前言

難得在公司有蠻完整的機器學習跟資料分析團隊，也有相對完整的資源跟 pipeline，趁著這個機會一邊學習資料科學的知識，如果有不懂的地方也可以直接跟同事們請教。資料科學的範圍很廣，目前也沒有一個明確的方向，就邊學邊看可以迸出什麼火花吧，斜槓斜起來！

規劃

• 把大學統計課遺失的拼圖拼回來（2 weeks）

  • 分布跟各種檢定方法
  • R: 在複習的過程中一邊學

• 複習線性代數（3 weeks）

  • 全部忘光光了

• 複習吳恩達的機器學習課程（1 week）

  • 這個課在我上的時候是用 Octaves，但概念應該是相通的

• CourseraDeep Learning Specialization（6 weeks）

• 把之前買的資料科學書看完（3 weeks）

• 跟著fast.ai的進度走然後一邊啃論文

  • 之前看完了 1 ~ 4 但全忘光。

• 資料工程

  • Airflow
  • Kafka
  • 私心想學這兩個

應該差不多這樣就可以花上 100 天了，可能再找一些資料分析相關的課來上吧，現在感覺都是機器學習和 Deep Learning 居多。總之先把現在想到的記錄在這裡以防忘記。

目標

主要是想看看前端跟資料科學有什麼好玩的東西，像是跟 ml.js 或是 tensorflow.js 整合感覺都很好玩。

另外就是自己有些想法都是需要資料科學的輔助，所以趁現在比較有時間把這方面的知識補一補。之前學的時候筆記散佈在各地，現在幾乎找不到，然後也忘了一大半，這次會好好記錄在部落格上。