數學技能

1.線性代數

許多資料科學家用矩陣在思考統計或機器學習模型，也會用矩陣去想實際的資料。

2.微積分

要了解資料分析模型，微積分是必備工具。

3.機率與統計

機率論是處理「隨機性」最有效的工具，幾乎所有的資料分析方法都是建立在機率論的理論框架。另外，滿多統計方法跟架構被高度應用，如迴歸分析。

數據分析技能

1.機器學習

強調的是建置一個完整的體系或演算機制來幫助電腦或系統自我學習，進而達到預測效果不斷提升的過程。

2.資料探勘

強調的找到一個最合適的方法或演算機制，產生出最符合目標的預測以及解讀我們為什麼要運用這些方法。

3.統計分析

強調解釋這些資料或是驗證預期的假設是否屬實，偏向於產生模型以勾勒並形容資料的過程。

程式語言及工具

1.Python

函式庫豐富，常用來處理資料採礦和機器學習，廣泛並具相當彈性。

2.R語言

可以從複雜的資料集中篩選需要的資料，從複雜的模型函數中操作資料，方便資料視覺化的工作。

3.Hadoop

具有處理海量資料的優勢，能解決檔案存放、系統擴張、資料處理及備份等問題，被廣泛應用於大數據儲存和大數據分析，成為大數據的主流技術。

深度工作Deep work

「深度工作力」Cal Newport所提出的概念，指專注於高認知需求任務而不分心的能力。在深度工作的模式下，腦神經傳導效率將會增快，能幫助專業的提升。在我的規劃中，我在第一年將主要專注學習，盡量修課，及大量閱讀。第二年則專注於論文，並磨練寫作能力。

一個人的Scrum

Scrum這個敏捷開發方法，一般而言需要至少有4-6人才可以執行。資深工程師Alex Andrews提出了Scrum Of One的概念，並身體力行，這也是我平常工作的方法。我將遵循其三大精神進行研究所的學業：1.遞交成果給他人；2.量化成果；3.自我反饋與修正。

費曼學習法

《精準學習》一書裡，作者特別推廣以教為學的概念，也就是費曼學習法。要教別人前，知識必須在腦中經歷input及output的過程。在這個概念下，我會以寫文章或做短片的方式整理我所學習過的概念，加深大腦裡知識的印象與鏈結。