轉眼間轉職資料科學領域已工作超過兩年。經歷了一段忙碌又充實的日子，也在這樣的生活中迅速成長起來。這次想整理爬梳這兩年的經歷，為此時此刻的自己下個註記。 自己的定位 目前待過兩間規模類似，但產業天差地遠的公司：一間公司提供資安技術服務，另一間是電商。在這兩間公司，工程師的定位是相似的：需要懂後端系統設計，也要能實作資料分析與開發模型，結合上述兩者，能夠設計並打造數據分析平台和數據產品。 當然技術上需要跟前輩、同事相互討論與請教。但這樣的我，也獨立開發了數個影像分類、推薦系統等數據產品，並順利上線運行。 工作日常還包含了：產品開發後，持續追蹤成效指摽，並據此調整線上產品。使用者站上行為log 的分析，期望能從中找到有趣的insight 來做下一個產品。 相較於專注在研究演算法的機器學習工程師（或研究員），我更傾向將自己定位為資料工程師與數據產品的開發人員，未來也打算繼續往這方向走。 在開發產品的過程中，需要理解stackholder的想法、思考產品商業價值，也能更多機會跟其他部門的人合作。這些都是我有興趣的工作內容。心中的最終目標，是想成為一位兼顧技術面、商業思維、與溝通能力的工程師。

對跨領域轉職為軟體工程師的你，提供我認為有效的學習策略 — 我是Sean，過去曾經是半導體工程師，沒有資工背景，也不懂程式語言。2019年從零學習寫程式，跨領域轉職為資料科學家。目前在新創電商服務，協助訓練影像辨識模型及推薦系統開發。從事軟體開發工作約兩年多。 在這篇文章中我想回顧這兩年學習的過程，並且問自己一個問題：假如能重來一遍，我會如何學習寫程式？要是回到兩年前，我會怎麼調整我的學習策略呢？ 以下會聚焦在學習策略，而不是學習心態。心得有以下兩點。 不要學太多 開始工作後，我習慣在下班時間泡在Udemy或 Coursera的線上課程來補充需要的知識。線上課程的主要目的：可讓我在短時間有組織架構的學習一套新的技術知識，更可以在往後隨自己需求作延伸學習。 另一方面，通常在線上課程學習的過程，會是一種正向的體驗。你跟著課程演進，練習課程中的程式碼，看著程式碼跑起來，你會得到成就感，並且最後會得到一張數位結業證書，看起來真不錯!不知不覺你會迷上這種正向體驗，你會感覺到你付出的時間得到立即的反饋。兩年中，我上了不少線上課程。覺得晚上的線上課程，比起白天的程式開發還要輕鬆愉快，沒有時間壓力，不需要debug，也更容易有成就感。

機器學習模型建模過程中，作為訓練材料的特徵們會跟模型要預測的問題息息相關。比如著名的Kaggle房價預測，拿來做模型訓練的特徵包含有：內部坪數、房間個數、地段等等。我們還會使用特徵工程手法，一般來說是一些統計方法，從初始訓練資料中，創造對模型準確度更有益的特徵。 真實商業場域，拿來讓模型訓練的特徵，除了用特徵工程手法取得，也可能是前一個機器學習模型的輸出。或是其他程式運算的結果。 最近的專案中，需要從服飾類商品圖擷取該服飾主色系，作為下一階段模型的輸入特徵。這篇文章主要分享我怎麼從沒有頭緒到做出以下兩功能的過程： 顏色偵測：擷取商品實際顏色 色系分類：將商品實際顏色歸類到網站上的商品色系 Strategies： 首先以技術角度來理解此問題，功能的實踐分成以下四步驟： 將一張圖片(.jpg)輸入程式 程式從圖片中判斷商品主體於圖片中所在位置 擷取商品顏色 回傳結果給使用者 這隻功能主要在於步驟2. 與步驟3. 的實踐。經過一番資料蒐集與摸索嘗試。決定以Github上開源的影像去背模型(rembg )實踐步驟2.，步驟3.則是參考網路上Color Dection 的介紹文，使用K-means 來將擷取出的商品主體做分色。