七月的第一天，虹安在線上參加了第十屆工程、技術與STEM教育研討會，今年主辦單位是宜蘭大學資訊工程學系、協辦單位是成功大學工程科學系、IEEE台北分會 Young Professionals Group，研討會主題為「結合跨領域的工程教育」。虹安從資訊學碩士再到機械博士，現今又在立法院服務，橫跨了三個領域，當天的演講主題是「數據科學與國家治理」，由於疫情的關係，只能在線上跟各位老朋友、學界伙伴相見。
💡 科普時間：什麼是STEM教育？
✒ STEM，是四個英文字的第一個字母結合而成--科學（Science）、科技（Technology）、工程（Engineering）、數學（Mathematics）--是近年相關產業最喜歡用的關鍵字，歐美也有許多STEM教育的相關計畫，希望未來教育能從「知識傳遞」進化為「學以致用」，著重於科學、科技、工程、與數學的跨領域資訊整合，使知識成為可用資源的思維。
虹安首先以自身的學習、工作經歷作為開場，就讀資訊工程系所時的虹安，也跟你我的學生時期一樣，熬夜寫程式debug、拼命K書📚、做研究；到了機械博班的階段，要在博士班的過程一口氣弄懂機械系學生四年學到的內容，結合自身的資工背景，激發出insight 💡變成博士論文。過程中也曾經怨嘆過為什麼想不開，為什麼要跨領域讓自己這麼累；再到了科智的創業時期，獲得了 #全球創業賽第一名 的殊榮，跨領域的學習逐漸展現出成果；接著又到了鴻海集團擔任工業大數據辦公室主任貢獻所學，同時也擔任郭台銘創辦人的特助，命運的際遇讓我來到了立法院擔任第十屆立法委員。這次跨離了工程領域，虹安仍然戰戰兢兢，但過往累積的經驗與能量，使我能把立委的角色擔任好，虹安的大數據專長讓我問政時更能以事實和邏輯分析為根據，以數據避免政治口水，也為立院帶來了不同的科技思維。
#而且立院的同事跟科技業的很不一樣
接著，虹安以「數據思維的重要性」作為切入，說明了零售業龍頭Amazon建立了「線下」實體通路的用意是什麼、又如何決定什麼商品該在架上展示，現今的一切，不再用經驗法則決定，而是 #大數據驅動的結果，「妥善用數據分析就能看到別人看不到的價值」。在2011年，發源於辛辛那提的奇異(GE)公司，發表了GE Industrial Internet System，舉例說明了 Product (or Service) Data Life Cycle，強調了數據收集、數據比對與分析、決策改善等三個要素的Life cycle，這Life cycle適用於各領域的大數據分析和應用，重點是，以數據驅動需求的首要原則是：From gut feeling To data agility，將主觀意識下有限的數據來源，轉變到客觀心態下更大更完整的#開放式數據來源，如此一來，養成數據化的工作模式，就能得到洞察數據敏感力，看到別人看不到的價值。
而在 #國家治理方面，虹安舉了去年質詢陳時中部長的 #口罩地圖 為例，說明了大數據分析用於口罩分配的成果😷，並可解決城鄉口罩用量不同的物流輸送問題，使每個需要的人都可以買到口罩。各縣市的口罩分配不應該只是齊頭式平等；而我用的方式，就是上述的「數據收集、數據比對與分析、決策改善」三要素；虹安才能以明確的數據質詢蘇院長，7600萬片口罩到底去了哪裡。除此之外，虹安在立院密切關注的，還有 #數位發展部 的成立。數位發展部源自國家對於數位科技產業及發展的重視，成立數位發展部以進行國家數位發展政策之規劃、協調、推動與法規擬定及執行，並著重國家資通安全政策、法規、重大計畫與資源分配之擬定、指導及監督，這會是虹安在立院第四個會期的重要工作項目。
值得一提的是，會後教授們的提問十分精闢，虹安大致整理如下：
①女性工程師的教育環境、社會支持的情況
②科研成果的產出，凝聚成政策推動的的能量，再從政策回到高等教育的增進，形成正向循環的方式
③數位發展部的角色對於高等教育的影響，是否與科技部/國科會有所不同
很謝謝學界朋友的交流，這次的演講讓我暫離政治圈回到本業，虹安將會從這些面向進行研議與推動，希望我的分享也能給予學界跨領域的交流與互動。
#回歸自己的本業既熟悉又開心
#跨領域最難的是要花很多時間讀書
#想了解虹安的歷程可看面試郭台銘
data science碩士 在 [問題] 朝Data Scientist-Statistics及CS的選擇- 看板studyabroad 的推薦與評價
各位前輩好，小弟即將退役，有志朝 data scientist 的職位邁進，且有意在國外工作
在留學版潛水一段時間，爬文後仍無法決定究竟哪條路才是正途
只好厚臉皮發篇文章，順便讓後人有文章可以看，還請各位前輩指點迷津
學歷：
NTU BA Economics, minor in Mathematics GPA: 3.8/4.3
NTU MS Oceanography, fisheries GPA: 4.0/4.3
語言：
GRE: 未考
TOEFL: 未考
TOEIC: 840 (L:420 R:420)
雖然範圍及深度與GRE、托福有落差，但還是列出來讓大家多點資訊判斷
Publication：
None，目前正在修改碩論，未來可能發表，屬漁業領域
經歷：
當過TA，教多元統計、R
參加過魚客松競賽，當時主要充當漁業專家，以及寫一些 R 來分析資料
隊友用 Ruby 寫網頁跟 app，並嘗試把我寫的 R 包到裡面
可惜最後包不起來，只能各自 demo
-----
我的背景看似多元，但其實一直在做資料分析，統計相關的課大部分都有修過
包括統計、計量經濟、時間序列、多元統計、數理統計、高等統計推論、
微積分、線性代數、高等微積分等等
大部分統計常用的工具都有涉略
例如 regression, time series, PCA, CCA, RDA, FA, MDS 等等
也懂一些 machine learning 的東西
例如 discrimination, classification, clustering
碰過的 algorithms 有 FLDA, MLC, SVM, k-NN, hierarchy, K-means 等等
這些統計工具背後的理論都懂，也能用 R 把上面的東西實做出來
對 R 的熟悉度是能夠整理資料、寫自己想要的 function、矩陣運算、視覺化
但對 R 底層的東西不了解，而這正是我發這篇的原因
小弟找工作時發現 data scientist 缺多半要求會 python, SQL, spark, hadoop
經爬文發現要走 data scientist 還是要會資料結構、資料存取這些技能
這才知道 data scientist 並不是單純處理、分析、解釋資料而已
所以想要點一些 CS 的技能，而爬文得知 CS 又不能點超過
所以列了以下幾條可能的路：
1. CS master
2. Statistics PhD, 修 CS 課
3. Statistics Master, 修 CS 課
主因是無法確定美國的 data scientist 到底是要求 programming 多，還是數學多
如果需要很多的程式能力，那麼選第一條會是正解
如果需要很多數學、modeling、對資料的直觀處理能力等，那麼第二條才是對的
而第三條對我而言相對簡單，因為該修的數學課都修過了
可以快速取得國外工作的入場券
但又擔心會落到數學不夠強、程式又不夠強的尷尬位置
猶豫很久不知道要選什麼
讀 PhD 省錢但曠日廢時，也充滿變數；讀 MS 又怕業界覺得不夠
如果希望能在 data scientist 路上走得長遠
是不是該沉住氣把 Statistic PhD 讀完
又或者其實念個 CS Master 就夠了，趕快出去磨練資料分析的實戰經驗
又或者 CS 其實不用點那麼多，念個 Statistics Master 外加修 CS 課就好
讓自己更專精在資料科學領域？
抱歉思緒有點混亂，懇請各位前輩賜教，感激不盡！
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.128.188.92
※ 文章網址: https://www.ptt.cc/bbs/studyabroad/M.1517233119.A.E4A.html
※ 編輯: foru (140.128.188.92), 01/29/2018 21:39:51
... <看更多>