#學習寫程式 #誰可以成為軟體工程師 #小吃貨轉職日記 #個人心歷路程
不知道是否還有人記得，很久以前我問了大家一個問題是，覺得什麼樣的人可以成為軟體工程師。
其實一直以來，我覺得只要會英文的人就可以學會寫程式，就可以成為軟體工程師。
為什麼會這麼覺得呢？
首先，就像是，你覺得誰學會使用電腦是一樣的道理。如果你在三十年前問大家這個問題，可能很多人會覺得，只有念相關科系的人可以學得會。
在我們還在DOS的時代，還在打指令的時代，那時只要會打字，就可以成為文書處理專業。沒錯，那個年代，文書處理是一個科系。
但現在，有誰會去大學念一個科系，只有學打字使用Microsoft Office系列。
當然，軟體工程師也並不是一個容易的職業，就像我之前提過的，這個職業也有很多利與弊，不是像外面形容的那樣，好像坐在電腦前面打打字就可以做的，或者像其他工作那樣，可能學了一技之長可以用很久，這個行業的一技之長，可能很快就過保鮮期了。
回到學習寫程式這件事情，在台灣聽很多人都說，「啊！寫程式就是要有天份啦！」「聰明的人啊！」也看過很多網路上的人在吵，資工vs 資管 vs 非本科系什麼之類的。
最近有朋友問我說，為什麼在台灣的時候學不會，可是來英國以後我就學會了，是因為來英國以後特別努力嗎？
其實你到現在問我學會了嗎？我也不會跟你說我什麼都會。但的確光是coding這點，我覺得在台灣學習跟來英國學習最大的差異還是在，學習的動力上面。
在台灣的時候，其實有點為了學而學，從來沒有思考過自己是否真的有興趣，有時候以為自己其實也滿有興趣的，因為那些東西以前沒有碰過，可是只要碰到一點瓶頸 ，就會開始退縮，覺得好煩喔！這些東西怎麼這麼難，只要上課聽不懂老師在說什麼，就會很不想繼續學。
在台灣除了去資工系修課以外，也有去台大資訊系統訓練班上過課，也有上過一些線上的課程。
幾乎都是同樣的感覺，甚至覺得，自己是不是年紀大了，感覺什麼都學不會，聽不懂，自己好像很笨。
來了英國以後，上課的第一天，老師說，我會用英語授課，而且不會為你們放慢速度，因為你們必須要去習慣。當時覺得自己更不可能聽懂，也不可能學會。
可是我們上課的狀況通常是，一天上課兩個小時，上完以後有兩個小時的實驗課，大家坐在電腦前，老師一個一個看你做的東西，從很小的東西開始學。
我覺得這個應該算是滿關鍵的，就是有沒有動手實作。然後不會的話老師也很耐心的教，此外老師還有另外的課後時間，只要我們有問題都可以去找他。
在實驗課的時候，中間只要卡住，老師也會盡量讓我們自己去思考，而不會直接告訴我們答案，例如會問我們，為什麼你想這麼做，這麼做的原因是什麼。
我記得很久以前在台灣的大學，問了老師一個問題，老師的答案是，你以後就會知道了。當下其實就讓人覺得有點反感，而且後續問老師很多問題，老師也是都這樣，這個以後就會學到了。
我自己算是一個滿會因為老師而喜歡一個科目或不喜歡一個科目的人。就像我小時候很討厭數學課，也是因為不喜歡數學老師。也不是真的不喜歡，就是有一種覺得，反正老師也不在乎我學不學的會，只在意那些學得好的人。
在台灣也聽過很多人說，啊要學會寫程式，數學就要先打好基礎，數學不好怎麼寫程式。可是真的成為工程師以後，在工作上根本沒用到什麼基礎數學啊！
其實在英國也遇過很多數學系畢業的，可是害怕寫程式的人也很多，他們這邊通常學校會有一兩堂課是寫程式，可能學個Python, 像我之前念書的學校，學不好的很多，一些很厲害的大學的數學系，也有人就乾脆放棄那門課，不學，因為覺得很複雜，他們寧願把時間拿去研究純數。
不過現在的電腦，都會幫你做好各種基本數學運算了，大部分現在的程式語言，你要跑什麼線性回歸什麼的都幫你做好了，也想不到什麼時候會用到三角函數之類的，除非你的工作是什麼data scientist 之類，可能要建立複雜的數學模型，或者quant 那類的，不然就算你要做Machine Learning這類的東西，也有很多已經現有的工具，軟體工程師大部分就是拿來跑一跑。
要是你真的是做機器學習相關的研究，人家也不要你軟體工程師，人家要的是資料科學家背景，人家至少要你有個PhD唸完再來，你要至少會讀paper, 寫paper做研究啊!!
如果是醫學相關的軟體，需要有專業技能，人家也要找醫學背景的來，如果是金融相關的，需要有非常多的金融專業技能，當然也是從金融背景的比較容易。
通常軟體工程師，普通的軟體工程師職缺，就是不太會需要太多納些相關的專業領域，他們也願意你進去了再學，你主要需要的是快速學習、適應環境的能力，還有溝通能力，這樣如果跟其他專業領域的科學家、研究員、分析師溝通之類的，至少你可以不會有太多的障礙。
當然，軟體工程師的工作也可以細分成很多領域，像是遊戲產業的軟體工程師，或者IoT產業的軟體工程師，甚至還有像是軟體架構師、軟體分析師、資料工程師之類的，他們可能需要使用到的技能也不一樣，但也不會沒事就需要叫你算個三角函數之類的.........通常你的背景還是在於你對於寫程式的熟悉程度，你會使用那些工具，你是否是個團隊合作的人，能否跟大家一起寫程式。
總之，回到前面說的，所以到底學習寫程式需要什麼，英文真的是很重要的一環，因為程式語言本來就是英文為主，在來就是網路上的資源，也幾乎都是英文為主。還有你寫程式的環境，也幾乎都是英文，像是你使用的工具，回報給你的錯誤訊息也常常可能是英文的。
來英國以後一直在思考的一點，在台灣討論到會不會寫程式，或者學不學的會，通常英文好的話，也可能在閱讀文件方面比較快，可以快速學到一些東西。
語言也不是全部，如果已經在工作的話，工作環境也很重要，學習環境也很重要，在學校如果遇到一個很好的老師，或者有一起學習的夥伴們，也會比自己一個人獨自專研來的快，不過每個人的學習方法不同，更重要的是找到自己喜歡的學習方法。
反正如果你想學的話，也不用管其他人講什麼，想學就學啊！當初我要學的時候，也很多人覺得我不可能學的會或者不可能成為軟體工程師之類的。
其實也不是因為我原本念歷史系的原因，主要就是，大家覺得，我是一個沒有邏輯，邏輯不好的人。還有覺得我是一個三分鐘熱度的人，以及數學指考考了不到30分。這些我也都寫在部落格裡面了，所以一直以來都有在看我文章的人，大概也都知道了。
當時，我大概聚集了所有身邊當工程師的朋友，都覺得不可能會成為工程師的因素吧！但現在我還是做為一個軟體工程師賺錢就是了。
有時候想做什麼就去做，反而是一件比較容易的事情。尤其是學習這種事情，網路上也有很多資源可以學習也不一定需要花錢。
在學校的時候，除了老師給予我一些自信以外，另外也是在英國認識了一些人，給予了一些鼓勵，有些素未謀面的人，也有些一面之緣的人，可能也是因為他們不認識原本的我，所以都覺得，沒有什麼是我不能找到工作或成為軟體工程師的原因。
現在想想，或許這就是初生之犢不畏虎的概念，當初沒有想太多就跑來英國，然後來了以後才開始覺得必須要努力一點才能找到工作，中間也遇到了很多困境，工作以後也曾經想過要放棄當軟體工程師，想要去當個什麼辦公室助理之類的。
也經歷了很多覺得很困惑的時期，雖然自己現在還是滿困惑的。但我覺得如果你真的想要學習或者轉職，只要做好功課(這點真的滿重要的，至少不要覺得只是看別人好像不錯，就決定要去做，至少要衡量一下利與弊)，就可以去做吧！也不用管別人說你適不適合走這條路怎樣的。
每個人適合走的路也不太一樣，還沒走之前都看不到，就算你看身邊的人都怎樣，自己還是自己。
data scientist是什麼 在 [北美] 美國PhD轉Data Scientist求職心得（一） - 批踢踢實業坊 的推薦與評價
Data Science領域現在在美國很紅，但感覺非相關科系的new grad求職還是很不容易，
去年秋季我開始在這個領域尋找機會，一直到最近終於拿到一份理想的offer，一路上
雖然辛苦但受到很多人的幫助，所以想將我的經驗記錄成四篇文章分享給大家，裡頭
分別會談到：
一、我的背景及轉職準備過程
二、介紹Insight Data Science Program
三、Data Scientist面試經驗分享
四、Offer negotiation心得分享
這一系列的文章可能比較適合非CS/DS背景出身轉DS或是其他在Analytics/BI roles的人
參考，也希望能夠藉此幫助跟鼓勵到還在這條路上努力的人 :)
◎背景：
BS in Atmospheric Science at NTU
PhD in Meteorology and Atmospheric Science at Penn State
我的學歷比較像是所謂的冷門理工科系，也不像CS/Stats/ITS跟Data Scienc有比較直接
相關，我的博班研究跟DS幾乎沒有關係，頂多就是用multiple linear regression看看
海溫對區域氣候變遷的影響這部分可以算是沾得上邊。然後大概知道PCA是什麼但也沒有
實際運用在我的研究上。
相關的背景知識也蠻缺乏的，所以一開始真的找DS的工作很不順利。
在Coding方面，當時我完全不會Python、SQL或一般業界常用的語言。而且在2017秋天以
前我幾乎不太知道Machine Learning（ ML）是什麼，一些ML算法 像是logistic
regression、各種tree-based models、clustering techniques、SVM、neural net等等
是聽都沒聽過。CS相關課程像是資料結構、演算法等等都是零基礎。統計知識也很一般，
至於business/product sense也完全沒有。
不過在博班時因為有在Linux Cluster上跑氣候變遷的模擬與分析，這部分在對於一開始
的上手應該算有些許幫助。
◎轉職歷程概述：
為了踏入Data Science領域我花了些時間自學Python。因為念大氣科學的人多少有過用其
他語言寫script分析數據的經驗，只要花時間學一下語法的話，單就入門不會太困難。在
熟悉語法後，我嘗試將一部分的博班研究工作「翻譯」成Python，然後學著用jupyter
notebook將一部分的程式碼以及視覺化的成果放在我新建立的GitHub上當個小作品。
建議有心學Python的人也可以試試這個方法，因為這可以把你用Python分析的結果跟用別
的語言分析的結果做相互的對照，過程會比較好follow，也可以慢慢練習coding的能力。
比較熟悉Python後，我開始學習scikit-learn跟其他做資料分析時會用到的工具，例如
pandas、matplotlib、seaborn等等，偶爾逛逛Kaggle去觀摩別人的kernels來學習做
ML project 的思維。不過我只有跟著做過兩三個很簡單的projects熟悉一下，後來就荒
廢了，因為發現自己需要補強更多ML相關的背景知識，而且我不喜歡在我不知道這個
model在幹嘛的情況下直接調用，預測結果出來也不知道要怎麼interpret。於是開始斷斷
續續上網看各種Data Science相關的教學影片。
2017夏天時聽朋友提起她參加Insight Data Science Program的經驗，覺得好像可以試試
，所以隨手申請了2018一月的session，沒想到竟然最後被accept（不是炫耀文XD），於
是有點誤打誤撞開啟了要認真踏入Data Science career的旅程。我其實本來在參加
Insight之前一直有點排斥，會質疑自己花兩個多月是否值得？是否會學到東西？是否最
後真的能找到Data Scientist的工作？然後很害怕自己做不出data product。但現在回頭
看這些擔心都是多餘的，因為Insight帶給我的價值完全超乎我的想像。
我在Insight做的project在往後每一個面試都是個很棒的selling point，然後Insight的
network非常強大，在我自己找工作的過程中真的對我幫助很多。即便我在參加完之後並
沒有馬上找到工作，而且最後的offer也不是透過Insight拿到的，但我真心覺得能夠參加
Insight絕對是我人生中最重要且最棒的決定之一！誠心推薦給大家，詳情我會另寫一篇
Insight心得文跟大家分享。如果無法參加這個program也沒關係，我也會在那篇文章中
分享參加的過程與準備，如果可以試著follow他們的workflow應該也會對你有一些幫助。
今年三月初參加完Insight後，三月中旬就重回學校做研究寫論文準備畢業，中間陸續有
跟幾家Insight refer的公司面試，然後大概到4月中差不多都掛光了XD。不過即使
program結束之後Insight還是一直會po職缺以及介紹想聽我們demo的公司，所以多少還是
有一些機會。
但在4月後我就沒有積極找工作面試了，主要在準備論文口試跟忙其他事情，真正又開始
比較認真投工作跟面試是在六月中後，但此時又要準備收拾搬家，所以其實也沒能全心全
意在找工作跟準備面試。
九月初搬到芝加哥附近後有開始比較積極找工作。基於個人因素，我只想找芝加哥附近的
工作，且我又只偏好某幾種方向的Data Scientist，所以在諸多限制下其實要找到一個
很fit的職缺真的是困難重重。有幾次真的很想放棄，不過後來很幸運能同時拿到兩家
Data Scientist的offer，一家是畢業前一直想去的產物保險公司，業務還滿廣的，而且
是涵蓋我最有興趣的氣候╱農業相關的保險。另外一家是Slice，後來被Rakuten買下，
現在改名叫Rakuten Intelligence，主要做online shopping market research。
雖然除了自己喜歡網購以外，對這個產業了解並不多。但最後還是決定去Rakuten試試看
，原因是Slice的所有條件幾乎都狂勝另一家保險公司（體會到有多個offer的好處）
，而且manager跟teammates感覺都很不錯。
另外，我在決定選哪個offer之前，還利用Insight的network去跟之前在Slice待過的
Insight fellow稍微聊過（再次感到Insight network的強大XD），覺得各方面感覺都很
好，才做了決定。
◎Data Science準備過程與學習資源：
其實現在回去檢視整個找DS工作的過程，我覺得自己起步有點太晚，在DS相關背景知識還
不夠強就去參加Insight，所以參加program的過程會有一點辛苦，雖然之後在跟Insight
合作公司的面試時候有漸入佳境，但還是沒能夠透過這個管道拿到offer。但如今能拿到
這兩個很棒的offer，也是基於之前參加Insight以及過去面試失敗的經驗，所以不論面試
成功與否，如果能夠從這些經驗裡學習並一步步改進，過去的失敗其實是很珍貴的，面試
詳情我會在第三篇文章分享。
接下來想跟大家分享一些Data Science相關的學習資源（我都是用免費的option，也沒有
做作業）。面試Data Scientist需要準備的項目真的太廣了，其深度也會根據職缺要求
而異，不過總體來說可分為六大部分：
一、 SQL
(1) Codecademy
SQL語法：https://www.codecademy.com/learn/learn-sql
SQL練習：https://www.codecademy.com/learn/sql-table-transformation
SQL應用：https://www.codecademy.com/learn/sql-analyzing-business-metrics
我的SQL一開始就在這邊學的，個人比較喜歡介面是interactive 的方式。不過我個人不
是很喜歡SQL，比較偏好Python的pandas。所以沒有很認真地持續練習SQL，且我會盡量
避免需要寫超級advanced SQL query的工作，而我自己的面試從來沒有被考過需要當場
寫SQL，但有被問過說SQL會什麼command。
(2) SQL zoo
https://sqlzoo.net/
還不錯的練習，我無聊的時候會拿來refresh一下。不會SQL的人也可以從這個網站下手。
(3) Hakerrank
https://www.hackerrank.com/domains/sql
也是還不錯的練習，但是我只做到medium而已，因為真的不太擅長刷題。
二、CS Fundamentals
這個我真的不會，版上SWE分享文很多，就不在這野人獻曝了。
Insight有推薦這個網站好像不錯：
https://interactivepython.org/runestone/static/pythonds/index.html
另外Cracking the Coding Interview那本書聽說也很有用，刷題的話就Leetcode跟
Hackerrank。但因為我沒學過資料結構跟演算法，所以只寫了不到10個easy題就放棄了。
如果想學Python，我推薦Codecademy的課程：
https://www.codecademy.com/learn/learn-python。
這也也是interactive的介面，我的Python就是在那邊學的。之後的學習方式就是不斷
的Google跟Stack Overflow。
三、ML知識
(1) Machine Learning Foundations（機器學習基石）by 林軒田教授
(2) Machine Learning Techniques （機器學習技法）by 林軒田教授
我的ML學習之路是從這裡開始，影片在YouTube跟Coursera都有。滿喜歡看林軒田教授的
教學影片，因為覺得有些冷笑話很好笑XD。當初不想給自己太大壓力，怕自己無法堅持
看完所有影片，所以沒有很認真地逼自己拿紙筆一步步follow課程，我是以比較輕鬆的心
態在學，有點像看影集那樣一天看一小時，最後不知不覺地把所有的影片都看完（不推薦
這樣的學習法XD），並且開始對ML有點概念。不過這堂課還是滿多數學符號，且需要
線性代數、微積分跟矩陣運算的概念，這些基礎比較弱的人可能要注意一下。
(3) Machine Learning course by Andrew Ng
這門課在美國Data Science領域很有名，我自己沒上過，但聽說是不錯的ML入門課程。
(4) Applied Machine Learning in Python by Kevyn Collins-Thompson (Coursera)
我覺得算是不錯的入門課程，不過我自己是自學一段時間後才看這門課，所以覺得滿簡單
的。這門課跟林教授的課比起來簡單很多，比較少數學證明推導，但ML概念涵蓋還算廣，
整體來說偏應用，有許多使用Python實作ML的簡單例子，可大略地提供做
ML project pipeline的觀念，例如不同ML models選擇、data前置處理、evaluate
results等等。
四、Stats
統計相較於其他方向來說算是我比較熟悉的一個領域，不過在準備面試的過程中還是找
了一些線上資源來複習跟學習。根據我的面試經驗大部分會問一些regression、
correlation、statistical inference相關的問題。介紹幾個不錯的學習平台：
(1) Khan Academy
https://www.khanacademy.org
裡面的Statistics and probability部分很多人有推薦，但我沒有全部看完，裡面很多部
分可以挑著看。
(2) Statquest by Josh Starmer （大推！）
他是一位UNC-Chapel Hill Genetics系的教授，錄了很多統計以及ML相關的教學短片。
他的影片對我的面試準備幫助非常大！真的超級感謝他！他很擅長把很複雜的觀念或
ML模式用很淺顯的方式解釋清楚，這點不論是在觀念的理解上，以及在面試時能清楚
回答統計或ML相關問題都非常有幫助。
我的經驗是在communication skills在Data Scientist面試的時候是非常重要的一部份，
如果能夠將較深的統計/ML觀念解釋清楚絕對是大為加分的。我幾乎在每個tech screen
前都會再重看幾個比較重要的影片。而且他的影片都不長，不會造成太大的心理學習壓力
（點開影片的活化能較低XD），真的是非常棒的資源！
這是他的YouTube頻道：
https://www.youtube.com/channel/UCtYLUTtgS3k1Fg4y5tAhLbw
所有教學影片的分類細項：
https://statquest.org/video-index/
(3) Intro to Inferential Statistics by Udacity
https://www.udacity.com/course/intro-to-inferential-statistics--ud201
這門課對重新複習Inferential Statistics還滿有幫助的，這部分的課程算是A/B
Testing跟product面試的基礎。
五、Business Case Studies
由於我從來沒有在業界工作的經驗，所以真的非常沒有business/product sense。
我只能談談我是如何慢慢學習的：
(1) A/B Testing by Udacity
https://www.udacity.com/course/ab-testing--ud257
這門課很多人推薦，我一開始上的時候常常需要反反覆覆看，不是很習慣他們談話性的
教法，不過算是對A/B Test有初步的了解。建議有Inferential Statistics的概念後再上
比較好。
(2) Lean Analytics: Use Data to Build a Better Startup Faster
https://leananalyticsbook.com/
這本書是Insight推薦的，Insight要我們去onsite前一定要看。但我來不及看完所以只有
看個大概。我覺得是培養以data的角度對business的了解還不錯的入門書。
如果沒有時間看這本書，滿推薦看作者（Alistair Croll）的演講影片：
https://www.youtube.com/watch?v=-CB4w_OtrKw
我看完有種恍然大悟的感覺，覺得有學到新東西，不過可能是因為我沒有任何業界經驗的
關係。
六、Behavioral interview questions
Behavioral questions在Data Scientist面試中也是很重要的，因為Data Scientist除了
需要好的溝通能力，也需要知道如何跟其他人合作，所以這部分絕對需要好好準備，
我會在之後的文章分享我的準備方法。
第一篇先寫到這裡，當然DS需要學習的東西還有很多，如果有好的資源也歡迎分享。
附上我的LinkedIn：https://www.linkedin.com/in/chiiyuntsai
歡迎Data Science領域的朋友們connect，我的Data Scientist職涯才剛起步，希望前輩
們不吝指教，也祝福還在往這條道路上努力的朋友找工作順利，找工作是很孤獨又辛苦的
路程，希望這些分享文可以幫助跟鼓勵到你。
p.s. 我是#1RvJ9zZo的原po，感謝版友的意見，但我不知道stan1234567是誰XD
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 24.13.233.115
※ 文章網址: https://www.ptt.cc/bbs/Oversea_Job/M.1542835716.A.DAB.html
，可以考慮health data science program。
容再衡量一下。
的。我參加的時候是F1在學學生。
過我碰到過的leetcode題都不太難，部分是OA（可google查）或是“口述”。倒是碰到過
比較多需要做data challenge然後再present結果。不過DE和machine learning engineer
那類的還是建議要努力刷題。
... <看更多>