付費限定
約維安文明的本質
閱讀時間約 6 分鐘
Analytics has two closely related definitions, to break something up into its constituent parts; and to study the relationships of the parts to the whole.
約維安聯盟是一系列講述 Jupyter 星球和約維安文明的相關文章，在過程中與讀者一起從入門到放棄慢慢變強，克服程式設計與資料分析的學習焦慮。在探究與認識約維安文明的過程中，我們常會因為其技能集合複雜的組成：程式設計、資料分析甚至還有商業問題，而容易迷失焦點，究竟該文明的本質是什麼？在學習路途上該以什麼為重？
講述約維安文明的本質還是得回歸其定義：科幻虛構的 Jupyter 星球居民（a hypothetical or fictional inhabitant of the planet Jupyter.），用白話文描述就是擅長以程式處理資料的分析師（The programming analyst），或者擅長分析資料的程式設計師（The analytic programmer），不管如何以名詞或者形容詞調動兩者，程式扮演的是實現分析的過程、方法與載體，從主從關係來看待，主為分析、從為程式，約維安文明的本質應當是資料分析（Data analytics）。
以行動支持創作者！付費即可解鎖
本篇內容共 2458 字、0
則留言，僅發佈於約維安聯盟你目前無法檢視以下內容，可能因為尚未登入，或沒有該房間的查看權限。
你的見面禮 Premium 閱讀權限
只剩下0 小時 0 分
25會員
9內容數
這個出版專題會收錄原創的「約維安聯盟：在 Jupyter 星球上學習程式設計與資料分析」系列文章，從基礎寫到應用，在過程中與讀者一起慢慢變強，克服程式設計與資料分析的學習焦慮。
留言0
查看全部
你可能也想看
Google News 追蹤
數據分析與解讀
隨著數據的爆炸式增長，能夠分析、解讀和應用數據的能力變得至關重要。這包括熟悉數據分析工具和技術，如統計學、數據挖掘、機器學習等。然而，僅靠短時間的數據分析並不足以提供深入見解。
要熟悉數據分析工具和技術，如統計學、數據挖掘和機器學習，可以從以下幾個方面入手：
基礎知識的學習
透過簡單的舉例，分享從原始資料到洞察發現的完整過程，包括資料清洗、特徵工程、探索性資料分析，以及如何根據分析結果提出具體建議。
本文談及資料科學的領域與分工。首先是建造一個AI的研發流程，資料收集到 AI 模型訓練的過程，AI經歷這一切流程被創造出來並產生價值；再來本文也提及在這個領域中的各種腳色、資料工程師、數據庫工程師、資料科學家和資料分析師的各種介紹。並且強調跨領域合作的重要性。
底層邏輯是由潤米諮詢創始人並為『5分鐘商學院』的主持人─ 劉潤所撰寫而成。這本書在談論一種核心思維：方法論為不變的「底層邏輯」與隨時改變的「環境變數」所組成。並著重於前者的介紹。它提供了深刻的視角與例子激發讀者的思考。這本書的每個章節皆為互相獨立，非常適合在閒暇時間選擇感興趣的部分閱讀。
運算思維由2006年3月，美國卡內基·梅隆大學計算機科學系主任周以真（Jeannette M. Wing）教授因提出並倡導「運算思維」而享譽計算機科學界。
運算思維分成四個步驟
拆解
將一個大問題拆解成許多小問題，各個擊破解決，當小問題解決了大問題也就解決了。
模式識別
將複雜的問題分解
系統的分析與規劃
在談到程式設計時，首要的是進行系統的分析與規劃。程式設計的起點通常是系統分析與規劃，這涉及到如何分析和設計系統的大原則和方向。為了達到預期效果，重要的是擁有對產業的清晰邏輯認識和深入了解。
進行深入了解
若要進行系統分析，必須對企業的設計和程式設計的對象進行深入了解，以充分理
因果鏈分析核心是追根究底挖掘問題的深層次原因。這方法將問題視為一個層層相扣的結構，通過系列問答，從表面的不利因素一直追溯到問題根源。口訣「追根究底挖問題，解碼問題的本質」提醒初學者關鍵概念，強調追根究底、不遺漏任何原因、用［且］或［或］運算，連接上下層不利因素之間的關係，建立徹底解決問題的強力基礎。
我們常把研究分成量化與質性兩種不同的方法（當然不止這兩種方法），其中量化分析主要在討論變數與變數的關係，而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時，我們需要收集大量田野調查或訪談資料。做過訪談的人都知道，訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿，這是一個大工程，還好現
數據分析與解讀
隨著數據的爆炸式增長，能夠分析、解讀和應用數據的能力變得至關重要。這包括熟悉數據分析工具和技術，如統計學、數據挖掘、機器學習等。然而，僅靠短時間的數據分析並不足以提供深入見解。
要熟悉數據分析工具和技術，如統計學、數據挖掘和機器學習，可以從以下幾個方面入手：
基礎知識的學習
透過簡單的舉例，分享從原始資料到洞察發現的完整過程，包括資料清洗、特徵工程、探索性資料分析，以及如何根據分析結果提出具體建議。
本文談及資料科學的領域與分工。首先是建造一個AI的研發流程，資料收集到 AI 模型訓練的過程，AI經歷這一切流程被創造出來並產生價值；再來本文也提及在這個領域中的各種腳色、資料工程師、數據庫工程師、資料科學家和資料分析師的各種介紹。並且強調跨領域合作的重要性。
底層邏輯是由潤米諮詢創始人並為『5分鐘商學院』的主持人─ 劉潤所撰寫而成。這本書在談論一種核心思維：方法論為不變的「底層邏輯」與隨時改變的「環境變數」所組成。並著重於前者的介紹。它提供了深刻的視角與例子激發讀者的思考。這本書的每個章節皆為互相獨立，非常適合在閒暇時間選擇感興趣的部分閱讀。
運算思維由2006年3月，美國卡內基·梅隆大學計算機科學系主任周以真（Jeannette M. Wing）教授因提出並倡導「運算思維」而享譽計算機科學界。
運算思維分成四個步驟
拆解
將一個大問題拆解成許多小問題，各個擊破解決，當小問題解決了大問題也就解決了。
模式識別
將複雜的問題分解
系統的分析與規劃
在談到程式設計時，首要的是進行系統的分析與規劃。程式設計的起點通常是系統分析與規劃，這涉及到如何分析和設計系統的大原則和方向。為了達到預期效果，重要的是擁有對產業的清晰邏輯認識和深入了解。
進行深入了解
若要進行系統分析，必須對企業的設計和程式設計的對象進行深入了解，以充分理
因果鏈分析核心是追根究底挖掘問題的深層次原因。這方法將問題視為一個層層相扣的結構，通過系列問答，從表面的不利因素一直追溯到問題根源。口訣「追根究底挖問題，解碼問題的本質」提醒初學者關鍵概念，強調追根究底、不遺漏任何原因、用［且］或［或］運算，連接上下層不利因素之間的關係，建立徹底解決問題的強力基礎。
我們常把研究分成量化與質性兩種不同的方法（當然不止這兩種方法），其中量化分析主要在討論變數與變數的關係，而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時，我們需要收集大量田野調查或訪談資料。做過訪談的人都知道，訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿，這是一個大工程，還好現