「資料科學家養成三部曲」讓你躋身 21 世紀最性感的職業

（資料科學家陳昇瑋正用 R 語言觀察資料）

上一篇〈二十一世紀最性感的職業：Data Scientist〉我們談了資料科學家的工作內容，或許很多人看完後，已經等不及在資料海中一展自己「性感」的魅力。

這篇一樣是由台灣稀有的資料科學家，同時也是中研院資訊科學研究所研究員的陳昇瑋擔任主角，跟大家分享「如何自我訓練成為一位資料科學家」。篤信資料價值的他，可是希望所有學生、各個領域中的從業人士也能相信資料的價值，成為資料科學家呢。

資料科學家必備能力：統計、寫程式、領域的知識

從資料科學家的工作內容中，不難理解資料科學家必備的能力有三個，分別是：統計專長、寫程式的能力、該領域的知識。

就陳昇瑋的觀察，資料科學家很難培養，因為工程師通常對統計沒有興趣、統計出身的人又對工程沒提不起勁，因此學校並不會刻意把程式和統計合併到一門課裡，想學多半只能靠自己。雖然學校沒教、同時兼顧這三個能力的人才又不多，不過對於擁有單一或兩個能力的人訓練起來會輕鬆許多，若你對資料有熱情，訓練起來更是不成問題。

目前他收的研究生有來自資訊、電機、數學、統計各種背景的碩士畢業生，成為他的門徒後，看需要什麼就補什麼，並跟著一個又一個的專案從做中學。而陳昇瑋自己大學、碩士、博士都是主修資工、電機，在寫程式能力已經具備後，他在博士班時期自修統計，現在才得以成為資料科學家。

資料科學家養成一部曲：學寫 R 語言

如果想訓練自己成為資料科學家，陳昇瑋勸告，第一步是絕對不能怕寫程式，並從資料分析的兩大主流程式語言 R 或 Python 中選一個學，他首推是專門用來做資料分析的 R。正所謂工欲善其事，必先利其器，學會 R 或 PYTHON 是絕不可抗拒的第一步。

資料科學家養成二部曲：大量玩資料，培養對資料的直覺

第二步是開始玩資料，以培養對資料的直覺。陳昇瑋把這個步驟比喻為「像小孩子玩泥土」，玩資料也要玩到像小孩玩泥土那樣地隨心所欲，最後甚至能夠掌握泥土特性。

至於資料哪裡來，他建議從現在眾多的 OPEN DATA 當中，尋找一個有趣的、小的「Toy Data Set」，像是實價登陸、棒球比賽戰績這類跟興趣結合的資料，幾 MB 就夠，並在反覆的觀察、熟悉資料後，試著從資料中建立一個假設，並得出某些現象。

這個步驟在一些人的定義裡，有個專業的名詞叫「探索式的資料分析」（Exploratory data analysis）。

在這個步驟，你或許能從實價登錄資料裡得出房價與地段、樓層數、坪數之間的關係。而陳昇瑋在與 whoscall 的合作中，也是靠著這一步驟觀察出一般電話、詐騙電話、與行銷電話的通話模式，像是一般電話平均通話 75 秒、詐騙電話 26 秒、行銷電話則是 33 秒；此外，鈴響多久後被接起、來電人是否在你的通訊錄裡、來電人本身的發話頻率等等，也都是可以觀察的方向。

資料科學家養成三部曲：從蒐集資料到應用，走過一次

在學會統計用的程式語言、大量玩資料培養出對資料的直覺過後，下一步就是實戰。也就是把蒐集資料、整理資料，一直到分析、解決問題等資料科學家工作流程走過一遍。

這個階段你得給你蒐集而來的資料設定一個任務，並從預測（Predict）、分類（Classification）、群集（Clustering）三類應用中選一個來做。前一篇我們談過蒐集資料的難度，但要成為資料科學家，這一樣是你不可避開的關卡，因此你必須從小處開始決定自己要蒐集哪些資料，匯入自己建構的資料架構中，並開始分析、尋找現象，最後解決問題。

陳昇瑋假設一個題目是：「預測《TechOrange》上每篇文章會獲得多少的瀏覽量。」

要做這個題目，首先要從《TechOrange》網站的 HTML 上蒐集標題、作者、分享數、按讚數、內文 …… 資料，或許再拜託《TechOrange》分享近兩個月文章的分享量；接著把資料匯入 R 去觀察、計算出瀏覽量與其他資訊的關係；然後以尚未發表的文章的標題、作者等資訊，去預測其瀏覽量。

聽起來很好玩吧？你甚至可以預測股市、金價的漲跌，而事實上，的確有不少經理人是靠資料分析下單操盤的。

那些年，讓陳昇瑋玩到畢業的 140 G 線上遊戲資料

談到玩資料，陳昇瑋自己的博士論文，則是開始於 140G 的線上遊戲資料。

2002 年，也就是 12 年前，陳昇瑋跟遊戲公司宇峻奧汀合作，抱著一台電腦去機房紀錄一款從當時紅到現在的知名線上遊戲《神舟 online》的流量，那時他獲取了 20 個小時共 140GB、13 億個封包的資料。

為什麼是 20 小時？陳昇瑋笑答，因為硬碟滿了，畢竟那個年代硬碟空間沒那麼大。不過這 20 個小時，讓他玩了 4 年，寫了好幾份報告，也讓他順利獲取博士學位，更讓他能大膽的說「全世界網路遊戲的封包，沒有人比我更熟。」

陳昇瑋舉例，他可以從每秒鐘傳送的封包數量看出這個玩家正在走路還是打怪，也可以看出這個玩家是不是使用外掛，還能看出這個遊戲寫得好不好、有沒有妥善運用頻寬以避免掉封包的狀況。

或許剛剛你心臟漏跳了一拍，「原來我用外掛練等會被遊戲公司發現？」沒錯，而且世界第一個抓出外掛的人，就是陳昇瑋！

當資料科學家就跟當廚師一樣，沒有親自下廚，食譜看再多也沒用

從陳昇瑋玩資料的故事，不難看出他極其看重整個流程走過一遍這個步驟，「資料分析這份工作除非上手，不然很難產生價值」，他說。而要上手，除了一遍又一遍的訓練，不然不可能有對資料的直覺；更不用說當你成為公司的資料科學家後，你得在完全沒有資料的情況下預先看到資料的價值，決定要蒐集哪些資料。

或許有人會問，這樣做好像太難、太花時間了，能不能看書來培養對資料的直覺呢，像是看 Nate Silver 寫的《精準預測：如何從巨量雜訊中，看出重要的訊息》？陳昇瑋直言，沒有這種東西，看書、學 Machine Learning 跟資料科學家是完全兩回事。

「就跟學做菜一樣，就算你看再多食譜，沒有親自下廚，你永遠拿捏不準鹽巴到底該加多少，火侯該怎麼調配。」他如此比喻著。

資料科學家有很多種，文字、圖像、聲音分析各有優勢

不過資料科學家也不是萬能的，雖然他主導整個流程，但每個人都會有自己擅長分析的資料類型，因此如果是很大的資料架構，通常需要有好幾位資料科學家共同合作。

陳昇瑋舉大家熟悉的電子商務為例，如果要找出交易成功的原因，要處理的資料可能包括交易資料、商家資料、買賣前後對話紀錄、商品照片，這裡面要分析的有文字、對話、圖像，有的甚至會要分析聲音。當面對不同類別的資料時，就會需要不同的資料科學家，因為理論上沒有一個資料科學家可以分析所有類別資料，而你也可以從中尋找自己的優勢。