發覺好多人對Data Analyst有錯誤幻想

要分呀
Bootstrap係無可奈何，唔夠data下既選擇
如果夠data, 最好做Stratified KFold

如果你個algo係計distance, feature會有weighting就要normalize
Tree base model係唔洗normalize

Data Analyst 好似人工唔錯 係咁呀啦

我覺得要搵benchmark
如果件事本身有方法做開就compare to舊方法
如果無就睇下有無得收集human performance
Eg 你做緊image classification就試下compare人類個accuracy
就算人類係100%都唔驚，你可以照用黎睇下個model差幾遠

用多用少variable其實都係試
有可能加多個會好左又可能會衰左
所以依家都講緊MLOps，點樣令啲experiment可以快啲，可以快啲試到唔同方法/step個效果

點厭惡性法？

Same…
完全冇entry level opening

我有照報
都有得in
但每次in完都俾人話我experience 得DA
太green… 每次第一in就已經gg
（我有2年DA經驗，依家讀緊DS master)

我有擺自己啲project仔
都係好大路S3 / Airflow / Postgres 嘢…
依家努力緊考吓d cloud cert
巴打有冇建議我應該prioritize邊個方向努力多啲？
係咪都係考cloud cert 先實際啲？
定係睇晒本kimball 書 + Designing Data-Intensive Application書，學concept 先？
定係整d DE/MLOps project 有用啲？
定係我應該操sql/python leetcode?

玩AI同DATA既一定要勁Spec 如果唔係你會好撚頹

lm

執錯data會唔會比人發現

吹水佬

老闆有諗法，想拎出黎說服高層/其他人
用一啲好似奶勁好科學既數字去包裝