既然決定參加職訓，就要能夠「對症下藥」，找最接近我想做的領域來上，因此當初直接以「數據分析」、「資料科學」等關鍵字搜尋。不過，當時沒有找到純粹的數據分析課程，通常會包含其它領域的知識，常見的有網頁（Django）以及AI（機器學習、深度學習）。
雖然同樣是寫程式，但是對跟網頁有關的前端沒什麼興趣，而且之前透過線上課程自學時，已經有初步接觸一些機器學習的概念，因此選擇了剛好時下正夯的AI相關領域。
以下就來跟大家分享這次職訓課程，大致上了哪些內容。Python：從基礎語法到進階資料結構
基礎語法的部分，多數都跟先前自學線上課程的差不多，頂多是提到的函數有差，但這些都可以透過查詢document解決（可以用的東西很多，全部講到根本不可能），所以課程一開始，我就依自己的速度把練習題都寫完（當然有取得講師允許），有聽到不太熟悉的內容時，再抬頭起來專心聽一下就好。
不過，到了課程後半，開始出現資料結構與演算法相關的知識，例如廢到知名的bubble sort、常常跟走迷宮一起出現的BFS跟DFS、中文名稱很容易搞混的queue跟stack。雖然真正應用這些知識的工作，跟很底層的程式開發有關，跟我想做的領域沒什麼交集，但聽說所有資工系的學生都必須學，而且在有些公司面試中，就會請你解釋這些概念，因此這些就成了python進階部分的主軸，除了理解它，也透過python實作出來。
SQL：除了基本語法，沒想到還結合了前端
除了課堂使用的軟體介面，跟之前自學時不一樣之外，基本語法沒有太多的不同，課堂練習也都可以靠自己研究＆寫完。但令我意外的是，我在這堂課碰了不少網頁的語法！
雖然藉此可以理解部分網站的運作，確實跟資料庫相關，算是多了解不同層面的應用，但這跟我想像中的SQL學習差有點多；我原本認為會有更多實際資料庫的語法應用、分析跟探討。只能說講師備課的想法各有不同吧。
Numpy & Pandas：重中之重的資料分析
其實numpy與pandas都是python的模組，但把它們獨立出來，除了因為授課講師不同之外，我認為它們的重要性，應該屬整個職訓課程中最高的，可說是許多進階應用的基礎！
其實學習Numpy的操作，跟以前數學中的線性代數很像，而Pandas的操作，則跟Office Excel接近，也跟SQL類似。大部分的時候，我會先從以前學過的經驗，想像操作的步驟跟畫面，再來想怎樣透過程式碼實現，或者上網查找documentation的說明。
感謝之前數學系的訓練，以及事先自學SQL的基礎，除了一些參數設定細節不熟之外（e.g. axis=0 跟 axis=1的方向），多數程式碼都能快速理解，讓我能稍不費力地面對接下來的重頭戲：機器學習、深度學習（是真的挺不熟＆複雜的，所以保守地說稍不費力😅）。
機器學習＆深度學習：電腦開始執行超出資料範圍以外的事
即使在線上課簡單認識了機器學習，但時數有限，這個部分並非那堂課的重點。現在來實體職訓了，必須認真面對這不太熟悉的領域，以及因為Alpha GO而常聽到但更不知其所以然的深度學習。
機器學習的運作模式，還算是可以想像的。這部分出現了更多數學知識與算式，也就是更多背後理論描述的內容。雖然我已經10年沒碰這麼抽象的數學，但仰賴學生時期培養出的「感覺」，大概80%理解這些式子想表達什麼。下課時，也偶爾幫不太理解的同學解說（雖不精確但至少讓對方能正確感受就好）。
深度學習可以想成：讓電腦用更貼近人腦的模式學習。人腦的學習機制都尚未摸透，可想而知深度學習的複雜度肯定更高；對我來說，操作這些模型沒什麼信心，即使得到想要的結果，也沒把握能了解透徹。從神經網路、CNN、RNN，以及現在正火熱的自然語言生成，當中仍有基於數學基礎而發展的結構，但更多的是先實驗出能提升表現、再回頭研究為什麼會提升的模型。
這就像科學家先從各種變因下手，做各式各樣的調整，突然就在某個moment，得出更滿意的結果後，才把此刻的變因組合記錄下來，再思考為什麼這樣調整是可行的，而非先從理論推論，再做實驗證明。有時常覺得深度學習的模型，都是摸不著頭緒的黑盒子呢！
在2個月左右的時間，就要塞進這麼多的知識，即使是我＆班上已經有些程式基礎的同學，學起來也是有點吃力，連講師來上課也很有壓力；畢竟大家都希望來職訓就是要有成效，教不夠或學不上都很困擾。
不過，職訓畢竟不像大學上課，只能先將知識、技術交給你，接下來只能靠自己多花點時間，或是有機會應用在職場上的時候，好好練習、熟悉這些內容了。
PS. 其實職訓課程最後還有「專題製作」，也是我最看重的部分，就讓我獨立一篇在未來分享吧😆
