LeetCode 解題的思考策略，刷題的4個階段
許多科技公司在面試時都會有「白板題」的技術考題，也帶動近年來軟體圈瀰漫著一股「LeetCode 刷題」的風潮。這篇想帶大家了解，Leetcode解題時的心態與策略，如何理解題目背後的設計思維，以及刷題的4個階段。
資料分析第一步：觀察資料的5件事
資料在整個分析的過程中扮演非常重要的角色。在真正開始進行分析之前，會建議先透過一些簡單的觀察對資料先有初步的認識。透過系統性的方式來建立對資料的感覺。
資料清理與型態調整：資料前處理必須要做的事
「資料前處理（Data Preprocessing）」分成三個面向：1. 資料清理與型態調整 2.資料探索與 3.視覺化特徵工程。是實務上在收集完資料之後，到真正進入模型之前的重要環節。
從資料模型到數據產品，現實會遇到的問題
傳統的資料科學模型通常只考慮到「產出模型」為止，著重的是如何訓練一個「好」的模型，產生交付的通常是一個模型。但有了一個好的模型之後，然後呢？
資料分析工具那麼多，該怎麼選？
隨著資料科學的演進，許多商業軟體都逐漸成熟。從完整的套裝軟體到實現彈性比較強的程式來說，大概可以把常見的資料分析工具分成幾種類型，有 BI 工具像是 Tableau 或 Power BI，分析模型套裝軟體像是 SAS或是 WEKA，程式語言像是 Python 或 R，這麼多工具到底怎麼選？
Python 網路爬蟲：學習地圖與策略
許多人會選擇 Python 做為程式開發或資料科學的入門語言，因為其「語法容易」與「第三方資源豐富」兩個特性。所謂的「第三方資源豐富」是指，Python 可以搭配許多套件來完成特定領域的工作。Python 在爬蟲領域也如此
R語言、Python、Julia 怎麼選？資料科學家的觀點
Python、R語言、 Julia 號稱是資料科學的三大程式語言，就我自己的觀點來看，目前看起來 Python 是首選、有些比較專業的統計方法可以考慮 R ，至於 Julia 還要觀望一下。
資料科學家、資料分析師、資料工程師，實務上如何在資料團隊分工
資料科學家、資料分析師和資料工程師，在資料團隊實務工作上，不同的技能是如何分工。資料科學家與資料工程師的差異、資料分析師在做什麼？模型「部署/上線」的工作誰來做？ ALPHA Camp 資料工程師維元帶你解析。
Code Review怎麼做？新手工程師如何提升「程式碼品質」
要如何寫出更好的程式呢？透過「Code Review」是推薦新手的方法。程式執行效能就是從速度跟空間來思考，執行時間越短、變數佔用空間越小。而程式碼結構則會從可讀性和精簡來衡量，經由反饋與討論來找出程式中可優化的空間