現居東京的資料科學家。致力於將數據科學與資料工程做完美結合
假日在東京市區騎著腳踏車冒險、尋找美食。懶得動時就待在咖啡廳寫寫程式
依照不同業界、不同的環境需求，甚至是所處的企業的發展階段，一個資料科學家（Data Scientist）所累積的經驗、點的技能都會有所不同。 更遑論是一個像我一樣，從軟體工程做到資料工程，又轉到資料科學家的人了。
資料科學是透過理解資料，從資料中萃取有意義的價值與洞見。而為了達到這目的， 有很多領域需要了解：大數據、BI、程式設計、資料分析、統計概念、資料視覺化、機器學習、雲端運算 ... 族繁不及備載。
要客觀且定量地衡量一個資料科學家在以上各領域的專業程度不容易。我試著以最熟悉的資料工程為基準， 設置熟悉度為 100 %，則在與其他領域比較之後，可以得到對應的相對分數。最後就成了右邊（或者下面）這個超級主觀的衡量表，博君一笑。
2018/06 - 現在
「成為完美結合資料工程與資料科學的資料科學家」。
分析部分專注在建立預測顧客價值（Life Time Value）、每日活躍使用者人數等重要 KPI 的預測模型。
資料工程則包含改善並維護資料管理平台，以建立一個更有效率且可簡單共享分析結果的資料科學環境。
2017/01 - 2018/06
分析銷售資料以及實作資料工程。依不同專案進行 ad hoc 分析並直接提供洞見與建議給決策管理者，以增加營收或改善員工生產力； 實作企業用儀表板（Dashboard）背後所需的資料匯總、套用商業邏輯以及資料處理排程；建立非技術人員也能使用的 SQL 分析平台； 設計並實作預測模型以評估顧客成交率等 KPI。
2016/06 - 2017/01
主要專注在利用 Python 以及 AWS 來設計資訊系統以及開發企業內部系統所需的 API 。 如使用 AWS Lambda 進行資料流的處理（ETL）、開發並改善電子商務網站的搜尋引擎（主要使用 MongoDB、ElasticSearch ）。
2013/09 - 2015/06
研究領域包含資料探勘以及推薦系統。 論文 An Effective Friend Recommendation Method Using Learning to Rank and Social Influence 的共同作者， 該論文被登錄在 Pacific Asia Conference on Information Systems (PACIS)。另擔任演算法、資料結構以及資料探勘等課程之助教。
一些閒暇時間做的小玩意兒，你或許會有興趣瞧瞧：）
點擊各圖片來查看細節或是利用各圖左上角的傳送門
利用公開數據來探索全世界以及台灣的動態資料視覺化工具
這是一個利用各國公開數據來探索世界以及台灣的資料視覺化工具。你可以在如何用 30 秒了解台灣發展與全球趨勢：用 GapMinder 培養正確世界觀實際使用此工具並了解細節
大量優質的 AI 與深度學習的線上資源，適合各個學習階段的你進一步探索
我將線上的深度學習資源做些整理並逐一介紹。你可以在由淺入深的深度學習資源整理了解細節，或者直接去專屬的 Github Repo 關注並查看所有資源。
利用 TensorFlow 及 Flask 來做出能分辨貓狗的線上圖片辨識應用
這是一個利用 TensorFlow 以及 Flask 來分辨貓咪以及狗狗的圖片辨識應用。你可以閱讀 AI 如何找出你的喵 來查看線上 Demo 以及我對卷積神經網路的介紹。
透過 Airflow 以及 Slack 來通知最新漫畫連載的應用
這是一個透過 Airflow 以及 Slack 來通知最新漫畫連載的 App。你可以在一段 Airflow 與資料工程的故事：談如何用 Python 追漫畫連載了解細節，或者直接去 Github 查看程式碼。
利用 Selenium 將 Github Gists 同步到 Evernote 的生產工具
這是一個利用 Selenium 將 Github Gists 同步到 Evernote 的生產工具。你可以在 Github 查看細節。
AI For Everyone 是由吳恩達教授開授的一堂線上課程，這篇文章則記錄了我個人在修習完這堂線上課程後整理出的 10 個最重要 AI 概念。除了將這些概念條列出來以外，本文也將逐一介紹每個概念所代表的涵意，幫助讀者快速掌握該課程裡頭的重要 AI 概念，並開始自己的 AI 之旅。
這裡紀錄了我在學習深度學習時蒐集的一些線上資源。內容由淺入深，而且會一直被更新，希望能幫助你順利地開始學習：）
在此文中，我們以一個假新聞分類的 Kaggle 競賽做為引子，不用深奧的數學計算式，而是直觀且高層次地理解目前常見的 NLP 手法以及基本的深度學習、機器學習概念。透過建立一個能夠分類假新聞的神經網路，你將會學到如文本數據前處理、循環神經網路以及深度學習 3 步驟等基礎知識，並在未來利用此基礎進一步探索 NLP 世界。
此文會展示如何利用 Chartify，一個直觀且貼心的 Python 繪圖函式庫，來對如 2018 臺北市候選人得票數、歷年各大洲來台人數等公開數據做資料視覺化。如果你想要學習利用 Python 實現資料視覺化，但還不知道怎麼開始；或是覺得目前使用的工具不太直覺，想要提升自己工作效率的話，這篇就是為你而寫的。
歡迎各種回饋以及建議 關於資料科學，可以說說你有興趣了解的議題，或者提醒一些文章需要補足的地方，我會加以改進並考慮寫相關文章。
另外如果你有任何有趣的資料科學專案、資源或者任何想要分享的東西，都歡迎透過以下表單聯絡我
b98705001 AT gmail.com
meng.lee AT smartnews.com
東京都目黑區
日本
