總體來說，2017算是最有希望的一年，從暗不見天日、徬徨錯愕的預期未來中，漸漸看見了一絲曙光。這篇文章除了訴說自己掙扎著逃出苦海的心路歷程之外，主要是希望給予正在同條路上的夥伴們一些分享。
2017年01月 開啟出逃事務所之旅：進入資策會
2017年02月 進入資科人的世界：修習蔡銘峰老師的資訊檢索課程
2017年04月 開始自學Python：以爬下公開資訊觀測站為目標
2017年05月 人生第一場Kaggle競賽：Quora Question Pair
2017年06月 人生第一個網站：「肆‧年」課程檢索系統
2017年07月 人生第一場黑客松：台大黑客松
2017年08月 人生第一個稅務程式專案：SimCorpFinder
2017年09月 習得資料探勘的理論架構：修習沈錳坤老師的資料採掘課程
2017年10月 習得深度學習理論基礎：修習Coursera吳恩達老師Deep Learning課程
2017年11月 人生一個拿獎的黑客松：新竹黑客松
2017年12月 記錄一整年習得的重要技術：ithome鐵人競賽
我在資策會上的課是六個月的C#課程，不過自從離開資策會之後，我就再也沒碰過C#了。推究其原因，C#是微軟開發出來的程式語言，而微軟的專長是「一鍵完成」，因此其在建構桌面、網頁應用程式都極度簡單方便，廣受傳統接案公司所親賴。然而個人發展上，比傾向新創公司以及資料處理相關技能，C#因為其封閉性，皆非這些領域的主流語言，所以後來也就沒有再接觸。
當然，如果你學程式純粹是希望可以找到一份穩定的工作，並且有穩定的升遷管道，C#未嘗不是一個好選擇，不過相對應的他們比較的就是誰比較有經驗？誰比較可以快速串接微軟寫好的各項工具？誰比較快速可以開發出一個網站？整體來說，還是比較穩定而缺乏創意空間的。
我想我還是會進去，不過不會選擇C#，而會選擇Java。會選擇進去資策會的原因有兩點：
第一、資策會一段時間的基礎程式設計訓練，可以督促自己在這段時間內耐住性子把基礎打好，所謂的基礎指得是變數、函式、迴圈、物件導向...等。畢竟剛開始寫程式有一段時間會完全沒有產出跟反饋，是極度煩躁的，如果有一群人可以跟你一起學習、討論這些極度枯燥的問題，當然可以增加自己學習的動力。
第二、網站前後端技術的溝通相當抽象、複雜，資策會內部的老師其實教的滿好，可以比較完整的建構網站技術的基礎知識。假若我沒有機會進去裡面，我想我大概不會有一天可以有耐心建構出一個網站。
當然，資策會也有一些缺點大家可以綜合考慮。畢竟他們以就業作為主要考量，而會去資策會找人的公司，大多是相對傳統的軟體公司或部門，因此他們有些技能需求已經過時或加值性不高了，不過資策會為了迎合廠商需求，還是會花一定的時間教授這些技術。另外，由於裡面有許多後段大學的同學或是二度就業的爸爸媽媽，可能多少有點經濟壓力，不得不說比較少人在這條路上如我想像的有時間、有熱忱。
主要是因為Java是開源的，許多開源軟體或程式庫就是建構在Java上，舉例來說，Linux系統算是業界非常廣泛使用的Server系統，要在上面跑C#根本難如登天。另外，Java還可以開發android應用程式。當然也有參雜我個人的偏好因素，例如我目前使用到的數據相關的應用程式，底層大多是用Java寫成，一旦發生錯誤，我完全看不懂錯誤訊息，也不知道怎麼Debug。
至於Python與R的討論已經很多，我就不參戰了。
但是我愛蟒蛇!!!
個人覺得在這條路上，支持我努力快速學習的動力，大約是完成某樣作品的期許吧。還記得決定要進入資策會時，很大一個動機便是覺得在事務所兼職那段日子太過苦悶，做的事情大多很routine，便期許自己可以將事務所自動化。因此，在技能點的分配上也都往這方向發展。
順帶一提，在進入這個領域之後，我一直寫程式覺得很像在玩online game，不斷地往自己想要發展的方向累積技能，一個技能約莫兩天到兩周可以累積起來，從程式語言基礎、SQL資料庫、NOSQL資料庫、git、物件導向、html、css、javascript...等。不過大多時候，我並不是每個章節都字字斟酌的理解，把每個技術的細節都理解到淋漓盡致，而是選擇性地汲取我可能會用到的部分，以支持我想做的專案。
不要管自己學得透不透徹、完不完整，先找個專案來做吧!
這樣做有個絕對的好處，就是可以讓你持續有動力學習新技術，並且立即性的將新習得的技術應用在自己的專案上。當然，這過程也會有陣痛期，大多時候是在尋找相關技術的關鍵字，或有些時候甚至不知道有更方便好用的技術，因此常常耗費大量時間在網路搜尋上，有些人會覺得這很浪費時間，不過對我來說，這是一個透徹了解一個技術的優劣的手段，也讓我未來在技術選擇上更有信心。而且，很多時候因為這樣地尋找與理解，你會從根本地知道一門技術的價值以及可能對你專案所創造的貢獻，反而反過頭來用系統性的方式去理解他。
舉例來說，我自己在摸索爬蟲技術的時候，我剛開始甚至從程式語言開始選起，我想要做到爬蟲的功能可能的工具有C#、R、Python(當時還不知道node.js)，後來發現Python教材好像比較多，另外與數據分析似乎很有關，因此就選擇了它。起初，我在完全不懂Python基礎語法的情況下，直接學了Python的爬蟲。過了兩周之後，雖然已經有寫出一些可以運作的程式，卻也發現這樣囫圇吞棗太過吃力，後來又安插了約莫一周的時間，把Python的基礎語法有系統性地跑過一輪，一方面可以跟之前程式中看不懂的部分相互對照學習，另一方面我也因為清楚地知道，這個東西學起來之後，我就可以隨心所欲地爬片各式各樣的網站，因此即便無聊透頂也學得很有動力很快。
關於資料技術學習的技能樹，我已經在ithome鐵人的第一篇文章寫過自己的想法，這邊比較想談心態與學習資源的問題。
我剛開始有機會接觸到資料技術是因為蔡銘峰老師的資訊檢索課程，當時已經四年沒有接觸過數學，最近一次接觸的大一微積分也約莫忘光了，因此每堂課下課後，回家都要花大量時間重新複習高中數學的相關章節。但是如果你眼尖一點，你就會發現，其實AI的絕大多數技術只會用到高中數學、以及大一微積分比較簡單的一些知識。甚至有些數學研究比較高深的同學會覺得，資料技術不過就是加加減減，不能算是數學。
如果你高中數學的基礎沒有太差
AI真的沒有你想像中的困難！
很多人喜歡把AI技術比喻為人腦，不過如果你有實際接觸過，你會發現其實AI技術要達到人腦的水準還是有一段非常遙遠的路。而現階段的AI技術，絕大多數的應用也就是透過解釋變數去預測被解釋變數，再說的簡單一點，其實無非就是拿X去預測Y。你可能會懷疑，蘋果的Series可以生產出一個句子，也是用X去預測Y嗎？你可能也會懷疑，有人用AI把所有的畫變成梵谷style，這也是用X去預測Y嗎？答案是對的，資料科學家終究要將這些困難的問題轉換成XY的最佳化問題。
雖然學習這些技術並沒有我們想像中的困難，這門技術的研究成果卻非常性感而富有魅力。剛開始我在接觸資訊檢索時，一如劉姥姥進大觀園，看到什麼都驚艷不已。我發現原來一篇文章可以用向量的形式被電腦讀懂；我發現原來向量夾角，不只能用來計算數學課本上的題目，還可以用來計算兩篇文章間的相似性；我發現文章可以被mapping到空間上的一個點，計算他跟其他篇文章的距離，並將其分類到正確的類別。除此之外，資料採掘課程上的種種分類與分群的演算法，也是各個讓人感恩讚嘆。
現在，我們可以用一年的時間學完資科領域淬鍊幾十年的精華，何樂不為?
當然比起大多數的社會科學領域，只是不斷的用迴歸分析製造論文，要看到真正對於該領域有革新性影響的研究可說是百年難得一見，還記得在財政系待了四年，讓我如此驚艷的理論大約只有兩個，一個是財務管理中的CAPM模型、另一個是計量經濟中的回歸模型。然而，反過來看資科領域，在我一年學習的中，幾乎每周的課程回去消化反芻之後，都有種想法，想問真正發明這些演算法的人究竟是何方神聖，竟然可以想到用這些數學工具解決問題。或許是興趣吧，但是這真的比較吸引我。
不得不說，就我個人的經驗來說，社會科學領域的學習氛圍，大都比較死氣沉沉，真的會看到幾個認真的同學，也大都是傳統國高中的學習模式，因為要考高分、要考公務員，所以我要念書。但是這個領域很不一樣，雖然也不乏興致缺缺、無法轉系出去的學生，不過至少不會整個班上瀰漫著「我的未來在哪裡」的困惑。
從比較溫和的角度來看，在慢慢地汲取各項技能的過程當中，你會慢慢發現你真的有機會可以做很多事，讓這個世界變得更好。想像一個情境好了，假設你問一個社科院的研究生最近在做什麼事情，大多時候的回應可能跟他的專業不太會相關，就算相關也就是準備考試、報告、論文...云云。但是很有趣的是，當你認識一些這個系上比較高年級的同學或是研究生時，你問他最近在幹嘛？我聽過的回答有：
我試著用深度學習的方法自動產生出一套字體。
我創造出了一個自動對抗的貪食蛇遊戲。
我可以把任何畫都變成梵谷的畫風。
我正在將政府公開資料放到GIS系統上。
從比較功利的角度來看，薪資上的落差是非常明顯的，當然這也要跟你原本的科系來比較。不過以我個人為例，財政系的主要出路有二，公務員與會計師事務所。我個人不喜歡穩定的公務員生活，至於事務所...大學起薪34K、研究所38K、第二年40K、第四年50K，這是你花了最黃金的四年打下會計基礎，汲汲營營考取會計師，事務所給你的回報。比較一下，我在資策會畢業的同學，雖然沒有任何工作經驗，一離開資策會就已經50K以上，而且領14個月以上，更不用說第二年年薪就快要破百了。
到了資科領域之後，這個領域比較少瀰漫著「放棄人生」的霾害。
當然，有希望或沒希望都是相對的概念，我不會說其他領域就完全沒有希望，不過就我個人的經驗來說，到了資科領域之後，這個領域比較少瀰漫著「放棄人生」的霾害。
這也是跟商學院或社科院很大的一個落差，在大學的時候，看到許多講者來分享自己的經驗，總是害怕別人把自己謀生的技能偷走，而顧慮東顧慮西，不願意發PPT，禁止拍照攝影...。在我看來，很多時候這種顧慮的產生是來自於學習停滯，因為沒有新東西好學、或是懶得學新東西，所以鞏固既有的知識變得極度重要，當然這也只是我的黑心踹測。但是我想比較實際的問題是，商學院或社科院同學在還沒出校園之前，要對社會上的人才或技能需求有所意識根本難如登天，而這跟業界的不斷的鞏固自己既有知識的城牆疆域，很難說完全沒有關係。
但是回到資科領域，這個領域很酷炫的地方在於，很多東西是開源的、免費的，甚至期待每個人的加入讓整個體系變得更好。你可能會問，為甚麼他們要把自己的成果免費公開出來讓大家使用，說實話我也不是很清楚，可能是純粹的一種「開源」信仰，也可能是期望累積個人的知名度。總而言之，你會發現這個領域實在太多佛心的大神，讓我們可以很輕易地爬上巨人的肩膀，做我們想做的事情。以下舉幾個例子：
教學資源免費：在學習資訊檢索時，被我們老師稱為資訊檢索領的聖經的Introduction to Information Retrieval，竟然直接在網路上公開PDF檔。另外，你也可以在網路上找到許多免費的教學資源，像是我之前暑假的一個讀書會上的史丹佛大學的公開課CS224: Natural Language Processing with Deep Learning。
Git和GitHub免費：Git是一個非常強大的版本控管工具，這個工具可以幫助你非常輕易的儲存每一次的變更，也可以做變更前後的差異比較，更可以讓你做時光機回到每一次變更前的狀態。而GitHub是網路上讓你存放Git資源庫(repo)的一個平台，這個平台如同Google Drive跟OneDrive很像，不同之處有二，其一他必須透過終端機的方式連結，其二上傳過大容量的單一檔案比較麻煩。但是無論是Git或是GitHub目前為止都是免費的，除非你想要做權限控管，不讓別人看到你的code(其實有學生信箱也是免費啦)。
Kaggle的分享氛圍：Kaggle是一個被Google買下的大數據比賽平台，在這個平台上許多知名企業都會上去辦比賽，而且獎金一般都不低，當然相對應的要得獎則是相當的不易。我第一個參加的Kaggle競賽Quora Question Pair，Quora是一個外國很大的問答網站，如果Yahoo奇摩知識加或是知乎，而比賽項目是，給你兩個問句，要你預測這兩個問句問的意思是不是一樣的，如此一來便可以幫助他們偵測到重複的問題。
而這個平台上最令人驚訝的不只是上述好玩的競賽模式，更是他的分享氛圍。其實要做完一個完整的資料分析流程從資料取得、處理、訓練到預測真的不容易，不過你可以上去這個平台看一下，在比賽進行當中，一般都會有人出來分享一些比較基礎的作法，裡面除了程式碼外，還會配上細緻的解說，讓你瞭解這場比賽一班都從哪個方向開始做，或是有哪些基礎工具可以使用，讓你可以在幾天內上手這個資料集。
雖然很難真的在這場比賽中得獎，不過能夠建構對於初心者如此友善且高效率的學習環境，真的令人為之驚嘆。
說到這邊其實有些傷感，還記得剛上大學的時候遇到一個經濟學的假設，大約是我這輩子覺得最實際的經濟學假設「Education As A Signal」。意義大約是說，讀大學只是一個象徵，完全不代表你待在大學這段期間你會真正學到什麼有用的技能。其實也滿實際的，雖然不能夠很武斷地一概而論，不過我敢說我大學八成以上的課對我的人生沒甚麼幫助。
Education As A Signal
以前在打辯論比賽是常常在討論「興趣跟麵包應該如何選擇」，很諷刺地我們慢慢發現文憑已經不再等於麵包的象徵，而現在的討論也已經慢慢轉向「虛偽的文憑跟扎實的技能應該如何選擇」，其實我的用字已經很明確的表示我自己的抉擇。我在研究所的一年半期間內，只真正上過自己所上的一門課「國際智慧財產權法」（有一部分是因為他全英文授課，可以好好訓練一下自己的英文能力），未來也不打算要畢業。
不過我自己覺得，這並不表示我浪費了一年半的時間，回頭過去想想，其實我覺得滿值得的。這一年半的時間中，我花了半年時間學習英文，花了一年時間學寫程式，而在學習寫程式的過程中，不僅善用了政大資科系的資源、修習他們的課程、與他們的教授合作專案，也結交了統計系、資科系、應數系的一群朋友，一起在這個領域討論與學習相關的議題，最終也成就了在文章初始時所羅列2017年完成的各項事蹟。
當然，這過程當中會有很多的自我質疑與矛盾，很多時候你會想，這樣的摒棄文憑的任性與傲嬌，究竟是追求興趣的義無反顧？或是摸索職涯發展的各種可能？甚或是汲汲營營的迎合市場需求？反正無論如何，目前為止還沒有絲毫後悔的感覺。至於我鼓不鼓勵其他同學跟我走上同樣的道路，我只能說我就嘴嘴，我也沒辦法為你們的人生負責。一如當初許多會計師說過「國際租稅人才缺乏」、「事務所現在很缺Ｔ型人才」，但即便我認真成為了他們想要的樣子，他們也不會為我負責。
這篇文章純粹是個人看法，也不普遍適用在每個人身上，更無法反映絕大多數學生的價值觀。另外，如果你們有甚麼樣的議題，希望我可以分享看法，可以在底下留言，我會視情況回答。
iThome鐵人賽
看影片追技術