在人手一機的現代社會，我們的生活已經無法脫離各大科技公司的產品。閒來無事時滑滑 Facebook 和 Instagram，了解最新趨勢、關心朋友近況；趕時間時會用 Uber 叫車、懶得出門時用 Uber Eat 點餐；開車或通勤時間絕對少不了 Spotify 和 Youtube 的陪伴，收聽音樂、Podcast 和觀看影片；在中秋連假時使用 Airbnb 下訂住宿，再和家人一邊觀看最新上線的 Netflix 影集，一邊吃著月餅；用 Pinterest 搜尋漂亮的居家擺飾，並在淘寶購買下單。

生活中的分秒都和這些產品緊密結合，然而，這些科技公司究竟是如何決定要呈現什麼給用戶？如何設計演算法，讓用戶點開時永遠都能夠發現自己想要觀看的內容？甚至，如何知道 app 的頁面要設計成目前的樣子？怎麼知道司機或外送員多久之後能夠來到我們的面前？

大家好，我是 Min，身為一個資料科學家，不免好奇隱藏於每天使用的 app 背後的演算法。在本次鐵人賽中，我會設計不同情境故事，跟著主角 Skylar 一起度過日常生活，並一起探討科技公司是如何設計這些產品。
本次鐵人賽涵蓋的主題如下，我會在每日完稿後再更新連結：

Facebook & Instagram 的內容排序系統和推薦系統

• [Day 2] Facebook 如何排序推薦內容 - 上 - 使用者調查
• [Day 3] Facebook 如何排序推薦內容 - 下 - Feed Aggregator
• [Day 4] Instagram 如何產出要讓用戶探索（Explore）的內容？（上）
• [Day 5] Instagram 如何產出要讓用戶探索（Explore）的內容？（下）
• [Day 6] Instagram 如何產出 Suggested Post？

Netflix & Uber 的 A/B testing

• [Day 7] Netflix（一）- 為什麼我看到的和你的不同？你被 A/B Testing 了嗎？
• [Day 8] Netflix（二）- 如何判讀 A/B testing 的結果？淺談 False Positive
• [Day 9] Netflix（三）- 如何判讀 A/B testing 的結果？淺談 False Negative
• [Day 10] 做一個 A/B testing 要如何部署各種版本的 app？以 Uber 為例

Spotify 的推薦系統

• [Day 11] Spotify 怎麼知道「每週新發現」中要推薦什麼歌給你？（上）

• [Day 11] Spotify 怎麼知道「每週新發現」中要推薦什麼歌給你？（下）

• Walmart、淘寶 和 Airbnb 的 Knowledge Graph

• Uber 如何預估司機抵達時間

• Airbnb 如何使用電腦視覺

• 還有其他科技公司的各式資料科學議題，如果有想看的主題歡迎留言許願

既然要談資料科學和演算法，免不了會談到一些統計觀念。幾經猶豫，最後決定還是花幾天篇幅介紹統計，畢竟這是在理解模型和實驗概念中不可或缺的一環。
另外，除了這個競賽之外，如果想要了解更多統計和機器學習的概念，也歡迎來我的 Medium 逛逛。

謝謝讀到最後的你，如果喜歡這系列，別忘了按下訂閱，才不會錯過最新更新，也可以按讚給我鼓勵唷！
並歡迎到我的 medium 逛逛！

好了，讓我們一同展開這個旅程吧！