data-science

這篇筆記將分享我在大學畢業以前找到三份實習的經驗，用漏斗分析的思維，一一解析從尋找職缺、整理履歷、到挑戰面試的各階段該怎麼準備才更有效率，希望幫助正在大學或研究所就讀的你，更順利地找到資料科學或數據分析的實習工作。

進行假設檢定時，尤其是 A/B Test 的商業實驗場景，究竟該使用單尾還是雙尾檢定呢？這篇文章將簡短說明單尾與雙尾檢定的統計學特性差異，並且探討為何我建議 A/B 測試要使用單尾檢定，最後介紹單尾檢定常見的錯誤使用方法。

貝氏統計並不只是特定的數學公式、而是一套分析框架，這套框架幫助你在模型加入個人觀點、讓統計模型隨著新的資料取得不斷進化、並且量化你對決策究竟有多麽「不確定」。這則筆記不談艱澀數學公式，將概念性地告訴你為何值得學會應用貝氏統計來進行分析。

資料科學家被《哈佛商業評論》稱為 21 世紀最性感的職業，不過，你知道實際的薪資行情嗎？這則筆記整理了公開交流薪資的網站與文章，可以查詢資料科學家與工程師的薪水資訊與行情，希望能幫助還在迷惘的你決定該不該投入這一行，或者幫助即將開始找工作的你，為面試爭取薪資的談判做好準備。

Google Colab 是讓你用網頁瀏覽器就能寫 Python 程式並執行的超讚平台，除了提供強大運算資源、還有免費的 GPU 可以用，你是資料科學家的話肯定會愛它！這篇文章分享我超愛 Colab 的 5 個理由，希望能推坑你一起使用這個好工具。

好奇心會殺死貓，也會害到你的 A/B Test 結果喔！這則筆記將分享執行 A/B 測試不得不知道的 Novelty 與 Primacy Effect 問題，讓你了解為什麼顧客的「好奇」與「守舊」傾向會影響 A/B Testing 判讀，並介紹怎麼解決這些問題。

如果你還不了解標準誤與標準差有什麼差別，也不熟悉還有樣本數會如何影響標準誤，這篇文章將幫助你徹底學習！本文將從四種不同角度帶你認識標準誤，除了白話解釋與圖解，也附上 Python 程式碼讓你可以親手玩玩看、培養標準誤的統計直覺。

這篇文章將簡介因果推論（Causal Inference）這個研究領域，用範例說明分析因果關係的三大困難點：混淆變項、自我選擇偏誤、以及反事實，並且介紹因果推論方法怎麼解救沒辦法 A/B Testing 的情境、還有如何用資料科學創造「平行世界」！

Pandas 的 Method Chaining 是「一行只有一個資料處理動作」的程式碼寫作風格，讓你的 Pandas 程式碼更簡潔、更好讀、更好維護。這篇文章將分享在資料分析中超常用的幾項 Method Chaining 運用技巧，強化你的 Pandas 實力。

不是資工系能找到機器學習工作嗎？可以！2021 年我從商管學士跨領域挑戰了機器學習職缺，投了 10 家公司的履歷、經歷了 9 場面試、最終拿到 1 間錄取。本文寫下我的面試歷程、機器學習面試題、以及準備方法與學習資源，希望為大家增加信心：非本科系是有機會拿到機器學習工作錄取的！