data-science

如果你喜歡「好豪筆記」的資料科學與職涯經驗分享，推薦你追蹤我的 Instagram 帳號 @hao2huang，它將會是我 2025 知識分享的主力平台。

比起 R 語言，我建議以台灣資料科學職場為目標的新手先專注 Python，在這篇文章，我基於自己涉略資料科學 10 年、同時擁有 R 語言跟 Python 的應用經驗，將先比較兩個程式語言，並説明為什麼更推薦優先學習 Python。

身為一名資料科學家，每次討論到 t 檢定與中央極限定理，學生與同事常會問起關於常態分佈的問題，這個看似簡單的概念，卻常常讓初學者感到困惑。

ChatGPT 崛起對資料科學家職涯造成什麼衝擊？數據分析技能會被 AI 取代嗎？本文深入探討 AI 時代下，資料科學家的角色轉變與未來發展。我們將從 OpenAI 的徵才需求出發、分析資料科學家所需的關鍵技能，如北極星指標、A/B測試、因果推論等，幫助你釐清如何投入數據分析職涯。

LinkedIn 的 Data + Intuition 數據分析框架提供了定義北極星指標的方法，不只活用機器學習、更重視商業直覺，淬煉出能夠真正捕捉產品價值、並能引導行動方案的新指標。這篇文章將詳細介紹 LinkedIn 定義北極星指標的方法、以及如何驅動產品進步。

儘管深度學習模型光彩奪目，Naive Bayes 依然因為它簡單、高效、好解釋而有其地位。本文將介紹 Naive Bayes 為何仍是必備的數據建模基本功、簡介其貝氏統計核心概念如何應用在分類問題、最後也分享我在 Udemy 課程學習 Naive Bayes 的心得。

A/B Test 看到「顯著結果」，就代表實驗有效、應該做出改變嗎？ 答案是：不見得！很有可能統計檢定力不足，造成實驗不可信。這篇文章將分享統計檢定力不足會造成什麼 A/B 測試問題，以及如何正確使用 Power Analysis 來分析你的顯著結果。

這篇文章是 2024 年面試資深資料科學家與數據分析師的經驗分享，以亞洲地區的大科技公司為主，筆者總共投遞了 26 個職位的履歷、實際拿到 2 封錄取信。文章內將分享各公司面試的流程與經歷、以及我學到的新經驗，最後也會簡短聊聊我為何已經人在外商還要出來找工作。

這篇文章將會探討 A/B Test 如何設定顯著水準來維持實驗可信程度，回答「從 0.05 改成 0.01 算是夠嚴格的 A/B Test 嗎？」。本文將介紹偽陽性率，它與顯著水準、統計檢定力、以及決策品質的關聯，並學習如何透過控制偽陽性率來為 A/B 測試結果選擇適當的顯著水準。

要在資料科學領域深耕，除了要懂統計理論以外，擁有偵測出資料偏誤的嗅覺更是必備能力。這則筆記將分享極其常見的倖存者偏差、以及與其相似的「死者偏誤」與右設限資料，我將用圖表介紹這些偏誤的意義與真實案例，並分享該如何用漏斗分析避免倖存者偏差、用存活分析來正確計算右設限資料。