當我答應這個邀約時，心中想著要不要挑戰新的題目，也順帶讓我可以把堆積以久的「資料科學」相關書籍看完。
因此，在還有好幾個月打底的情況下，我就設定了這個主題「資料科學於不同領域之應用」，既然決定了就要做到，但這也讓我後續苦不堪言。
一、主題設定
目前在授課的時候，因為有講授到一些「機器學習」的內容，再加上本來就比較熟悉的特徵擷取內容，這也算跟「資料科學」沾上一些邊，因此我想從比較高、比較寬廣的視野去談這些事情。
又正好這次演講的目標對象，不僅限於特定的所，有不同理工系所的學生會參加，這又讓我更堅定的想要把題目講大一些，然後再具體限縮或應用到特定領域。
但「理想很豐滿、現實很骨感」，當我開始在準備的時候，竟然有無從下手的感覺；要知道資料科學是個很大的題目，如果用教課的方式來演講，那大概開頭就沒人要聽了。
事實上我也沒有本事去闡述一個這麼大的主題，坦白說就是功夫不到家。
幸好當初的主題有強調「不同領域之應用」，於是我改變了演講內容的順序，讓我比較能夠掌控整體的架構。
二、內容呈現
基於上述的心路歷程，我決定倒過來從應用案例破題，先簡單說明「資料科學」包含以下流程：資料收集、資料處理、資料建模和分析、資料解釋以及決策制定，然後想辦法在「應用案例」中，清楚說明每個步驟到底要做些什麼事。
接著，我參考了一些論文，說明了資料科學在「房價預測」以及「智慧製造」的應用案例，其中我相對熟悉的是「智慧製造」；但我把「房價預測」擺在第一個應用案例，因為它相對比較貼近一般人的生活，當我們可以用一些方法來改善生活中會遭遇到的事時，會格外吸引人的注意力。
而我自己也是在檢索「房價預測」這個主題時，才發現原來有這麼多人以它為論文主題，這是個炙手可熱的研究方向，我也從中理解很多資料科學應用的觀念與技巧。
「智慧製造」這個主題相對熟悉，但我從來沒有用「資料科學」的角度去審視它；因此，當我在重新整理相關的資料時，覺得自己好像領悟了些什麼，但具體說不出來。
說明完兩個應用案例後，針對兩者在資料科學的處理步驟上的異同，做了簡單的討論；基本上跟「應用領域」具有比較大關聯性的是「資料收集」、「資料處理」以及「資料解釋與決策制定」。
所以，接下來就針對與應用領域相關性較低，也就是比較通用的步驟進行討論，那就是「資料建模與分析」。
以前我的演講習慣會從「大範圍講到小細節」，但這次是從不同的應用案例出發，然後再從中擷取它們的共通部份，然後才針對這個部份仔細說明；之所以會改變方式，主要還是我對於這個主題「大範圍」的掌握度不夠。
當然，講到「資料建模與分析」就很難避免討論建立「數學模型」，所以後面的演講內容主要依序分為：
1. 資料分析與數學模型。
2. 理解導向建模與應用導向建模。
3. 數學模型簡介 (基礎與進階)。
4. 建立數學模型。
說實話，講這些內容真是要了我的老命，我在數學方面的基礎並不好，雖然在研究上或應用中還是會用到一些數學模型的概念，但都是很片面的，並非很有系統的建置在我的腦海中。
不過我確實是透過這次的演講內容，紮實地幫自己好好上了一課，這就是「費曼學習法」中的主動學習；透過教學或演講讓自己有動機去學原本不熟悉的內容，因為要講給別人聽，所以自己在學習時就會想辦法挖掘其中的核心觀念。
我已經嘗試過很多次「費曼學習法」，雖然每次都有達到預期目標，學習的效率也很高，但過程中真是快樂與痛苦並存，再加上有期限的壓力，確實滿煎熬的。
就演講內容本身，算是有把整個脈絡說明清楚、時間上掌握也不錯，缺憾是對很多細節還不夠清楚，難以做到「舉重若輕」的感覺，因此我給自己打 80 分；一方面演講主題有達到設定的目標、另一方面聽演講的同學們至少沒睡著，我目測應該有超過三分之一的人有在認真聽。
三、結論
在這次的演講中，我先以兩個不同的應用案例來說明「資料科學」的流程；接著延伸應用案例中所提及的步驟，剖析如何建構及選擇數學模型；藉由理解常用數學模型的行為與性質，來確認目前使用的數學模型是否合適，以及該如何尋找其他可能的選項。
其實像這種近似概論的演講，某種程度上也是在提升自己的視野，以及知道還有哪些工具可以選擇。
「當你手裡只有錘子，在你看起來，所有東西都像是釘子」 如果唯一的工具是把錘子，就很容易把每件事情都當成釘子來處理。
想要避免單一思考的模式，就得讓自己具備多元思考的知識模型。
四、未來展望
因為我還有在研究所授課，因此接下來會繼續在「機器學習」與「深度學習」等領域下苦功，希望能夠熟悉所有相關的方法，並把它們的來龍去脈說清楚，在不依賴第三方函式庫的情況下，自己寫程式實作一遍。
當然，方法懂了，實作的工具也不可少，近期我正在鑽研如何用 FPGA 開發加速器，透過軟硬體整合的方式，讓高深莫測的理論可以具體應用在實務上，這才是工程研究人員最大的成就感來源之一。
沒有留言:
張貼留言