數據分析

行銷往往是商業行為的第一步，行銷做得好，能協助銷售成長將商品賣出，一家公司短期才能生存下來，才會後續走向更深一層的經營層面。然而過去在實體行銷（offline）的時代，大多數的情況下，我們雖然花了行銷費用，卻無法清楚得知這次的行銷活動帶來多少效益。

加入MarTech後，開始的學習壓力確實存在。但時間過去，我不僅習慣了密集的學習，還組建了一個學習小組。在這裡，筆記分享、課程討論與團隊鼓勵成了日常

18週的培訓期間，除了上專業課程之外，我們也需要完成一個專題作品。在專題製作中，我們會整合課程知識和技術，實際運用所學，並在製作的過程中，從問題解決中不斷精進專業能力，以及團隊溝通、整合、程式開發、Debug….等等的能力。除此之外，在面試企業的過程中，我發現累積開發經驗有大大的加分，因此和組員們一起合力製作相較大型的專題作品，是非常好的經驗和機會。

緯育從各個產業請來在各領域深耕多年的老師為我們整理了貼合業界的課程內容，讓我在學習的時候不僅少走很多彎路，同時在我有疑問時，能夠第一時間請老師替我解答。學習AI需要的背景知識深而且瑣碎，但是老師系統性的教學和耐心的回答讓開課前連Python都不知道的我在課堂中獲益良多！

專題製作是結合所學的重頭戲，也是驗證邏輯觀念與套件應用的時刻。這個階段裡，成長的十分迅速，不論是團隊協作，或遇到未知問題的解決能力，在反覆修正與尋求答案的過程中，都間接強化個人學能，也讓我更確信，在AI的世界裡，只有想不到，沒有做不到。

因為以前工作之餘，會看線上影音和逛網購，對推薦系統怎麼產生的感到好奇，因此開始知道大數據這個名詞，同時也看到網路上有些AI大數據的養成班課程。就在台灣疫情正緊張，電視台停止錄製節目時，年近30歲的我就想說：趁年輕，轉職就拚一波！

在這資訊氾濫的時代，如何快速有效率的歸納學習，對我本人來說就是一個非常重要的問題了，尤其是一整門學程。在本身自我的時間非十分充足的狀況下， TibaMe有這樣的學程出現時，我當然十分開心地可以參與其中。

特徵工程是將原始數據進行一系列處理，轉爲「特徵」，更好表示預測模型處理的實際問題，提升對於未知數據的準確性。簡單說，就是建立模型的觀察值或特徵，是一個表示和展現數據的過程。
如：評估患者罹患心臟病風險的一種模型，可從他們的身高、體重、年齡、其他特徵得知，但直接使用可用功能並是最有效的做法。更有效的方式是計算體重與身高的比例，就是BMI。