kyo huang

Follow

Dec 31, 2018 · 11 min read

2018是我人生重要的轉折之年，可謂從期待到遲疑，又重拾期待，最終確定目標。謹以本文記錄與總結。

上半年：資策會時期

確定轉換跑道

去年的今天，律師剛放榜，以451/483(及格標準)的差距落榜，這差距說大不大，平心而論，再準備一年的話，通過可能性還是挺高的，畢竟只準備了半年。但基於對考試規則說變就變的不認同，與新進律師市場的飽合情況，還是決定不再參加國家考試，放棄法律之路。

作為一個法律人，要放棄這條路並不容易，尤其已經投入甚多，但人生不是只有一種選擇。既然要轉職，還是要考慮該領域的前景以及自己想投入的程度，最後我選擇了參加資策會的大數據就業養成班。這不是一個臨時起意的決定，早在二試考完後、放榜前的2個月間，我就接觸了不少這方面的資訊，而落榜算是下定決心的關鍵吧。

自學或實體課程？

在之前的文章已經提過，資策會課程對我的學習效果並不算很好，如果再讓我選擇一次，我應該不會參加「任何實體課程」，直接全部靠自學。不過這麼說其實有點後見之明，畢竟我是有了資策會的基礎才這麼覺得。

不可諱言的，資策會的經驗還是很重要，自學遇到問題時，我不時會想起當初上課時，好像也有類似的疑問(比如Windows的路徑表示問題)，只要想得起來，解決的速度就很快。尤其是環境建置的時候，總是會發生各式各樣問題，過去的經驗是最好的幫手，再來才是Google和Stack Overflow。

另外，自學是對我管用的方式，但每個人狀況不同。尤其線上課程這種東西，半途而廢實屬正常，我也不是所有買的課都有看到50%。

因此，先退一步，簡單盤點一下資策會時期究竟上了哪些課，以及我的簡要感想，再表達如果我重來一次，我會怎麼做比較好。

簡單盤點

就業養成班的課程項目在網站上的介紹都有詳細列出，以下我就依網頁上的順序一一盤點，附上簡短心得，並依重要性標上星號◆(1到5)，只是簡單講一下我自己的看法，絕非嚴謹分析。

Interactive Representation

• HTML/CSS網頁開發：◆◆
  這兩樣東西是前端基礎中的基礎，易學易用(美感與排版能到什麼程度另當別論)，算是「學習成就感很高」的項目。但除了爬蟲對網頁元素了解實屬必要(但也不用多深)，其餘情況重要性不高。
• JavaScript動態網頁設計：◆
  JavaScript是泛用性極高的語言，但不是前端工程師的話，重要性依舊沒那麼高。
• 資訊圖表應用(D3.js)：◆
• 小結：前端都不是很重要，除了爬蟲需要，其餘可以隨意。

Database

• 微軟 SQL Server Transact-SQL 基礎語法：◆◆◆◆◆
• 微軟 SQL Server 資料庫實作：◆◆◆◆◆
  作為以資料工程師為目標的學習者，SQL是學習三本柱之一。就算不是要當資料工程師，公司絕大部分的資料也都是儲存在SQL，能懂一些語法也是很不錯的。
• 小結：SQL就是重要，不言而喻。

Data Analytics

• 網路爬蟲：◆◆◆◆
  自己對網路爬蟲興趣不算高，但在生活上的實用度不錯，比如追縱Uniqlo官網商品價格走勢，熱門程度高，整體而言還是滿值得學習的。
• 數據挖掘應用案例研討：◆◆◆◆
  又名「資料探勘」也就是「Data Mining」，這堂課毫無疑問會用到很多統計學內容。工具上使用weka，不過老師上課時幾乎一半以上時間在講怎麼操作，但對原理比較少提及，很容易忘記。建議有統計學基礎。
• R語言：◆ 或◆◆◆◆◆
  重要性端視你要選擇R還是Python作為自己的主力語言，R在分析數據時，明顯比Python更直觀。但基於個人偏好，我還是選擇Python。
• Python 程式設計：◆◆◆◆◆
• Python 資料分析：◆◆◆◆◆
  資料科學尤其是機器學習帶起了大量學習Python的風潮，數量驚人且威力強大的套件讓你站在無數巨人的肩膀上，簡潔的語法讓它成為第一個程式語言的首選，入門還是要花一些心思的，但絕對值得！
• Python 機器學習精要：◆◆◆◆
  機器學習，處於時代風口上的主角，入門門檻較高，需要一定的數學與統計學基礎，要學好就要相當投入才行。
• 小結：
  這部分正是資料分析的核心，都很重要，無法輕易放棄。不過平心而論，在沒有統計學和數學基礎情況下，要學好機器學習並不容易。

Linux

• Linux系統基礎：◆◆◆◆◆
  很多職缺其實也不用到Linux，資料工程師則是必備。
• Linux BASH Shell程式設計：◆◆◆◆
  同上，但入門門檻有點高，主要是語言很符號化，需要對很多「符號」去記憶其內涵，但沒有字面上的意義可以聯想，我覺得比Python難學，需要更多耐性與時間，一樣是資料工程師必備，其餘應該還好。
• Linux Docker容器式虛擬環境建置：◆◆◆◆
  同上，不過docker需要配合容器內的實際應用才好一併學習。
• 小結：
  簡單二分法，工作上如果用得到Linux，那這三樣可能都很重要，如果用不到，就都不重要。

Hadoop Ecosystem

• Hadoop雲端巨量資料處理平台：◆◆
• Hive巨量資料處理實務：◆
• Spark雲端程式開發實務：◆◆◆
• 小結：這三門課講觀念居多，實作較少，時數所限，難有通盤的理解。

Language

• Java程式設計：◆
  學習物件導向挺有用的，語言較嚴僅但繁雜，程式碼落落長。
• Java資料庫程式設計與應用：◆
• 小結：
  建議還是以Python或R優先。

上半年的小結與反省

綜上所述，如果再讓我參加一次課程，我的做法的是，1到3星的項目，聽聽就好，該堂課上完就立刻拋諸腦後，確保注意力留在更重要的項目上，行有餘力再來學這些。

實際檢討起來，學習效率不佳的因素之一正是因為項目過多，會嚴重分散對真正重要項目的注意力，尤其這些東西對我都是全新的，注意力有限，取捨其實很重要。講授的進度飛快，任何一步沒學好或落後同學，可能就會聽不懂，這些都會產生很大的心理壓力，更加妨礙後續的學習。

而自學的好處就是可以只挑我認為重要的東西來學，能避免讓不重要的項目分散注意力，也沒有同儕壓力。當然，前面提到說這有點後見之明，畢竟，我已經上完課了，有了基礎不再陌生，也大概知道哪些是重要的，所以挑起來相對容易。現在，我也寫在這裡。

下半年：自學時期

目標與紀律

有了之前的經驗，決定不再參加任何實體課程，改用自學的方式重新培養實力。尤其9月參加完資料工程協會的年度活動後，有了更明確的目標：資料工程師。毫無疑問，目標對學習的效率有舉足輕重的影響，而另一個重要的因素就是紀律的養成。

我們都知道，在沒有人監督的情況下，自學最怕的就是三天曬網兩天捕魚，也就是缺乏紀律。很多人會採用制定計畫並執行的方式來監督自己，這是一個好辦法，而我並不善於計畫，相對的，我偏好機制。

機制導向的紀律之道

機制，說穿了，就是一套規則，你可以為任何事情設定一套規則，然後遵守它，落實這個規則內引導你去做的小目標。換句話說，就是靠自訂的規則來制約自己，讓自己往想要的方向前進。比起個人的意志力，機制更加穩健可靠。

舉例而言，讀書學習，我使用的最基本的機制就是計時，並且把細節記錄在Google Sheet裡，怎麼記錄也都有相對應的要求，比如只限以「小時」為單位，且早上、下午、晚上時段都各有計時的上限，每日、每週亦然(為什麼這麼設計，稍稍推想應該不難明白)。同一小時內，原則上只能以一科項目為主，記錄也只會記錄一種。這些簡單的規則會構成下圖：

而我需要做的事就是，想辦法填滿一週30小時的學習時數。有些人可能會覺得一週30小時有點少，不過就我的經驗看來，想要持續一個月甚至一季以上的自律學習，這個值絕對不能定太高。而且這是只有真正學習時才會計時，30小時如果納入中間必要的休息時間(指的是短暫休息而非吃飯睡覺)，實際上需要花費36–40小時，跟上班族的工作時間也差不多了。

人生是一場無限賽局，實在沒有必要執著於一週多讀幾個小時，因為只要一陣學習低潮，有一週空白，多讀的時數就被輕鬆打平了。而高壓的情況下，崩盤的機率也大幅提高。我們追求是的持續進步，所以真的沒必要定太高，能保持心情穩定才是關鍵，只要好好設定一個「沒那麼容易達成的標準」就可以了。

The Udemy Way

有了機制之後，剩下的就是材料問題。把時間投入在材料上，靠著機制不斷累積時數，就是基本的自學架構，所以我比較少制定計畫，只是會不時檢視學習的狀態，並調整一下方向，通常就足夠了。

大概花了一半的學習時間在udemy的材料上(另一半是書和網路文章)，選擇udemy的原因無他，就是便宜又大碗。從這個列表可以看出，學習的重心還是在三本柱上：Python、Linux(包含shell script)、SQL，其餘docker和git則是比較附帶，不過git的學習感受比docker好很多，也算是有告一段落。

這裡沒打算細論這些教材，只從「完成比例」來討論。

有數據顯示，線上課程的平均完課率是很低的(低於10%)，這不令人意外。就我的經驗，一堂課如果能看完50%，通常已經能學到這堂課重點的80%了，像上圖的Git課，我自己是把它當作學習完成的，儘管實際只上了49%，其餘的內容多是非必要的。

所以，看待這個%數的姿勢一定要正確，首先，有30%就可以認同自己，因為已經贏過一半的人了，有50%大概贏過8成的人了。而且我覺得一堂課的甜蜜區間是50–80%，而65%正是甜蜜點。

如果時數愈短，那完成率可能就要相對應提高，像SQL是10小時，我的完成率就有89%(另一方面是課程編排得不錯，optional內容不多)，而Colt Steele 的 Python 3，高達30小時，縱使內容編排十分用心，但 69% 我就覺得已經很盡力了。

無論如何，在線上課程的世界裡，要追求的是50–80%(當然課程如果真的不符所需，應該立刻果斷放棄)，而不是一般上課的90–100%。另外，時數也是一個選擇要點，除非是很重要且必須全盤了解的科目，不然最好不要選超過12小時的課。前路漫漫，容易讓人動力不足。老子有云：少則得，多則惑。

筆記

筆記的重要性實在太高，再怎麼強調都不為過。

在漫長的學習中，如果沒有筆記，那記憶會少很多。怎麼做筆記，每個人有不同的偏好。有些人喜歡手寫，覺得這樣會更有印象，我基本認同。學習法律時期也是以手寫為主，但缺點就是速度很慢。改學程式以後，就不能靠手寫了，因為資料量實在太大。

我改以 Evernote 筆記為主，Evernote 本來就有在用，但學了程式後，用量更是大增，舉凡看線上課程，看書，甚至是網路教學文章，都盡可能做成筆記，以強化學習效果。可以說，Evernote 已經主宰了我學習的中樞神經，前陣子他們傳出獲利不佳、財務困難的消息，對我這個重度使用者而言真是不禁捏一把冷汗。

舉前面推薦的肖鵬SQL課為例，一邊看影片，一邊做筆記，三天下來，筆記量接近2萬字，如果用手寫不知道要花多少時間。而且，命令列輸出結果還可以直接截圖貼上，這也是紙本筆記所不及的。

另一種筆記方式就是 Jupyter Notebook，在學習 Python 類材料時會使用，優點不用說，就是可以將Python程式碼和Markdown文字整合在一起，非常適合做 Python 筆記：

總得來說，筆記的主要價值還是在於「反覆的閱讀與增刪」，每一次複習都是對之前學習的重新檢視，好的筆記就像好的書，值得一讀再讀。

結語

2018年是個人職涯的全新起點，總結一句想法就是「目標愈明確，對學習愈有幫助」。之後會分享更多自學心得，學習可以是快樂的，只要別過於勉強，也別太偷懶，每一次進步就在這樣的小小紀律之中。