自主學習 ｜用卡片盒筆記法從零學數據科學實作紀錄

身為企劃人，我在計畫期間收集數據、計畫後以數據提出報告，多年來都是數據重度使用者，但我只靠研究所熱愛的《研究方法》支撐，沒有特別去學，現在，數據科學已成一門專業，我決定靠【 自主學習 】數據科學升級大腦。花了 1.5 週獲得 2 張高分通過證明，分享卡片式筆記法如何從零學習未知領域。

學新事物就像去未知土地，有兩種狀況：

• 第一是探險：你要去人類未曾到達的領域，為它畫出第一張地圖，身為領域先鋒，你一定有自己的學習方法。
• 第二是旅遊：多數人是去別人去過的地方，首先找地圖，從前只能找到歪歪斜斜帶有海妖那種令人狐疑的地圖，而現在打開電腦有各種地圖，卻不一定符合目的，如何從多張地圖拼湊和猜測實情呢？這是本文要分享的心得。

市場調查

看別人怎麼說，理出框架

數據科學是什麼？一無所知的我只能 Google 搜尋，看了一些人說，粗淺理解如下：

數據產業雖然新，也不小，不是一個人能搞定的，它有不同角色，從數據取得、分析、建模，大致分工方式如下：

1. 數據工程師（Data Engineer）：開發和維護數據管道（Data Pipeline），從不同來源取得數據，放進數據庫或數據倉儲
2. 數據科學家（Data Scientist）：統計分析、機器學習…、訓練模型、建模…需要數學和統計背景
3. 數據分析師（Data Analyst）：有商業分析背景，懂分析工具、數據可視化，協助商業決策

自我盤點、找目標、訂策略

每個分工都有一棵不小的技能樹，部分重疊，以我的基礎不可能統包，所以要選方向，我問了自己 2 個問題：

問題一：我能做什麼？盤點自身技能：

• 商業：媒介經營管理碩士，科班出身，多年工作經驗在企劃、創業、撰文，長期與商業接觸，我對商業的理解，在三者中算「高」。
• 程式：10 年前學過 Java，太難又用不到荒廢了；5 年前自學 Python，看懂程式碼、可刷題，但還沒到可以實用來工作的程度，自評「中」。
• 數學：如同很多人，我數學沒信心，雖然它邏輯清晰，可以慢慢理解，但學生時受到的傷害不小，雖然最近教孩子學習時覺得數學沒這麼可怕了，但還是評了「低」。

個人技能總結：商業：高/ 程式：中/ 數學：低。

問題二：我想做什麼？搞清楚目的

身為企劃人，我會得到數據，（簡單）分析後把結果和建議放在計畫或報告中，通常是 Word、Excel、PowerPoint 形式，我的需求是「以數據分析技術提高計畫的參考價值」。

• 數據工程師需求：商業：低/ 程式：高/ 數學：中。
• 數據分析師需求：商業：高 / 程式：中/ 數學：中。
• 數據科學家需求：商業：高/ 程式：高/ 數學：高。

技能	自我盤點	數據科學家	數據分析師	數據工程師
商業	高	高	高	低
程式	中	高	中	高
數學	低	高	中	中

訂定 自主學習 策略

分析後，我應該先朝「數據分析師」訓練著手，除了對工作立刻有幫助，要花的時間也比較少，身為工作者，不能像學生一樣花個幾年準備吧！

這是我暫定的策略：

• 商業課刪除：比起年輕大學、碩士畢業生，我的商業分析知識經驗已經太多了，這可以刪除；
• 程式課快補：看起來每個工作都需要 SQL 和 Python，學程式總會碰到 SQL，但沒特別重視，畢竟數據取出程式就可以操作了，高等的 SQL 跟 Python 重疊，但如果是數據專業就要學深一點，也許它有很厲害的地方？而 Python 是個包天包地的多面手語言，要學會辨識哪些是這個領域需要熟練的；
• 數學課慢補：身為小時候很笨，越大成績越好的學生，我基礎數學有不少洞，而數學這棟大樓可不能是軟腳蝦，底下垮了上面也站不穩，但又不是一簇可及，需要時間，要先找到速成的方法，再在閒暇時慢慢補洞。

這就是我的評定標準（Criteria），用來篩選搜到的數據。

細化學習需求

如果你像我一樣有個很忙碌常加班的全職工作，你想到的一定跟我一樣，要省時！如何能在最短時間學到最實用的本領？

1. 學校課表和線上學習平台：學術單位會列出「完整」技能樹，這種統包課什麼都學花幾個月，但實務上只用到一小部分，不常用的一陣子就忘了，費時又費錢。
2. 搜尋專業的人怎麼說：網上文章、影片作者從他的實務講所需技能，或許產業不同，雖然看似近似，但重點相異；有好心前輩把所有領域技能都列出 Coursera 相應課程，對想簡化的人來說，完整列表最沒用了。
3. 最實際的是企業：很少老闆想要員工會「所有」技能，他要的是實戰技能（如果企業經營國軍，一定會刪除「刺槍術」），我決定去分析企業招聘的工作內容（JD, Job Description），這些就是企業界的「必要」技能。

看了十幾個 JD，把結果輸入 Google 試算表，因為我小白，工程類 JD 充滿術語，看不太懂，查出意思，也不知在實戰中的角色。雖然看不懂，這一輪分析至少看到幾個關鍵字：SQL、Python、Pandas、視覺化、數據清理、AB Test，好吧！至少這是共通部分，先從這裡選擇。

因為自學 Python 時心曠神怡的經驗，對 Python 比較不怕，但看似重要的 SQL 反而很陌生，決定從它開始！

Coursera 課程平台的特色是學不要錢，領結業證書要錢，像試用到爽才付費，我發現一門「用 Python 操作 SQL 和資料庫」（Databases and SQL for Data Science with Python）課！對要省時的我來說，這個「一兼二顧，摸蛤子兼洗褲子」的課程，學 SQL 又同時複習 Python，正是我的需求！

我很急，5 週課程只花 5 天就完成，每個測驗幾乎都滿分，表示我的學習效果不錯，早知道該付費拿證照！

自主學習 和 被動學習 的筆記差異

在學校時有很多機會從零學起，但那是我還不認識卡片盒筆記法（Zettelkasten），離開學校就少有從零學起的機會，多在既有基礎上持續加新資訊，像滾雪球越滾越大，所以是我第一次用 ZK 實踐「從零學起」，結果是這樣：

• 學習費時是課程計畫的 20%
• 學習效果達到課程測驗的 100%

我覺得效果很好，所以分享給你。

被動學習的筆記結構

小時候所謂筆記，是照老師的教學結構抄，第一課、第二課…，課本提供了基本素材，而我的筆記是把老師講的而課本上沒寫的速記下來，這種筆記很有點「逐字稿」的味道。

如果這一次還是這樣抄筆記，那結構會是這樣：

• Week 1：開始學 SQL
• Week 2：介紹關聯式資料庫及資料表
• Week 3：中級 SQL
• Week 4：用 Python 操作 SQL
• Week 5：課程作業

這樣的筆記，主軸是老師的架構，上 20 門課就有 20 種不同架構，當然就有 20 本筆記，厚厚一疊看來很有成就感，老師教什麼我學什麼，就是「灌食法」（填鴨式教育）的被動學習，主人餵什麼就吃什麼，主動權在老師。

但當我實際在工作上遇到問題時，卻想不起來到底要從哪一本裡找到參考答案，因為每個老師都把 Data Analyst 這個領域的知識用他的方式規劃成不同課程，那麼每個課程講的應該是大同小異，遇到問題時，覺得每一堂課似乎都有講到這個內容啊！就很難找到了。

自主學習 的筆記結構

在電腦上做筆記沒有「本」的概念，前者，我會為每一門課開一個筆記，後者則把所有的筆記記錄在同一篇裡。

心裡對要學習的領域帶來「問題」，再去找素材獲得「答案」，像野生動物，想吃什麼就去打獵，主動權在我，既然學習專案中所有學習都是因為想了解「Data Analyst」，那筆記應該也只有「一本」，而且未來對這個領域所有的答案追尋過程，就算上了一年課程，都是筆記一章節。

拿這堂課來說，它主要談 SQL，Python，和 Jupyter SQL Magic，我梳理它們之間的關係：

• SQL：它是資料庫共通語言，用它從資料庫提取、存入資料；
• Python：資料取出由 Python 語言組合、清理、分析、運算，再用 SQL 存回資料庫；
• Jupyter：業界常用的 Python 工具，為了 SQL 設計一套方便指令叫 SQL Magic。

老師把課程拆成 3 部分傳授，而學生要把這 3 部分組合起來，少一塊就無法作業。

管理大師的筆記法

我曾讀過大師的管理學教科書，厚達三四公分，就是大師一生對管理學的理解，比如我讀到「系統動力學」時，發現書店裡這主題有好幾本專著，甚至還有五六套專用軟體，但在教科書中，只佔一頁！

我猜，大師研究系統動力學時想「這要放在知識樹的哪裡呢？」，所以把專著中有創見的部分，用他自己的話重述成一頁，寫在他的知識樹中。

卡片盒筆記法就是這樣，同一主題只有一篇筆記（可能內含千張卡片），如管理學大師一生所學就是「一本」筆記，而累積足夠時出版，就是一巨冊教科書，當這部筆記充分回答當初他從事管理學的提問時，他就成為大師了。

當然不是說管理大師很貧乏只記一本筆記，假設他閒暇愛釣魚，可能寫另一本《釣魚》筆記，但說不定與管理學高度重疊：例如，（我胡扯的）大師用管理學市場調查方式分析漁場後，漁獲量增長 30%…。當你深刻了解一門，一定影響你其他門，如果彼此不相連，說明沒學好。

課程筆記的結構就變成：主軸（樹幹）是我想回答的問題，而筆記（樹枝）是我從不同來源取得的答案，兩者組合起來，就是我對該領域的了解。

• SQL
  • SQL 工具
    • 課程A筆記
    • 課程C筆記
  • 資料庫種類
    • 課程B筆記
• Python
  • Python 工具
    • 課程A筆記
    • 課程B筆記
  • Python 操作 SQL 指令
    • 課程A筆記
    • 課程C筆記
• 資料分析流程
  • 資料取得
    • 課程B筆記
    • 課程C筆記
  • 資料分析
    • 課程B筆記
  • 分析結果視覺化
    • 課程C筆記

上述筆記只回答了我一部分的疑問，整個我想到的如下面這樣。

我從網上課程學到的技術「數據產業 3 大件兒」（SQL、Python、JupyterLab，取個名字比較親切），但它應該只是一小塊。

身為常被老闆問問題的企劃人員，我相信數據分析會從「問題與假設」開始。例如，老闆會問「如何提高啤酒的銷量？」，你想出可以分析發票，把與啤酒一起買的商品列出比例，兩者放在一起提高啤酒銷量。要經過思考，你才能有這個假設。

接下來你要「找到數據」回答問題，公司內可請資訊部幫你把最近幾個月發票數據調出來。但也有很多外界數據要想辦法取得，這一定是各顯神通。

發票很規範，但很多數據需要「數據清理」把髒的數據變乾淨，不然會出錯。例如：會員網站要求填生日，有人寫 2000/1/2，也有 2000-01-02、02 01 2000、Feb-01-2000、20000102、民國89年1月2日…，這下糟糕了，你要把它們整理成相同格式，不然程式不認得。

現在你終於可以進行「數據分析」了（上課學到的內容），例如把 1000 種商品跟啤酒比，發現「30% 有啤酒的發票中也有尿布」。

分析完成，要把它們變成美美的圖表，是「數據視覺化」，這部分有專門的課程。

最後，你要用「數據說故事」，用圖表跟 Stakeholders 說個有說服力的故事，它們才知道到底發生了什麼事。例如你猜想情境是「老婆叫老公去買尿布，老公順手帶一手啤酒」，所以建議把啤酒跟尿布放在一起，提醒所有老公別忘了買啤酒啊！

啤酒與尿布是個有名的案例，不是我創造的。

我並不只想知道「Data Analytic 用什麼技術工作」，我想知道他的工作情境，從上面的流程中，課程教的「數據產業 3 大件兒」只佔了非常小的一部分，其他的問題還不知哪裡有解答。

就像如果你想懂得行銷，不可能只會投放 Facebook 廣告，要有宏觀認識。

不停反芻筆記

既然一個學門只有一本筆記，那它一定不像買來的書早就編好頁碼，它是活的、不停變動，隨著你理解越多長出更多樹枝、樹葉，需要不停重整。

寫程式有個術語叫「重構」（refactoring，改善既有程式的設計），筆記上也很適用，例如：

• 課程用一個專案教學，用到很多「語法」，而每個語法都有使用「情境」。
• 語法不配情境很難看懂，但語法跟情境描述混在一起不好搜尋，我希望記性差的我，可以有效在筆記內查到要用的語法和情境。
• 於是我把散佈各處的語法都剪貼到同一節，再從專案筆記連結過去，以後查詢「語法」可連到「情境」，查詢「情境」也可連到「語法」。

一天上的課，隔天要花一小時重構，不是很浪費時間嗎？是也不是，因為每次重構都在思考筆記章節的邏輯關係，不但加深印象，而且每次都有新理解，這樣整理邏輯，比背書印象深刻，難怪學習效果好！

ZK 軟體可以用各種不同方式重構，例如：

• 建立一個「#語法」標籤，建一個 Table 把所有貼上「#語法」標籤的筆記變表格。
• 怕搜到「語法」還要連到「情境」麻煩？用 Portal 把「情境」筆記貼在「語法」下一層，就不用按下連結了。
• 聽不懂去網上搜尋解釋，把搜到的網頁、PDF… 用 RemNote Web clipper 或 PDF Reader 嵌入筆記。
• 我是把課程章節都打散了，如果想把筆記跟課程章節串起來，你可以另外建立一篇筆記列出章節名稱，把章節名稱當標籤貼在筆記段落上。
• 你還可想到其他方法，每次對它加工，就在整理邏輯，加深印象。

FusionFlow 你的大腦 ✖️ AI 大腦 ✖️ ZK 外接大腦：3 腦協作加速學習生產

一次次重複迭代

這個「上完課反思」很重要，每次多了解一點點，就可以再進行一次迭代，每一次迭代都可以調整一下課表，就像我發現了下面的迷思：

迷思1: 證照課程需要嗎？

我發現花了 5 天上的《Databases and SQL for Data Science with Python》是 IBM 的一門證照課，如果上完這些課程，會獲得 IBM 頒發的認證。

• 這種證照課，Google、微軟也都有提供，但上完它們的課程至少都得要半年一年，不符合我的現況。
• 但假如它可以學到很多，而且變成業界標準呢？上完這些課程也會讓我對情況有更深的理解！

迷思2: 視覺化課程需要嗎？

以我工作多年的經驗，就算數據分析合情合理，但老闆是看不懂的，他會說「你簡單點說」，視覺化很重要。

有 Tableau 視覺化平台，可以畫出美麗的動態圖片，但價格不便宜，我想不是每個公司都願意採購，要達成類似的動態圖片，其實可以用一些 Python 庫，例如 Blotly，免費達成，對新創公司應該受歡迎吧？

於是我買了一堂 Plotly 課程《Data Visualization with Plotly Express》滿分通過。

事實啪啪打臉！

學了一個禮拜，縮寫我現在看得懂了，於是把一週前找的 Data Analyst 工作 JD 重整分析，此時我赫然發現一件事‒‒在我收集的 15 個 JD 中：

1. 只有 1 個工作要求證照，有的連學歷、科系都不要求，只要求經驗，看來這行業實戰多過理論。
2. 只有 1 個工作要求要用程式畫圖表，另外 14 個中有 10 個強調要會 Tableau 這個昂貴的視覺化平台！

之前的假設被啪啪打臉，但這是很好的發現，省下更多時間了！

如果不迭代，我可能會悶頭把 IBM 半年課程上完，卻發現只學到技術的那一小塊，可見迭代多重要。

後記

本文試著要以實作說明「摸著石頭過河」的學習流程，如果你學習時覺得難，表示正在突破「舒適圈」大幅成長中，恭喜！如果覺得很簡單，就表示還在「舒適圈」中緩步前進。

如同去爬沒爬過的大山，不仔細可能會發生山難，就小心翼翼，而紀錄、迭代、重構筆記，就是我的小心翼翼，有些領域，特別是科技類，少一小塊就會卡關，然後覺得挫折，然後半途而廢，這是我的經驗。

十年前學 Java 太難放棄，又要學程式，但這次我有卡片盒筆記法這個「種樹神器」，很容易把老師腦中的樹「移植」過來，自學就是腦中長出新樹的過程，ZK 被稱作第二大腦，是因為當我把筆記整理成大腦結構樹時，一面建立了外接大腦，一面也整理了內建大腦，對我來說這個技術很好用，也分享給你。