應該有基本的判斷與處理能力，但對於現實應用，則仍有更多的問題有待解決，需要精進技能並結合更多工具才行。

　　距離上一次張貼資料科學相關網誌已有好幾個月的時間，除了本人生活忙碌，更主要的原因是機器學習對於非資訊、統計相關背景的人來說，是一門不容易駕馭的知識技術，面對如此陡峭的學習曲線，需要投資不少時間與心力理解其中的繁瑣細節，不過所幸本書對於機器學習章節的編排，讓我於研讀的過程，有如初學Python程式語言一般，能夠循序漸進地駕馭這門學問。

Python資料科學學習手冊學習筆記 (4) Scikit-Learn - 監督式學習相關演算法

　　不同於先前介紹NumPy、Pandas與Matplotlib等套件時較為混亂的編排，這本由Jake VanderPlas著作，何敏煌譯著的《Python資料科學學習手冊》(Python Data Science Handbook: Essential Tools for Working with Data)，在引領讀者探索機器學習領域時，使用口語化、系統化的方式進行說明，如果您對機器學習沒有基礎概念，可以考慮從本書讀起，但是先決條件是必須先熟悉NumPy、Pandas與Matplotlib等套件。

　　本書的機器學習篇幅全數在第五章，以Scikit-Learn套件實作並介紹：一、機器學習基本術語和概念；二、常見演算法的原理；三、透過各式應用範例，討論如何選擇使用不同的演算法，與各式功能的調整、判斷。讀完此章節之後，對於簡單的資料集，應該有基本的判斷與處理能力，但對於現實應用，則仍有更多的問題有待解決，需要精進技能並結合更多工具才行。

　　距離上一次張貼資料科學相關網誌已有好幾個月的時間，除了本人生活忙碌，更主要的原因是機器學習對於非資訊、統計相關背景的人來說，是一門不容易駕馭的知識技術，面對如此陡峭的學習曲線，需要投資不少時間與心力理解其中的繁瑣細節，不過所幸本書對於機器學習章節的編排，讓我於研讀的過程，有如初學Python程式語言一般，能夠循序漸進地駕馭這門學問。

Python資料科學學習手冊學習筆記 (3) Scikit-Learn - 基礎操作概念

　　不同於先前介紹NumPy、Pandas與Matplotlib等套件時較為混亂的編排，這本由Jake VanderPlas著作，何敏煌譯著的《Python資料科學學習手冊》(Python Data Science Handbook: Essential Tools for Working with Data)，在引領讀者探索機器學習領域時，使用口語化、系統化的方式進行說明，如果您對機器學習沒有基礎概念，可以考慮從本書讀起，但是先決條件是必須先熟悉NumPy、Pandas與Matplotlib等套件。

　　本書的機器學習篇幅全數在第五章，以Scikit-Learn套件實作並介紹：一、機器學習基本術語和概念；二、常見演算法的原理；三、透過各式應用範例，討論如何選擇使用不同的演算法，與各式功能的調整、判斷。讀完此章節之後，對於簡單的資料集，應該有基本的判斷與處理能力，但對於現實應用，則仍有更多的問題有待解決，需要精進技能並結合更多工具才行。

　　距離上一次張貼資料科學相關網誌已有好幾個月的時間，除了本人生活忙碌，更主要的原因是機器學習對於非資訊、統計相關背景的人來說，是一門不容易駕馭的知識技術，面對如此陡峭的學習曲線，需要投資不少時間與心力理解其中的繁瑣細節，不過所幸本書對於機器學習章節的編排，讓我於研讀的過程，有如初學Python程式語言一般，能夠循序漸進地駕馭這門學問。

Python資料科學學習手冊學習筆記 (2) Matplotlib

　　學習了這麼多基礎的Python語言操作，並且學會了基礎的網路擷取技術，但是直到開始閱讀這本書之前，都不算步入資料科學的領域，而是徘徊於基礎的程式語言世界而已，不過儘管如此，應用基礎程式語言替我們帶來的電腦自動化操作，已確實為我們擺脫無聊工作的枷鎖。

　　工作上或生活中，難免需要處理多欄位表格資料的清理、篩選、串接、合併、聚合等資訊方面的操作，進而繪製圖表以利掌握數據的整體樣貌，而部落格版主我亦於工作上碰到這方面的問題：使用傳統的程式迴圈雖然也能解決資料處理的問題，但隨著大數據時代的來臨，傳統的程式迴圈顯得極度缺乏效率，版主我曾寫了簡單的三層迴圈以處理工作上臨時性的資料需求，僅僅八千餘筆的資料卻讓該三層迴圈跑了約五分鐘之久才產出結果，萬一程式運作過程出現任何問題，豈不是要重新再耗費一段五分鐘時間？更不用說處理數萬筆、數十萬筆，甚至是真正的大數據時，將耗費極大的時間與運算資源。

　　資料科學正是因應大數據與機器學習的崛起，而不斷發光發熱的一門顯學，這本由Jake VanderPlas著作，何敏煌譯著的《Python資料科學學習手冊》(Python Data Science Handbook: Essential Tools for Working with Data)，是入門資料科學的良好讀物，作者詳盡說明了NumPy、Pandas、Matplotlib與Scikit-Learn四大資料科學相關之Python套件的操作方法，並透過各式範例展現這些套件工具的靈活應用性與高效率運算能力。

　　本書適合已擁有基礎Python能力的人閱讀，且閱讀本書時可能需要自行整理本書重點，因為本書將各套件功能詳盡說明，編排時不免顯得些許混雜，若沒有自行梳理程式邏輯的習慣，閱讀起來可能會覺得混亂，而難以駕馭本書所介紹的各項功能強大且好用的程式工具。

Python資料科學學習手冊學習筆記 (1) NumPy & Pandas

　　學習了這麼多基礎的Python語言操作，並且學會了基礎的網路擷取技術，但是直到開始閱讀這本書之前，都不算步入資料科學的領域，而是徘徊於基礎的程式語言世界而已，不過儘管如此，應用基礎程式語言替我們帶來的電腦自動化操作，已確實為我們擺脫無聊工作的枷鎖。

　　工作上或生活中，難免需要處理多欄位表格資料的清理、篩選、串接、合併、聚合等資訊方面的操作，進而繪製圖表以利掌握數據的整體樣貌，而部落格版主我亦於工作上碰到這方面的問題：使用傳統的程式迴圈雖然也能解決資料處理的問題，但隨著大數據時代的來臨，傳統的程式迴圈顯得極度缺乏效率，版主我曾寫了簡單的三層迴圈以處理工作上臨時性的資料需求，僅僅八千餘筆的資料卻讓該三層迴圈跑了約五分鐘之久才產出結果，萬一程式運作過程出現任何問題，豈不是要重新再耗費一段五分鐘時間？更不用說處理數萬筆、數十萬筆，甚至是真正的大數據時，將耗費極大的時間與運算資源。

　　資料科學正是因應大數據與機器學習的崛起，而不斷發光發熱的一門顯學，這本由Jake VanderPlas著作，何敏煌譯著的《Python資料科學學習手冊》(Python Data Science Handbook: Essential Tools for Working with Data)，是入門資料科學的良好讀物，作者詳盡說明了NumPy、Pandas、Matplotlib與Scikit-Learn四大資料科學相關之Python套件的操作方法，並透過各式範例展現這些套件工具的靈活應用性與高效率運算能力。

　　本書適合已擁有基礎Python能力的人閱讀，且閱讀本書時可能需要自行整理本書重點，因為本書將各套件功能詳盡說明，編排時不免顯得些許混雜，若沒有自行梳理程式邏輯的習慣，閱讀起來可能會覺得混亂，而難以駕馭本書所介紹的各項功能強大且好用的程式工具。

Deep Learning－用Python進行深度學習的基礎理論實作學習筆記

　　這本由斎藤康毅著作，吳嘉芳翻譯的深度學習書，是為了湊齊購書免運而額外購買的。個人認為這本書不適合一般人閱讀，除了需要有Python語言的基礎知識，也需要有高中數學的能力（需要用到矩陣運算、微分等技巧，相信很多人的高中數學已經全部還給老師了），否則讀起來將會非常吃力；但若您是資訊工程師，或是擁有基本Python語言與高中數學概念的一般人士，皆會因為這本書，徹底了解深度學習，儘管本書以Python語言實作的內容皆為積木般的小規模試驗，難以大規模應用，但藉由這類組裝積木的過程，相當有助於我們了解深度學習技術的內涵，值得推薦。

自製直覺的文章分類程式 - 使用Python

　　擔任研究助理的工作當中，主要任務之一是對資料庫資料進行撈取與分類，撈取的過程就是單純地以關鍵字進行搜尋，然而分類的過程就不容易了，必須自行設定合理的分類架構與分類說明，並實際將這些已撈取的資料分類，若該筆資料可同時歸類在不同類別，亦可重複分類。

　　資料分類的過程極其耗時費力又無意義，但是似乎又難以將這樣重複單調的任務標準化、程式化，於是只好先硬著頭皮以人工進行資料分類，觀察以人工分類時可以歸納出怎樣的分類邏輯。這些資料為中文的文章，包含年分、標題、關鍵詞、摘要等眾多欄位，起初分類時，會依自己的經驗，閱讀所有欄位後判斷資料性質再進行分類，但是這樣的做法耗時費力，分類準則變得更加主觀，又容易隨著自己「心中的那把尺」改變而影響分類結果，因此在分類的過程中自己也掙扎了許久。

　　其實若要做到非主觀的分類，最後還是得回到「關鍵字」，例如專題主題為「雲端運算」，分類架構包含「財稅」、「警政」、「教育」、「交通」等類別，我們在閱讀資料文章的時候，只要看到「車載」這個關鍵字，就幾乎可以不加思索地將該筆資料歸類在「交通」類別，而只要看到「治安」這個關鍵字，也幾乎可以直接將該筆資料歸類在「警政」類別，因此我們可以發現，資料分類的任務是有跡可循的，我們能夠將之自動化。

　　一般來說，文章分類程式會以機器學習、支援向量機(Support Vector Machine, SVM)等方式來製作，因為諸如「車載」、「治安」這類關鍵字不勝枚舉，難以全盤掌握，直接讓程式以機率統計的方式來處理比較好。

News API新聞擷取的好幫手 - 使用Python

　　工作上被指派為某些特定的專案（如巨量資料、雲端運算等）收集相關新聞，並更新至公司的網頁系統平台上，然而查找新聞的任務是一件極其耗時費力又無太大意義的工作，因此決定使用Python網站擷取的技術，讓機器人來幫我們收集、整理資料成Excel檔，屆時只要按個按鈕，將Excel檔批次上傳即可；然而當我們實際爬取網頁資料時，才發現各式資料被套疊的格式不一致、資料被層層保護與變造，以及JavaScript與網頁跳轉等的問題，幾乎要逼迫我們放棄使用程式技術來幫我們完成工作，接受土法煉鋼地以人工方式一筆一筆查找新聞資料。

　　往往在遇到困難的時候，換個思考方向即可找到更好的解決方案，因此不要埋頭苦幹完成任務，畢竟自己沒有好的編程能力，沒有必要硬是使用目前僅有的技術而顯得黔驢技窮。

　　當網站擷取變得越來越困難，專業化的應用服務也會越來越興盛，尤其是新聞擷取這種常見的資訊需求，一定也有API等整理好的資源可以使用，因此我找到了News API，可以完美地幫我們完成收集新聞的任務。News API本身也是透過網站擷取來收集新聞，目前已收集超過30000個出處、54個國家，我們可以查看新聞出處，了解News API已將所有新聞爬得又深又廣，亦不會胡亂擷取內容真實性有疑慮的八卦小報新聞。

網站擷取－使用Python學習筆記 (2) 進階Scraping

　　我給予《網站擷取－使用Python》(Web Scraping With Python: Collecting More Data from the Modern Web)這本書極高的評價，這本由Ryan Mitchell著作的書籍將「網站擷取」這件事做了全面又淺顯易懂的解釋，從應對各種網站環境的爬蟲技巧，到法律上可能碰到的問題，本書作者給了簡單清楚的原型作法與案例說明，讓您可以擁有良好的網站擷取概觀。

　　本書於2018年再推出第二版書籍，將第一版書籍過時的程式碼更新，並添加新的章節，然而本學習筆記僅為第一版書籍的內容，詳細資訊可參考本書作者的GitHub。

　　資訊領域的發展一日千里，網站擷取這門技術可以說是走在技術最前端，無論是資料保護、偵測機器人Bot、維護伺服器Server資源，還是各種巧取資料的特殊技巧，彼此是競爭的關係，每分每秒總是有人在嘗試各種手段進行資料收集與被收集的攻防戰，因此這些技術極容易過時，儘管如此，本書作者提供了許多良好的編程與解決問題的觀念與想法，能夠讓我們在技術快速更迭之下，有所依循。

　　本書建議有基礎Python能力的朋友閱讀，而我是在閱讀《Python自動化的樂趣－搞定重複瑣碎&單調無聊的工作》(Automate the Boring Stuff with Python: Practical Programming for Total Beginners)這本由Al Sweigart著作的書籍之後，發覺這兩本書的內容可以順利銜接，在《Python自動化的樂趣》一書介紹的多數套件模組，在《網站擷取》一書中也都將繼續使用。

網站擷取－使用Python學習筆記 (1) 建構Scraper

　　我給予《網站擷取－使用Python》(Web Scraping With Python: Collecting More Data from the Modern Web)這本書極高的評價，這本由Ryan Mitchell著作的書籍將「網站擷取」這件事做了全面又淺顯易懂的解釋，從應對各種網站環境的爬蟲技巧，到法律上可能碰到的問題，本書作者給了簡單清楚的原型作法與案例說明，讓您可以擁有良好的網站擷取概觀。

　　本書於2018年再推出第二版書籍，將第一版書籍過時的程式碼更新，並添加新的章節，然而本學習筆記僅為第一版書籍的內容，詳細資訊可參考本書作者的GitHub。

　　資訊領域的發展一日千里，網站擷取這門技術可以說是走在技術最前端，無論是資料保護、偵測機器人Bot、維護伺服器Server資源，還是各種巧取資料的特殊技巧，彼此是競爭的關係，每分每秒總是有人在嘗試各種手段進行資料收集與被收集的攻防戰，因此這些技術極容易過時，儘管如此，本書作者提供了許多良好的編程與解決問題的觀念與想法，能夠讓我們在技術快速更迭之下，有所依循。

　　本書建議有基礎Python能力的朋友閱讀，而我是在閱讀《Python自動化的樂趣－搞定重複瑣碎&單調無聊的工作》(Automate the Boring Stuff with Python: Practical Programming for Total Beginners)這本由Al Sweigart著作的書籍之後，發覺這兩本書的內容可以順利銜接，在《Python自動化的樂趣》一書介紹的多數套件模組，在《網站擷取》一書中也都將繼續使用。

從第一份工作初次接觸資料科學 之後...

　　我的第一份工作從事研究助理，除了偶爾有自己管理的資訊平台事務需要處理，其餘多數的工作內容盡是些單調、無聊、制式化、無發展性的交辦事項，在偶然接觸Python之後，閱讀由Al Sweigart著的《Python自動化的樂趣－搞定重複瑣碎&單調無聊的工作》，這本書告訴我，原來上級指派給我的交辦事項，多數是可以透過簡單的程式，快速且精準地完成工作內容，而我也實際透過撰寫簡單的程式語言，幫自己節省了數個月的工作時間，從此以後，我再也不相信「工作埋頭苦幹，贏得上司青睞」的那套想法。

　　這裡我想要再次呼應我在〈網誌序〉提到的重點－「知道」本身的巨大力量。已經知道程式語言的人，無法揣摩不知道程式語言者，是如何看待學習與應用程式語言這件事。對於初學者而言，可能因為撰寫程式的成就而帶來自信，可能因為資訊領域的浩瀚而帶來恐慌，可能因為學習過程的障礙而選擇退出，也可能因為漫長的學習過程而陷入迷思；但對於資訊專業人員與相關科系出身的人們而言，身處在程式資訊的生態系中，早已「知道」怎麼接觸、學習與應用新技術，進而替自己樹立更高的專業門檻。

Python與R講座筆記

　　本篇網誌為筆者參加Python與R相關講座時記錄的講座筆記資料，用以協助自己了解資料科學相關技術與職涯發展契機。

　　終身學習總是必要的，尤其是當生活與工作處於重建期的時候，更應該自我充實，讓自己未來的生活與工作能變得更好；由於工作的緣故而接觸資料科學，了解資料科學是一門綜合統計、資訊與專業領域知識的學科，對於大學畢業於科技應用與人力資源發展學系，研究所畢業於企業管理學系碩士班的我而言，會進入資料科學領域，也只是為了以聰明、自動化的方法，處理一些瑣碎、無聊、無意義的工作任務，過去的學科背景並未讓我在學習資料技術上帶來任何優勢；有鑑於目前正在改造生活，經過長考之後，決心也對工作進行改造，讓現在的自己徹底進入生活與工作的重建期。

　　Python與R是進入資料科學領域的基本程式技能，也是對初學者極為友善的程式語言，儘管如此，沒有知識、技能與人脈，從零開始，是段艱辛與漫長的旅途，在獲得專業職涯教練的建議，並深思《100歲的人生戰略》與《做自己的生命設計師》這兩本書帶來的啟示之後，才鼓起勇氣從頭打造符合自己人生觀與工作觀的實作技能，替未來的職涯發展奠定基礎。

從第一份工作初次接觸資料科學

　　身為一名國立名校企管碩士(MBA)，畢業、役畢後選擇的第一份工作卻是定期契約工作，以追求工作挑戰、薪資的企管碩士文化來說，這個選擇是下下之策，然而考量現階段自己沒錢（缺乏有形資產）、沒專業技能（缺乏生產資產）、沒健康身體（缺乏活力資產），以及沒社會人脈（缺乏轉型資產）等「四缺」情形，似乎只能接受這份薪水尚可，唯一好處是工時標準、穩定，每日或多或少有可支配時間的工作。

　　由於上述「四缺」，只能透過這份定期契約工作，保留「時間」規劃並重建生活，而重建生活是一條漫長又不確定的過程，各方面的調整都必須接受無數挫敗的考驗，因此繼有形資產、活力資產之後，提出現階段重建生產資產的重要方針：從零開始，學習資料科學相關技能。

　　因為工作的緣故，初次接觸資料科學並學習相關技能，對於非資訊、工程相關背景的我而言，需要大量資源、消息來認識這個領域，下列網站、社群與課程連結是我整理出來，學習資料科學相關技能時重要的參考資料，這些資訊會不定時整理更新，其中課程或書籍等學習資源多數需要付費。

網站

1.      台灣資料科學協會

2.      g0v零時政府

3.      DSP智庫驅動

4.      BIG DATA IN FINANCE 大數據財金研究網站

5.      中山管院：商業數據大平台

社群

1.      台灣資料科學同好交流區

2.      資料科學好好玩

3.      104玩數據

課程

1.      台灣資料科學協會

2.      資策會 數位教育研究所 國際人才發展中心

3.      資策會 數位學習平台

4.      TibaMe

5.      台灣人工智慧學校

工具

1.      Ideone.com - Online Compiler and IDE

2.      Project Jupyter