學習資料科學，不再手忙腳亂
龐大的市場需求、優渥的薪資、具有影響力的工作內容，讓資料科學家被譽為「21 世紀最性感的職業」，也因為資料科學的火熱，從 R、Python 程式設計到機器學習、統計學等課程大量出現。要成為資料科學家，似乎要具備資料科學文氏圖（下圖）中的所有技能，但是，大家有沒有想過，到底要從哪個領域切入，才不會像無頭蒼蠅，這邊學一塊、那邊學一點，永遠看不見盡頭呢？
剛入門學生最渴望獲得的通常是「程式撰寫」與「數學統計」的能力，剛開始的我們也是如此，買了許多資料科學相關的課程 (下圖都是大鼻購買的課程)，雖然課程內容相當豐富，但除了有點生硬外，常常學了也不知道可以用來解決什麼問題。最後的結果往往是：大部分的課程都沒堅持下來，或是堅持到底以為收穫滿滿，最後卻說不出到底學到了什麼。
商業分析能力 - 成為傑出資料科學家的關鍵
僅管「程式撰寫」與「統計知識」是一名資料科學家的必備技能，但常被忽略的「商業分析能力」反而是讓你脫穎而出的關鍵。在 Facebook 資料科學家的職缺介紹中，就經常強調產品知識及跨部門合作的能力。在面試中可能被詢問的問題是：「請你設計一個方法，找到每一個用戶最好的朋友？你會需要使用什麼數據？要使用哪種演算法實作？」你必須先了解 Facebook 的商業目標，才能夠定義什麼叫做「最好的朋友」；有了清楚的問題與目標定義，才能夠設計資料分析流程，並蒐集、整理相對應的資料，實作出讓產品經理滿意的模型與解決方案。這就是為什麼我們要強調「商業分析」的能力：辨認出正確的問題，才能真正解決問題，創造價值。
R 語言和 Python 是目前資料科學界最受歡迎的兩種程式語言，儘管工作中常需要交互使用兩種語言，為什麼我們在這門課程會選擇教授 R 語言呢？
R 是專注於「資料分析」的程式語言
「為了資料分析而生」的 R 語言專注於用戶導向的資料操作、統計建模以及視覺化分析；而 Python 作為一般化的程式語言，強調運作效率和程式的可讀性。因此，對於靠近工程端的資料工作者，Python 是比較適合的工具，但對於分析端的資料工作者，專注於「資料分析」的 R 語言絕對是最適合的程式語言。
R 是容易學習的「資料分析」工具
由於 R 是為了分析而設計的程式語言，許多資料分析的精神、流程與方法都已經內建於 R 語言的底層了！相較之下，Python 作為一般化的程式語言，除了得仰賴如 Pandas, SciPy, Numpy 等運算套件，學習時更需要花不少時間了解程式語言與電腦科學的相關知識。以 R 語言作為授課語言，可以讓學生專注於「資料分析」的學習，減少分心學習其他議題的時間。
R 能完成大部份資料分析專案的需求
下圖為 O’Reilly 資料科學薪資調查報告中「資料科學家常見的工作任務」：
其中 R 語言較擅長的任務有：
基本的探索性資料分析 (運用各類統計與視覺化套件)
運用資料分析解決特定的研究問題 (運用各類統計與機器學習套件)
與決策者溝通資料分析結果 (運用 R Markdown)
建立模型的 prototype (運用各類統計與機器學習套件)
建立視覺化圖表 (運用 ggplot2 / plotly / Shiny Apps)
與外部關係人溝通 (運用 R Markdown / Shiny Apps)
建立企業內部的資料儀表板 (運用 Shiny Apps)
相較於 Python 適合用於「量產/機器學習/深度學習」的使用情境，R 語言本身更擅長處理常見的資料分析專案任務。當然，Python 也可以完成這些任務，但生態體系較為複雜，也不像 R 語言一樣容易上手。
精準且熟練的「商業分析能力」，是傑出資料科學家的關鍵能力，少了這項能力，程式和統計的專業能力不但容易被忽略，更可能增加跨部門合作與解決問題的困難度。因此，我們開發了一套從「商業問題」出發的資料科學課程，強調「商業分析方法」與「模型運作原理」，帶領大家在實際個案中，學習重要的商業觀念，選擇適當的模型；課程中以「R 語言」進行資料建模，視覺化資料分析結果，並提出可以被執行的商業策略。這樣的訓練，將讓你以更高的層次看待資料科學，打開「成為資料科學家」的大門。
第一部份：R 語言程式設計特訓班
這門課程在一開始會提供沒有 R 語言經驗的同學三堂特訓班，以最少的時間教會你：
基本的 R 語言程式設計技巧
學習在 tidyverse 架構下進行資料的輸入、整理、轉換與整合
運用 ggplot2 與 plotly 進行互動式資料視覺化。
第二部份：資料科學方法論
根據過去的專案經驗，我們挑選了最常在工作中派上用場的六個方法，進行詳細的解說。同時，我們會搭配相關的商業個案，帶大家走過完整的資料專案流程，讓大家完全了解這些方法如何解決工作中遇到的商業問題。
以生活情境出發，快速理解演算法核心精神
我們認為：與其一下子跳入複雜的模型架構，不如先從生活中的例子出發，用最平易近人的方式了解演算法的核心精神！以下是課程的範例投影片：以「網路心理測驗」出發，幫助你理解決策樹的精髓所在。
不只有程式碼，重視模型原理
許多網路課程著重於工具的使用，我們除了教你工具，更會讓你了解模型背後的觀念與原理，在應用時便不會一知半解。以下是課程的範例投影片：用清楚的圖像方式，呈現 A/B 測試與變異數分析的操作機制。
串連商業問題與資料分析
在個案研究中，除了使用模型外，我們更會清楚解釋商業問題的背景知識及思考模式，讓不是商學院的學生也能快速上手商業分析技能。以下是課程的範例投影片：運用邏輯回歸 (logistic regression) 解決航空業的客戶流失與保留問題。
多元且真實的商業個案
這門課程的商業個案，多來自於兩位講師在工作中遇到的情境，加以改編而成。儘管使用簡化後的資料集合與情境，問題的背景與解決方法和實際情況非常相似。以下是課程的範例投影片：協助手遊產品經理擬定玩家 STP (Segmentation / Targeting / Positioning) 產品行銷策略。
手把手帶你完成資料科學專案
針對所有商業個案，我們都會撰寫 R Markdown 教學文件，除了看到程式碼與執行結果外，更能看到我們拆解問題的邏輯，讓你一次學會商業分析與程式設計。以下為課程的 R Markdown 範例：協助航空公司外部合作經理分析信用卡紅利活動成效，並透過 ggplot2 套件視覺化成果。
課堂作業會分成兩個部分：
選擇題
我們會以選擇題的形式檢視各同學是否能撰寫出正確的程式碼，以及回答對應的資料分析與商業問題。完成作業後，我們也會提供作業詳解供大家參考。
個案討論
日後會不定期針對不同商業案例和同學討論如何解這些問題，並依情況提供同學意見與回饋，幫著大家理解個案內容。
相關問題回答
開課前我們會在每個週末統一回覆同學提出的問題；開課後依照課程進度，暫定每月回覆 5 則同學關於課程或作業的問題。由於目前工作人員只有兩位講師，且講師都有其他正式工作，較難在上課人數未定時就給大家確定的回答頻率與回答形式（Hahow 回覆 / Facebook 社團回覆 / E-mail），還請各位同學見諒！
👉 2024.8.30 更新：目前在每份作業的「作業說明」加上了參考解答；請各位同學在繳交作業後，可以先核對解答的內容，如果有任何問題或是不清楚的地方，都歡迎再提問至問題討論區或是直接寄email和我們討論（詳細見課程公告，僅限購課學生可見）
這門課程是設計給想要成為「分析型資料科學家」的初學者，因此這門課期待你樂於思考，不排斥數學，更需要你動手寫寫 R 程式碼，雖然是一門入門課程，但得花不少心思，更需要你的主動學習（因為講師或其他同學不一定能立即回答你的問題）！
如果你是以下類型的人，這門課程應該很適合你：
商學院背景，想學習資料科學的大學或研究所學生
統計工程背景，想學習商業分析的大學或研究所學生
初入商業分析、資料分析領域的社會新鮮人
想理解資料科學方法與商業應用情境的主管
如果你是以下類型的人，希望你能把這筆錢省下來：
想要成為機器學習專家
想要單純學習程式設計技巧
想要學會 Kaggle 競賽的技巧
想要學會處理 GB 或 TB 等級資料
已經對於資料科學/商業分析非常了解的人
希望大家能透過資料分析社群多多介紹我們的課程，這是對我們最大的鼓勵！為了回饋大家，兩位講師將會在達成特地目標時，解鎖以下活動：
300%：商業分析師/ 資料分析師/ 資料科學家 履歷撰寫技巧
當課程募資人數超過目標人數的 300% 時，我們會加錄主題「履歷撰寫技巧」，幫助大家在求職時展現自己的實力與專案成果。同時，我們也會挑選一些適合的案例，幫大家的履歷更上一層樓！（注意：主要針對英文履歷撰寫，中文履歷兩位講師較無經驗，盡請見諒！）
600%：1 對 1 線上咖啡時間：抽出 10 位同學免費參加
當課程募資人數超過目標人數的 600% 時，我們將抽出 10 位同學，每位同學將能夠線上 諮詢兩位講師，每位講師各有 15 分鐘的 coffee-chat 時間，暢聊資料科學與職涯規劃！
1000%：舉辦實體工作坊，抽出 20 位同學免費參加
當課程募資人數超過目標人數的 1000% 時，我們抽出 20 位同學，舉辦實體工作坊，讓對資料科學有興趣的同學，能近距離與老師討論相關問題，更重要的是，同學們能夠互相交流討論，一同成長！
註 1：1-1 咖啡時間與工作坊的時間、地點、主題、形式、抽籤資格等細節，將於募資結束後另行公告於課程頁面及大鼻觀點粉絲專頁，抽籤結果會公佈於大鼻觀點粉絲專頁。
註 2：1-1 咖啡時間則由老師主動與同學約定雙方都可以的時間，約定後如有需要更改時間，需於三天前與講師協調，每人只能更改一次。於約定時間未能準時上線者，視為放棄咖啡時間權利。
註 3：工作坊的時間將為固定時間，因場地、人力與同學間的溝同協調，較難讓大家共同選擇時間。預計抽出 20 位正取與 10 位備取同學（備取同學也會有遞補順序），只要超過 5 人出席即會舉辦，若未超過 5 人能夠出席則改期辦理。改期後不會重新抽籤，依照原先正取與遞補順序依序通知詢問是否參加活動。
註 4：兩位講師保有募資解鎖最終解釋權，亦有修改活動內容的權利。
黃大維 (大鼻)
國立臺灣大學統計碩士（初等統計學助教，評分：4.61 / 5.00）
國立清華大學計量財務金融學士，斐陶斐榮譽會員
曾任職英睿科技 (資料科學家)、優拓資訊 (實習資料科學家/產業分析師)、CHOCOLABS (實習資料科學家)、中央研究院數學所(暑期研習生)、北京大學經濟學院訪問學生，參與專案包含：推薦系統、使用者路徑分析、觀看次數預測系統、增強學習、自然語言視覺化、外匯交易、投資組合最佳化、選擇權套利等專案。
沈辰禧
國立臺灣大學商研所碩士
國立政治大學企管系學士
在校內有多次 R 語言公開教學經驗
曾在 Synergies Intelligent Systems 和鼎泰豐擔任實習資料分析師，有多種不同產業的資料專案經驗，如海運業訂單需求預測、餐飲營收分析、供應鏈視覺化、智能投顧演算法開發、半導體製程分析、臨床脈波辨識等專案。
