<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Lin’s Data Mind - Medium]]></title>
        <description><![CDATA[一個寫作入門生的部落格平台，分享關於DataScience、R、生產力工具的想法與心得 - Medium]]></description>
        <link>https://medium.com/shenglin-series-stories?source=rss----5fbe9e41bbf8---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>Lin’s Data Mind - Medium</title>
            <link>https://medium.com/shenglin-series-stories?source=rss----5fbe9e41bbf8---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 07:15:52 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/shenglin-series-stories" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[[隨手記] — 有資料，要找些 Insight，我們可以從何開始？]]></title>
            <link>https://medium.com/shenglin-series-stories/%E9%9A%A8%E6%89%8B%E8%A8%98-%E6%9C%89%E8%B3%87%E6%96%99-%E8%A6%81%E6%89%BE%E4%BA%9B-insight-%E6%88%91%E5%80%91%E5%8F%AF%E4%BB%A5%E5%BE%9E%E4%BD%95%E9%96%8B%E5%A7%8B-7191a14298ca?source=rss----5fbe9e41bbf8---4</link>
            <guid isPermaLink="false">https://medium.com/p/7191a14298ca</guid>
            <category><![CDATA[eda]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[insights]]></category>
            <dc:creator><![CDATA[Sheng Lin]]></dc:creator>
            <pubDate>Wed, 12 Jul 2017 07:40:00 GMT</pubDate>
            <atom:updated>2017-07-12T07:39:35.052Z</atom:updated>
            <content:encoded><![CDATA[<blockquote>此篇是我個人閱讀 <a href="https://medium.com/towards-data-science/i-have-data-i-need-insights-where-do-i-start-7ddc935ab365">I have data. I need insights. Where do I start?</a> 的筆記。有興趣可以參考原文！</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YOuFm0VMYNmrRuO8jabtgg.jpeg" /></figure><h3>幫我挖挖資料，看有什麼有趣的東西？</h3><p>通常 Mentor 或 Bosses 花了高成本找了 Data 相關的人、建立資料的基礎建設，在這種成本壓力之下通常能看見些產出(ROI)！</p><p>這時候就會被這個問題追殺：</p><blockquote>mine the data and tell me something interesting ?</blockquote><p>這時候就會很困惑，到底該從何開始？</p><p>兩個重點需要知道</p><ul><li>即便資深的人也未必 100% 知道整個 Business 系統</li><li>任何資料描述的是這個複雜系統的某些角度</li></ul><h3>什麼是 Insight？ — 照進黑盒子的光</h3><ul><li>Insight 就是任何可以用來增進你對複雜系統的理解的事件</li><li>複雜系統就像是個黑箱子(沒有人 100％ 理解)，Insight 就像是在黑箱子中開一扇窗</li></ul><p><strong>所以，要找尋 Insight 可以理解從複雜系統開始</strong></p><h3>Predict &amp; Check — 用科學方法找尋 Insight</h3><ul><li>Step1 : 在分析之前，先從現有的認知中建立數個假設<br> — 某個重要變數的分布？<br> — 變數之間的 Correlation？<br> — etc.</li><li>Step2 : 分析資料，畫畫圖，算算統計量，驗證你的假設</li><li>Step3 : 看什麼出乎你意料，哪裡讓你覺得很奇怪，不 Make Sense</li><li>Step4 : (Critical Step) Zoom in，是什麼原因造成奇怪、不合理的事發生</li><li>Step5 : 找到 Insight，增進你對複雜系統的理解</li><li>不斷 Repeat</li></ul><h3>例子：從資料中探索來自海外需求</h3><ul><li>例子中預期銷售量會如圖中的常態分布，但實際卻出現雙峰。</li><li>右邊雙峰來自於海外的顧客，因為他們一年來一次，一次會買大量的東西回去賣</li><li>跟一般的客戶沒有關聯性</li></ul><p>得到這個 Insight 後續引發許多相當有趣的問題：</p><ul><li>這個海外需求的 Gap，可以去填補</li><li>他們都買些什麼產品？</li><li>什麼促銷活動適合他們？</li><li>海外展店計畫？</li></ul><h3>有 Domain Export 的協助會更有產出</h3><p>對你覺得很奇怪事件，也許對他們很正常，所以最好是需要一位 domain export 在 Predict &amp; Check 時幫助釐清</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7191a14298ca" width="1" height="1" alt=""><hr><p><a href="https://medium.com/shenglin-series-stories/%E9%9A%A8%E6%89%8B%E8%A8%98-%E6%9C%89%E8%B3%87%E6%96%99-%E8%A6%81%E6%89%BE%E4%BA%9B-insight-%E6%88%91%E5%80%91%E5%8F%AF%E4%BB%A5%E5%BE%9E%E4%BD%95%E9%96%8B%E5%A7%8B-7191a14298ca">[隨手記] — 有資料，要找些 Insight，我們可以從何開始？</a> was originally published in <a href="https://medium.com/shenglin-series-stories">Lin’s Data Mind</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[隨手記] — 獲得洞見的內功]]></title>
            <link>https://medium.com/shenglin-series-stories/%E9%9A%A8%E6%89%8B%E8%A8%98-%E7%8D%B2%E5%BE%97%E6%B4%9E%E8%A6%8B%E7%9A%84%E5%85%A7%E5%8A%9F-da31b5794c6?source=rss----5fbe9e41bbf8---4</link>
            <guid isPermaLink="false">https://medium.com/p/da31b5794c6</guid>
            <category><![CDATA[eda]]></category>
            <category><![CDATA[insights]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Sheng Lin]]></dc:creator>
            <pubDate>Fri, 19 May 2017 03:41:02 GMT</pubDate>
            <atom:updated>2017-05-19T03:45:56.132Z</atom:updated>
            <content:encoded><![CDATA[<blockquote>此篇是我在 得到App — 萬維鋼菁英日課169 所節錄的筆記與個人心得。</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/980/1*R-SFQ58B2Z4jViee5dYlbw.png" /></figure><h3>什麼是洞見？</h3><p>再雜亂無章的訊息中，看清楚其中的關鍵所在</p><h3>對於洞見常見的錯誤認知 — From (X) Through (O)</h3><ul><li>洞見不是你產生的、不是你製造的，而是你獲得的。</li><li>一個洞見的產生不是從你這個人身上所獲得，而是通過你出現的。</li><li>洞見也可以稱作奇異恩典</li></ul><h3>溯因推理 (Abductive reasoning)</h3><blockquote><em>溯因推理是推理到最佳解釋的過程，換句話說，它是開始於事實的集合併推導出它們的最合適的解釋的推理過程 — — Wik</em></blockquote><ul><li>演繹(Deductive reasoning) &gt; 歸納(Inductive reasoning) &gt; 溯因(Abductive reasoning)</li><li>溯因推理的流程：<br>收集大量資訊 &gt; 數據中找到<strong>數個</strong>模式 &gt; 綜合模式得到理論 &gt; 獲得洞見</li><li>也稱作創造性思維、跳躍式思維</li></ul><h3>獲得洞見的內功</h3><ul><li>專注地投入（觀察數據、挖掘模式）</li><li>完全抽離，讓子彈飛一會兒</li><li>拿著一張紙與筆，關鍵的想法自然會跑出來</li></ul><h3>反思</h3><p>創意人這本書也有提到創意的訓練方式，基本上與培養洞見的內功相似。</p><p>另外，我意識到溯因推理的過程跟 EDA 相同。EDA 經常走以下流程：</p><ul><li>收集數據</li><li>觀察事件關聯與模式</li><li><strong>提出假設與驗證</strong> (可能合理的解釋) 是否成立與穩健</li><li>綜合模式與規則</li><li>提出理論</li></ul><p>過去每當在跟別人介紹 EDA（Exploratory Data Analysis） 是什麼時，常常反問自己幾個問題：</p><ul><li>EDA 等於資料視覺化？</li><li>EDA 有價值嗎？</li><li>要如何透過 EDA 獲得洞見？</li></ul><p>尤其是在 AI 的時代，挺少人注重 EDA，就連我碩班兩年專注在做 EDA (不能說都只在畫圖而已 XDDD) 在先前也還沒有個想法。</p><p>雖然目前對於 EDA 如何做，我還菜味十足，還有很大的學習空間。但聽完這堂課後有些新的認知了：</p><ul><li>EDA <strong>不單純只是資料視覺化</strong>，而是獲得洞見的一個過程，而視覺化只是在 流程2-觀察事件關聯與模式 的一個方法而已，甚至 Regression 也可以用的上。</li><li>EDA 與 ML(機器學習)/DL(深度學習) 是無需比較的，前者的目的是獲得洞見、後者是預測成效。(也許未來強AI能做到獲得洞見也說不定，但在這邊先不談這個令人心碎的主題 haha)</li><li>EDA 獲得洞見的相當不容易，個人認為關鍵在於：<br>* 知識廣度、知識深度(專業知識) — 資料收集<br>* 觀察力 — 觀察事件關聯與模式<br>* 定義問題能力 — 提出假設與驗證</li></ul><p>今天隨手記就分享到這，謝謝各位 :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=da31b5794c6" width="1" height="1" alt=""><hr><p><a href="https://medium.com/shenglin-series-stories/%E9%9A%A8%E6%89%8B%E8%A8%98-%E7%8D%B2%E5%BE%97%E6%B4%9E%E8%A6%8B%E7%9A%84%E5%85%A7%E5%8A%9F-da31b5794c6">[隨手記] — 獲得洞見的內功</a> was originally published in <a href="https://medium.com/shenglin-series-stories">Lin’s Data Mind</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[自傳] — 過去到未來 — 資料科學之路]]></title>
            <link>https://medium.com/shenglin-series-stories/%E8%87%AA%E5%82%B3-%E9%81%8E%E5%8E%BB-%E7%8F%BE%E5%9C%A8%E5%88%B0%E6%9C%AA%E4%BE%86-%E8%B3%87%E6%96%99%E7%A7%91%E5%AD%B8%E4%B9%8B%E8%B7%AF-bd4cdc4a2355?source=rss----5fbe9e41bbf8---4</link>
            <guid isPermaLink="false">https://medium.com/p/bd4cdc4a2355</guid>
            <category><![CDATA[resume]]></category>
            <category><![CDATA[自傳]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Sheng Lin]]></dc:creator>
            <pubDate>Mon, 10 Apr 2017 09:15:35 GMT</pubDate>
            <atom:updated>2017-04-10T14:14:04.514Z</atom:updated>
            <content:encoded><![CDATA[<h3>前言 碎碎念</h3><p>總算總算總算撰寫完履歷最後一部分（哭）！！履歷早在半個月以前早已成形，但始終一直不想撰寫自傳（基於懶惰，條列式的Resume不是很好嗎XD）。但真正動手寫卻花了我整整一天半的時間，因為要一口氣回憶將近三到四年的時間實在不容易呀！同時也要不斷做人工字彙的降維（？），精簡字數並且保留最大的訊息量。</p><p>在撰寫自傳的過程中也<strong>重新檢視</strong>了自己，例如：<strong>為何選擇這條路</strong>、<strong>我到底在追求些什麼</strong>。現在開 Data 相關職缺的公司很多，但也很混亂。不僅看到許多無法理解的工作內容，甚至讓我對於 Data Scientist/Data Analyst 的認知開始崩壞，漸漸迷失於自己的角色定位了。</p><blockquote>此篇自傳主要撰寫「人格特質」方面，「細節技術」並沒有納入此篇幅中。主要希望先寫一份 General 版本。未來在丟職缺時才會適度調整自傳的核心重點。<strong>「工作與專案經歷」細節可以參考 </strong><a href="https://www.cakeresume.com/ShengLin"><strong>CV</strong></a></blockquote><p>進入正題！</p><h3>過去到現在 — 資料科學之路</h3><h4>踏上資料科學的開端</h4><p>在大三的那一年選修了系上「資料探勘」的課程，在資料洞察真相的好奇中喚醒了我的熱情，資料科學的信仰也開始萌芽，堅信運用資料力可以改善產品、社會甚至是世界。大四時為了追求更好的學習資源與環境，選擇報考政大統計學研究所，正式決心踏上資料科學之路。在那一刻開始，給自己訂立一個目標：兩年後畢業，我必定要有所不同。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/358/1*2CVmwhXCJck9tnVzgzsfOw.jpeg" /></figure><h4>碩士洗鍊出高效行動力與挑戰的勇氣。</h4><p>入學時為了快速增強程式能力與數據的實戰經驗，加入余清祥教授的健保資料庫研究團隊，透過處理大量、雜亂的資料庫加強程式能力(R、SQL)。並且在一年後成為團隊領導，規劃年度團隊目標(改善 Data Pipeline、優化團隊協作效率等等)，建立團隊溝通與協作模式(Slack, Trello, Google Drive)。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*xCLbpwNTevBdpL2QSNGkTQ.jpeg" /></figure><p>除了參與校內研究團隊，校外亦積極參與活動。自2014至2016年的台灣資料科學年會，從獨自報名課程轉變成R語言課程助教，且在2016 DSP 資料科學夏令營中擔任 R 語言講師。渴望學習的行動力使我不斷提升。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8XPZC47iyA7Bb8Q3WTlwTg.jpeg" /></figure><p>參與實習讓我從害怕挑戰蛻變成擁抱挑戰。在 Gogolook 實習初期，從第一次專案成果被 CEO 否定的挫敗陰影，至後期建立出優良預測模型成果，從中讓我領悟到：<strong>資料科學除了總是在解決沒有明確答案的問題外，即便找到了可能的解決方法也不保證成功。從害怕挑戰轉向成擁抱挑戰，是我實習最寶貴的經驗。</strong></p><h4>脫離舒適圈後持續突破與扎實自我管理</h4><p>雖然離開校園良好的學習環境，但獲得更多的時間可以運用。在服役前持續擁抱挑戰，與三個朋友組隊參加黑客松競賽，使用開放資料打造符合 MVP 的產品並在亞洲跨國黑客競賽中獲得冠軍。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/384/1*l2i2uF4uoi3ip8ZQZZ4EGQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*we_xhx_HjYfWoxGzLrcaSw.jpeg" /></figure><p>服役期間則專注在時間管理，使用 Trello 規劃學習目標。目前持續精進技術力(Python與Bootstrap)與方法論(推薦系統、機器學習)兩大方向。</p><h3>未來規劃 — 成為具有影響力的資料科學家</h3><p>身為資料思維的信仰者與行動者，未來將專注於運用數據打造產品，用於改善、貢獻社會，創造資料的價值。為了達到這個目標，簡述我未來目標：</p><ul><li>Methodology：Recommender System, Machine learning, Deep Learning</li><li>Programming：Python, Front-end, Hadoop Ecosystem.</li><li>Writing：“Writing is nature’s way of telling us how lousy our thinking is” — Leslie Lamport</li><li>Management Consultant：Problems Definition &amp; Solving, Independent Thinking</li><li>Domain Knowledge</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bd4cdc4a2355" width="1" height="1" alt=""><hr><p><a href="https://medium.com/shenglin-series-stories/%E8%87%AA%E5%82%B3-%E9%81%8E%E5%8E%BB-%E7%8F%BE%E5%9C%A8%E5%88%B0%E6%9C%AA%E4%BE%86-%E8%B3%87%E6%96%99%E7%A7%91%E5%AD%B8%E4%B9%8B%E8%B7%AF-bd4cdc4a2355">[自傳] — 過去到未來 — 資料科學之路</a> was originally published in <a href="https://medium.com/shenglin-series-stories">Lin’s Data Mind</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>