有點瘋狂的 SA 與 Programming 啟蒙

相信許多玩電腦的人都走過幫人組電腦的時光，那大概是從我國二開始（這樣故事好像起得有點早）。高中因為對電腦與網路的濃濃熱誠接手了 BBS 的管理，也開始了 System Administrator 與 Programming 之路（就說學生時代也有故事可講）。FreeBSD、各種 Linux distros 都玩遍，幾乎各種 services 都架設管理過，也嘗試開始改 BBS 的 C Program。沒有上過程式課，看了一晚的 C++ Primer 就去參加程式競賽，勉強寫了幾題，最後敗在看不懂 compiler error messages 在說什麼。O’Reilly 或其他電腦的書一本一本的看，舉凡 Bash、Perl、Apache、ProFTPD、Postfix、Bind、LDAP、Thinking in Java、C++ Primer、C programming language (K&R) 等等。接下來 intern 與外面的 case 大多都是 SA 相關。也經常泡在網路上回答 linux 相關問題，最瘋狂的時期，全電腦的套件都是自己 compile 且想辦法最佳化。玩遍 window manager、desktop env，甚至在純 console 沒有 X-win 下生活過幾個月。當時天真的目標就是想當個 Debian maintainer，或是弄個自己的 distro。

從 IC design 轉向 embedded system

到了大學，莽莽撞撞地進了電機系。但不可否認 programming 相關的課程才是我的菜，凡是相關的課程都覺得特別有興趣。經常翻 glibc 的 code，看看高手都怎麼寫的。例如要學 qsort 比較好的寫法當然翻出 glibc 來看。因為都使用 GNU/Linux 平台，當然也以 GNU development tools(如 makefile, gdb) 為主要的開發環境。 Visual C++ 是完全生手。沒事寫 CGI 做網頁，也寫些小玩具玩。由於學校的課程也不算輕，在高度壓力之下，我停止了瘋狂的 unix-like 平台專研。除此之外，在大四前都還是專心學習 IC design，修課都以 IC design 為重心。直到大四跑去輔資工系，才深深覺得走錯科系了，修課都覺得相當輕鬆且有趣。仗著對 Unix-Like SA 的多年經驗，覺得玩 embedded 搞 base system 與 kernel 非常上手，也就玩了一陣子。寫寫 C 也寫寫 Asm。整個大學歷程 Asm 也算簡單玩過三套。

NLP 與大資料處理

因為朋友的因素，幫忙 NLP 實驗室弄 Hadoop cluster 以及管理。接著也就誤打誤撞的進了那個實驗室做研究助理。跟著開始學 NLP 的一切，寫 Python、修課、看論文、發 paper。當然還有實驗室的許許多多雜事和 server 的管理。（當時實驗室約有 14 台 server，其中 8 台是 cluster，兩台 windows server）。由於 NLP 的資料通常也相當大，原始資料動不動幾十 GB，計算結果可能上 TB。正好跟上了所謂的「大數據」時代，開始玩了很多大資料處理的 framework 與 tool、platform。我們實驗室的研究成果也經常做成網站，所以也接觸了更多 web backend、frontend 的東西，舉凡 MongoDB、MySQL、DynamoDB、HBase、Redis 等 database 或是 Django、Flask 等 framework，什麼紅什麼好玩就用什麼。做研究之餘也要讓成果能漂亮有效的 demo。相較於業界要固守原本的 code base，在學界隨時想玩新花樣都能玩。之後覺得繼續待著有無訪，就推甄進研究所繼續留在那個實驗室，一樣的工作繼續做。只是修課有學分，畢業有證書，渾渾噩噩的日子繼續過。一間實驗室學習，總是專心在某個題目或方向的琢磨。不廣，甚至很狹隘。不太會管其他領域常用的方法，甚至同樣是 NLP 的技術也不見得會廣泛涉略。發 paper 找到 gap 比學習一個真的很有效很棒的作法來得重要。實驗室的作業模式通常也都比較各顧各的，缺乏能共同成長的同儕，一代換一代，不容易有經驗累積。研究之路並不開心，很難有團體共同目標。儘管自由，但不相關的學校雜事很多。軟體開發技術也比較守舊，新 tool、新 libray、當紅的 framework 大概都只有自己在玩。待久了，能學習的越來越少，要付出的卻越來越多。當然也就迫不及待想離開了。

（回應上一篇分享。我在實驗室推過 git 但失敗了，在學校常常收到信寫「麻煩給我 XXX project 的最新版 code」，然後我就把 public github repo link 再寄一次過去 Orz。對方就 download zip。Orz Orz。真的入手的第一套 VCS 是 svn，然後是 hg。）

廣泛涉略學習 Data Scientist 技能

原本以為做 NLP，在 machine learning、datamining、information retrieval、big data 已經算玩不少了。研究所修課也都著重在相關領域。畢業後自然走向 Data Scientist 的路。但就在差不多時候，去上了 Andrew Ng 的 Machine Learning。就跟這篇 LEARNING MACHINE LEARNING – SOME PERSONAL EXPERIENCE(Arthur) 文章的作者一樣，儘管 Andrew Ng 的課不算是很深的課程，但卻讓我推翻了自己，驚覺我以前根本不熟 ML 啊。過去太縮限自己在 NLP 的常用方法，而忽視了太多可能。許多 Algorithm 也只是用而不知其所以然。

圖片來源 http://nirvacana.com/thoughts/becoming-a-data-scientist/

這是一張很可怕的圖，列了 Data scientist 所需要的技能。也跟所在公司狀況有關，一人 Data Scientist + Data Engineer。知識的廣度比絕對的深度來得實在，永遠不知道下一個 task 需要怎樣的技能。在 Andrew Ng 的 ML 課之後。也持續的找 online course 或是書籍學習，諸如 online learning、deep learning、statistics。Backend、ETL 與 visualization 的東西也持續在涉略。在必要的聚會與休閒之外，所有下班時間都在進修。但相較於在學時，就業後的學習更有方向也更專心（畢竟時間少）。這時候想到似乎翟大講的，工作需要的技能進修也要算薪水，這時候真的很希望是這樣啊。

未來與總結

接下來的計劃？恐怕是換到一個能夠成長更快的環境。就跟實驗室一樣，能學習的東西比不上付出時…。但對於工作的選擇，我也很希望我手上的產品是我有興趣且認可的。算是標準 3C 控心態？

整體來說是一個很繞路的學習經歷。玩過很多東西，也不斷轉換跑道。有時候興趣太廣泛並不是件好事。因為好奇想學走了歪路，也因為好奇想學找到了新的興趣，因為對許多事都很好奇，永遠不知道下一步在哪。現在擅長的技能也不代表就是未來想走的路。提早起步也要同條路一直走才能真的走得快，只能說看了很多單走一條路看不到的風景，只是風景也只能留在心裡。

再走一次就會走對路嗎？很難說。眼界需要環境培養，更早參加社群、多認識人、找真的有興趣有挑戰的 intern、case 做做，或許能及早培養眼界，找到自己真的想走的路，瞭解自己不足之處。與其怪環境沒給你機會，不如怪自己沒趁早往外走。

關於本文作者

d2207197 Soft & Share Slack站友

如果您想與本文作者互動與討論, 歡迎到 https://github.com/softnshare/careergrowth/issues/5

為什麼會有這篇文章?

目前我們在Soft & Share slack的 forum-careergrowth 辦一個很有意義的活動, 大家一起來分享自己的學習成長, 職場, 脫離舒適圈等經驗, 如果您看了我們的分享, 您覺得您的故事也可以對大家有所啟發, 歡迎來加入我們的分享行列

最近招募中的網路讀書會

Soft & Share 的讀書會願景- 我們希望每本書會是一個連結, 最後這個連結會形成一個網路, 這個網路甚至會誕生新的創意, 這個新的創意會對社會有幫助, 讓人的生活變得更美好. 

目前招募中的網路讀書會請參考這個頁面

相關課程與書籍

• Data Science Essentials in Python-電子書團購
• 直購課程與書籍

喜歡我們的分享嗎? 記得使用以下社群分享按鈕分享給您的社群朋友吧!