從研究所到職場的心路歷程—跨領域的準備與選擇

我在進入研究所時，本身是偏目標導向的人，因此在正式入學前，就已經主動和系上各個實驗室老師進行書信約討論，提前了解每位老師的研究方向，也同時對焦自己的興趣，避免進入研究所後才開始迷惘。

正式開始求學後，我也積極詢問老師是否有課後輔導助教、研究助理或產學合作的機會，希望透過實作與實務經驗，來彌補自己在跨領域進修時基礎尚未完全扎實的問題。

到了碩士一年級下學期，開始面對「論文主題該怎麼選」的焦慮期。

剛好在這個時間點，我很幸運地在學校育成中心找到一份資料分析實習生的工作。

我準備履歷，整理自己過去做過的小專題，順利獲得實習機會。

一開始的實習內容，其實並不有趣，而是大量且繁重的資料清理與前處理工作。

那時候還沒有現在這麼成熟的 AI 工具，很多流程都必須自己設計自動化處理方式，這也讓我的程式設計基礎變得更加熟練。

隨著資料前處理任務逐步完成，我開始接觸到真正讓我產生興趣的領域——機器學習。

但實務上的資料，往往並不像教科書裡那樣乾淨明確，這也促使我開始深入探索特徵工程（Feature Engineering）相關技術。

這段經驗，成為我碩士論文的重要起點。

我的研究主題是：

利用心電圖（ECG）訊號資料，進行糖尿病風險的分類預測模型建構。

技術重點在於：

如何在有限條件下，使用更少的特徵值，仍能建立高準確度的模型。

我整合了過去在資料前處理、特徵工程、不同領域中累積的經驗，最終在僅使用約 15 項特徵值的情況下，將模型準確度提升到九成左右。

也非常幸運的，在企業提供實務資料的支持下，順利完成碩士論文，研究成果也直接落地應用在企業端。

畢業後，我也獲得該企業的留用機會，正式轉為正職，持續從事資料分析與機器學習相關工作。

做出「實際的價值」，而且能被看見

身為在資料領域打滾的人，我一直認為，對數字的敏銳度是最基本、卻也最重要的能力之一。

我想和學弟妹分享的是：

多數的貢獻，其實都可以被量化。

清楚、具體的數字指標，能讓人在還沒真正認識你之前，就對你的價值有一個明確的評估基準。

對資料分析師而言，很重要的一件事是——讓主管或老闆，用數字看懂你的貢獻。

不論是資料分析，還是與人溝通，關鍵都在於：

你如何把「非數字的問題」，轉換成可以用數字描述的形式。

這背後的核心能力，其實是拆解問題的能力。

在任何產業中，最重要的不是一開始就套用多厲害的技術，而是先理解該領域最基本的運作方式。

如果你對資料分析的流程不夠熟悉，就很難對問題本身產生敏銳度，更無法判斷該怎麼拆解、怎麼解決。

就像我的論文研究，不論使用了多複雜的特徵工程技術，最後都必須回到一個問題：

我要如何用數字，清楚地說明這個研究的結論？

數字不一定是最完美的解法，但它往往是最清楚、最容易溝通的語言。

關於職涯，我想說的不是技術

最後，我想分享一些關於職涯的想法，而不是再談更多專業技術。

不論是在求學階段的我，或是現在的學弟妹，其實每個人在人生的不同階段，都一定會遇到不確定、迷惘、不知道方向的時候。

對於職涯，我最想給的一個建議是：

只要是你有興趣的事情，就去做、去學、去投入。

不要只停留在腦中思考。

世界上大多數真正有價值的答案，都是在「實際去做之後」才出現的。

我們永遠可以在探索中，獲得更多關於自己的資訊。而資訊管理這個領域，本身就是一個善於運用工具、取得資訊、並有效管理資訊的學科。

當你能建立一個有系統、有自律能力的自己，再搭配大量且有意識的資訊吸收，慢慢地，你就會走出屬於自己的路。

在 AI 時代，人不會輸給機器的地方

現在已經來到人工智慧快速發展的時代，很多人會焦慮：「未來會不會被 AI 取代？」

我自己的看法是—

人類不會輸給機器的地方，在於我們的體驗、感受，以及我們如何詮釋自己所經歷的一切。

我們怎麼看待事情、怎麼理解世界、怎麼累積認知，這些都會形塑一個多變而有層次的社會。

所以，我給學弟妹們最後的建議仍然很簡單：

多學、多問、多做。

當你願意行動，你就會更快認識自己真正想要的是什麼。