AI & Data Dreamers練功房
ADMIT ONE ·載入中…工作室 →職涯服務個人設定登出登入／註冊
寶箱片場規則
資料工程師 資料分析師 資料科學家 機器學習工程師 AI 應用工程師
Data Scientist・職位指南

資料科學家

從資料裡找規律、建模型做預測，並證明模型對業務有用。

自評進度
登入後記進度
FIT・適合誰
  • 喜歡統計、數學推導與實驗
  • 能忍受大量清資料與調參數的時間
  • 對「模型上線後有沒有用」比「模型多準」更在意
DUTIES・職責

每天在做什麼

  • 定義問題：把業務問題翻成可預測、可評估的任務
  • 特徵工程、建模（scikit-learn、XGBoost、深度學習）、評估與解釋
  • 實驗設計與因果推論，驗證模型或策略的實際效果
  • 與 DE／MLE 合作把模型上線，並持續監控漂移
SKILLS・技能

必備

  • Python：Pandas、NumPy、scikit-learn
  • 統計與機率：假設檢定、迴歸、貝氏思維
  • SQL 取數與資料理解
  • 模型評估：交叉驗證、指標選擇、過擬合處理

加分

  • 深度學習框架（PyTorch）
  • 因果推論、A/B 測試平台
  • MLflow 實驗追蹤
  • 把結果講給非技術決策者的敘事能力
INTERVIEW・面試準備

會被問什麼

  1. 統計與機率題：p-value、信賴區間、貝氏、抽樣偏差
  2. 建模流程：怎麼選特徵、怎麼處理不平衡、怎麼解釋模型
  3. 案例題：給一個業務情境，設計預測或實驗方案
  4. 程式題：Pandas／SQL 取數與清理
  5. 作品集：一個有業務情境、有評估、有結論的專案
NEIGHBORS・相鄰職位邊界

和誰容易搞混

機器學習工程師

DS 偏探索與建模；MLE 偏把模型做成穩定的服務。

資料分析師

DA 解釋已發生的事；DS 預測還沒發生的事。

資料工程師

DS 需要 DE 提供品質穩定、有脈絡（Metadata／Schema）的資料。

HEADHUNTER・與獵頭合作

怎麼跟獵頭談

  • 初階 DS 職缺少、競爭多：履歷把統計與實作兩邊都寫到，別只列模型名
  • 問清楚團隊有沒有 DE／MLE——沒有的話工作會有一半是資料工程
  • 作品集連結放在履歷最上面，獵頭第一眼就看
  • 面試後請獵頭回饋被問倒的題型，下次補

初稿整理自 Dex 的文章：軟體工程與機器學習工程師的技能與發展方向。