→ fyc22122: Data scientist絕對很多都要兼你講的Data Analyst 尤其 09/21 01:47
→ fyc22122: 一些非lab跟非科技業的 09/21 01:47
→ fyc22122: 而且senior data scientist 很多也是要帶領團隊跟專案 09/21 01:49
推 BignoZe: 好文 推 09/21 02:10
推 backprog: 相當清楚推 09/21 02:15
推 fishstay: 好文推 09/21 02:34
推 Saaski: push 09/21 03:27
推 chocopie: 推 09/21 03:41
推 olycats: 本身做資料分析/資料工程各半 寫得不錯推推 09/21 03:55
推 rainingmoon: 好文推 09/21 03:58
→ DrTech: 這叫好文?。資料科學家真的被亂用了 09/21 07:58
→ DrTech: 不太需要跟業務打交道?那間公司阿 09/21 07:59
→ DrTech: 只搞技術怎麼做資料科學家呢 09/21 08:00
→ DrTech: 離開業務的資料科學,或建模怎麼做? 09/21 08:05
→ DrTech: 真正工作時,又有多少時間在寫程式或訓練模型呢? 09/21 08:10
→ Murasaki0110: 算了啦,這邊不是剛畢業就是只需要default model的 09/21 08:26
→ Murasaki0110: 公司 09/21 08:26
推 pk790127: 好文推推 09/21 08:31
推 vincentman: 還不錯的文,推一個 09/21 08:54
推 sxy67230: DS不只在台灣,在國外除非像google 這些巨頭公司,要不 09/21 08:56
→ sxy67230: 然其實做的工作一樣很雜,分析報告、研究新模型、甚至 09/21 08:56
→ sxy67230: 到後端架構、業務面向其實都會包到的。薪資差距也極高, 09/21 08:56
→ sxy67230: 強者就是越來越高,普通人就只能往另一邊靠攏。 09/21 08:56
推 sxy67230: 能進去巨頭的DS也是萬中選一的人才,當然挑戰也很高 09/21 08:58
→ SFMAndroid: 抱歉 DS的樣本只有2個 一個G一個MS 09/21 09:22
→ SFMAndroid: 我自己以前做DS也是全包 09/21 09:23
→ SFMAndroid: 所以我覺得很多公司的DS都不是DS 09/21 09:23
→ SFMAndroid: 所以後來就放棄DS了XDD 09/21 09:24
推 gbd37: 寫得不錯 某樓就別氣了 本來大家對DS的認知不一 09/21 09:54
推 loveu8: 推!!~ 09/21 10:26
推 b10130402C: 謝謝S大花時間回一篇文告訴我業界資料科學的狀況,真 09/21 10:58
→ b10130402C: 的很感謝你,含金量很高,可以幫助我們多了解DS這塊領 09/21 10:58
→ b10130402C: 域,我先把這篇收藏起來 09/21 10:58
→ b10130402C: 不過 Data analyst跟我想像差異最大,感覺被當作業務 09/21 11:00
→ b10130402C: 使用 09/21 11:00
→ Hsins: DA 很多缺是開給社科院的 09/21 11:32
推 PoloHuang: 受用了 09/21 11:34
推 mirror0227: 好文推 09/21 12:39
→ joejoe14758: 業界不一定是這樣啦 至少台灣和美國還是有落差的 09/21 12:40
推 zero11995: 推 09/21 12:44
推 judge1226: 推,雖然我覺得台灣真的是混用了QQ 09/21 13:52
推 cougarboy: 推 09/21 14:43
→ netburst: 切版應設計師切吧 09/21 15:06
→ netburst: 應該說介於前端工程<>設計師 09/21 15:06
→ wilson85771: 台灣純研究的 DS 缺真的太少了,不要過度美化 DS 工 09/21 15:35
→ wilson85771: 作 09/21 15:35
推 g5637128: 推,希望之後有空的話能再講講前/後/全端的部份 09/21 19:16
推 yupog2003: 推整理清楚 09/21 20:56
推 a2768387: 推推 09/21 20:59
推 pipisn1024: 超詳細 推推 09/21 22:18
推 Csongs: 是不是有重複啊@@ 09/22 12:34
→ Csongs: 但還是詳細給推 09/22 12:35
推 kuantingyu: 對於想踏進這領域的新手 很大的幫助 感謝 09/22 17:31
推 casd82: 感覺超多人想做DS 09/22 21:04
→ lukelove: 事實上看到的DS就是點不同技能的BE, leetcode刷一刷 09/23 00:10
→ lukelove: 問你尻過什麼套件, 怎麼建product, etc 09/23 00:10
→ lukelove: 由於最靠近產品, 動不動要你從頭追root cause追到尾 09/23 00:11
推 w60904max: 台灣很多DS就只是後端 call的API變sklearn或keras XD 09/23 01:22
推 ruokcnn: 在台灣掛DS的沒想像中那麼神 09/24 00:41
推 louner: 淚推把人累死那段 台灣就是丟一個問題 要你全包資料蒐集 09/24 12:30
→ louner: 清理 設計feature 跑model 開發部署跟維運 同時還要你做其 09/24 12:30
→ louner: 他backend的事 幹 09/24 12:31
推 sxy67230: 其實這反應了一個現象,業界經理人對DS領域的了解不夠深 09/24 18:39
→ sxy67230: 。光是看到演講某些企業經理人拿套件出來講講幹話就知道 09/24 18:39
→ sxy67230: 了。我還看過拿三個分類,3000筆數據的量來說自己效果屌 09/24 18:39
→ sxy67230: 打一條街的,還有一堆在吹噓的大概就知道程度在哪邊了。 09/24 18:39
→ sxy67230: 很多企業就是拿有深度學習的技術椪風,套套模板就說自己 09/24 18:39
→ sxy67230: 有技術的那種程度。 09/24 18:39
→ Hsins: 我也見過拿 SAS 跑一跑就說自己大數據,洋洋得意說只要匯入 09/25 09:23
→ Hsins: 資料就好的。 09/25 09:23
推 aaa12478: 收藏 09/27 10:50
推 pig22022: 主要還是看team的組成,根據某在台美商現況,DS除了trai 09/27 17:41
→ pig22022: n model和寫pipeline外,要跟pm和BE依照業務需求調整和 09/27 17:41
→ pig22022: 做系統整合。通常science team也不是人人做research,會 09/27 17:41
→ pig22022: 有部分的人處理BE和pipeline的整合。 09/27 17:41