隨著人工智慧（AI）產業在近年迅速發展，機器學習（Machine Learning，又稱 ML）在產業中的多種應用方式得了極大的關注。本文將介紹什麼是機器學習、4 大機器學習演算法介紹、常見產業應用以及機器學習工程師等相關職缺。 文章大綱一、什麼是機器學習？與 AI 人工智慧、深度學習的關係二、如何選擇適當的 ML 演算法？4 大機器學習模型介紹三、機器學習怎麼在產業中應用？盤點常見的 ML 實務案例四、機器學習工作有哪些、薪水多少？就上 Cake 找！ 一、什麼是機器學習？與 AI 人工智慧、深度學習的關係 機器學習是一種讓電腦系統能夠透過資料自行學習並改進自身性能的技術，而不需要由人類輸入精確指令來執行任務。 機器學習的一個分支則是深度學習，它使用以人類大腦為模型的特定演算法結構，又稱「類神經網路」（ANN）來模擬和學習複雜的特徵和層次性表示，是機器學習中一種強大的方法，兩者密切相關，且兩者都在 AI 人工智慧的範疇之下。 而類神經網路是深度學習的基礎，它是由相互連接的節點或神經元組成的層狀結構。ANN 可以學習複雜的模式，並用於各種任務，包括圖像辨識、語音辨識、自然語言處理等。 AI 人工智慧、機器學習、深度學習、類神經網路的關係 不過，傳統的機器學習需要透過特徵工程進行大量人機互動，方能產生結果，比如訓練 ML 模型辨識貓或狗，就需要各別對其手人工輸入「眼睛」、「尾巴」、「耳朵」等等輪廓特徵進行學習，深度學習則是更先進的機器學習技術，以最少的人為介入來執行這些特徵工程，因此在神經網路架構的設計上更為複雜，可利用對已知錯誤的回饋來進行自我學習。 而機器學習其運作方式大致可分為四個步驟，分別是：Step1. 收集與準備資料 → Step2. 訓練模型 → Step3. 測試模型 → Step4. 解讀結果。 二、如何選擇適當的 ML 演算法？4 大機器學習模型介紹 機器學習演算法大致上也可分為 4 種類別，分別是：監督式學習、非監督式學習、半監督式學習、強化式學習，以下將分別進行簡要介紹。 4 大機器學習模型 【監督式學習】 定義： 學習模型使用有標籤的訓練數據，其中每個輸入樣本都有相應的目標輸出。特色： 模型根據已知的輸入和輸出示例進行訓練，以預測未知數據的輸出。監督式學習適用於分類和回歸等任務。監督式學習的優點是學習效果通常比較好，因為模型有明確的目標值可以參考。但是，監督式學習也需要大量的標註資料，這可能會比較耗時和昂貴。 【非監督式學習】 定義： 學習模型使用無標籤的訓練數據，沒有預先定義的目標輸出。特色： 模型探索數據的內在結構，通常用於集群分析、降維和異常檢測等任務。非監督式學習不需要預先標記的輸出。非監督式學習的優點是不需要標註資料，因此可以節省人力和時間。但是，非監督式學習的學習效果通常不如監督式學習，因為模型沒有明確的目標值可以參考。 【半監督式學習】 定義： 結合監督和非監督式學習的元素，模型使用既有標籤的數據和沒有標籤的數據進行訓練。特色： 這種方法利用未標記數據來增強模型的性能，尤其在標記數據有限的情況下。半監督式學習可以提高模型的泛化能力，通常比監督式學習或非監督式學習的學習效果更好。 【強化式學習】 定義： 學習模型透過與環境的交互學習，從而最大化某種累積的回報，是一種基於獎勵和懲罰來學習的機器學習方法。在強化式學習中，機器學習模型透過不斷嘗試和探索，來找到能夠獲得最大獎勵的行為。特色： 模型透過在環境中執行動作來學習，並根據反饋調整其策略。強化式學習常用於處理需要做出一系列決策的問題，如遊戲、機器人控制等。但是，強化式學習的學習過程通常比較緩慢，需要大量的試驗和錯誤。 機器學習的 4 大類模型 三、機器學習怎麼在產業中應用？盤點常見的 ML 實務案例 機器學習已在諸多產業中被廣泛應用，其中「推薦引擎」就是利用機器學習演算法來篩選大量的資料，並且預測顧客 / 使用者購買或喜歡該內容的可能性，接著提供客製化建議，通常以「你可能也喜歡」、「看過 XX 作品的觀眾也喜歡 OO」等呈現。像是 Netflix、Amazon 就大量利用機器學習來做推薦引擎。 據 Netflix 估計，智能推薦引擎所推薦的內容價值高達一年 10 億美元，Amazon 也稱，這項系統能提高該公司 20% 到 35% 的年度銷售額。 在製造業之中，「預測性維護」是一種常見的機器學習應用，利用機器學習和 AI 技術，來預測工廠中的機器、工業設備等何時可能會故障，以及若要延長其運作時間、更順暢的工作，可能會需要什麼，這都是透過從企業資產的營運資料來進行學習和分析，以便提供企業後續行動建議和洞察。 AI 工作全攻略｜搜尋完整 AI 職缺隨人工智慧風潮橫掃各行各業，催生出大量新興 AI 職位和需求。該怎麼找 AI 工作機會、躋身高薪 AI 產業？一覽 Cake 完整的AI 職缺情報，應徵你夢寐以求的 AI 工作！ 透過Cake AI 人工智慧主題職缺專頁，快速掌握人工智慧相關職缺與求職攻略 四、機器學習工作有哪些、薪水多少？就上 Cake 找！ 目前國內外企業都有不少與機器學習有關的職缺，以下列出 5 個與機器學習有關的 Cake 職缺及其工作內容、薪資待遇以及職務需求，更多職缺機會可以在這裡查看。 公司職缺薪資待遇職務需求（僅列舉）動見科技 OmniEyesAI 演算法工程師｜AI Algorithm Engineer120 萬 ~ 150 萬 TWD / 年- 熟悉 Python、Kotlin、Java 等程式語言開發，包括使用深度學習和機器學習進行高級電腦視覺解決方案的設計和開發- 具備電腦視覺和深度學習算法方面的知識和經驗- 能夠閱讀、理解並實施人工智能/機器學習技術論文慧景科技股份有限公司[RD] 機器學習資料工程師 ML Data Engineer（hybrid）150 萬 ~ 200 萬 TWD / 年- 資工相關領域碩士或三年以上 ML 產品開發經驗，熟悉產品週期不同階段的需求重點- 了解 Machine Learning 的基本原理- 熟悉 資料結構、演算法、作業系統、網路架構等基礎知識，能夠分析效能瓶頸域動行銷股份有限公司【產品處】AI 工程師/資料科學家/機器學習工程師52 萬 ~ 91 萬 TWD / 年- 熟悉 ML 相關知識- 熟悉 Python 程式語言，包含 Pandas, Numpy, Sklearn,Tensorflow, Pytorch 等模組- 熟悉 Linux 系統操作- 熟悉資料庫程式語言 SQL南山人壽保險股份有限公司科技創研中心-機器學習工程師70 萬 ~ 200 萬 TWD / 年- 2 年以上數據相關經驗KKday機器學習工程師 Machine Learning Engineer [RD]90 萬 ~ 120 萬 TWD / 年- 至少 3 年的機器學習相關開發工作經驗- 熟悉資料科學、機器學習與深度學習的專業知識，能理解演算法的原理並選擇、建立合適的模型- 熟悉 Python 語言，並有機器學習系統的開發經驗 延伸閱讀：想成為資料科學家？資料科學家（Data Scientist）薪水、工作內容、面試技巧整理

在近 10 年中，AI （Artificial Intelligence，人工智慧）、機器學習（Machine Learning，ML）和深度學習（Deep Learning, DL）被大量應用在各個產業中，像是工業 4.0、物聯網、自駕車等等，也因此有許多新興職缺產生。 而根據 LinkedIn 在去年底發佈的 2020 工作趨勢報告顯示，機器學習和人工智慧人才的職缺成長速度，在過去四年就高達 74％，成為年度新興工作。 LinkedIn 的首席經濟學家 Guy Berger 也表示，人工智慧已經滲入各行各業，「機器學習或人工智慧相關的職缺已經連續三年蟬聯新興工作排行榜的第一名，人才需求量仍會持續不斷增長。」 此外，美國求職網 Indeed 也宣布 2019 年度最佳工作的第一名為機器學習工程師。從這些數據可以看出，在未來幾年內，AI 相關人才的需求只會越來越大，也讓許多人趨之若鶩投入 AI 人工智慧、機器學習與深度學習的相關領域。 如果你也想踏入 AI 領域，趕快把接下來的線上學習資源存起來、加進我的最愛，絕對可以在AI 學習路上很大程度地幫助你。 自學資源：推薦書單 1. Data Science from Scratch 中文版：用 Python 學資料科學 作者： Joel Grus 這本書是由一位 Google 的軟體工程師所撰寫，介紹用 Python 進行資料開發的主流工具庫，包括 IPython, Pandas, Scikit-Learn 等等。需要具備一些程式設計的基礎，會探討如何處理各種數據資料，以及靈活運用貝氏、決策術、神經網路等等模型，也會幫助建立資料庫的相關知識。 2. Neural Networks and Deep Learning 作者：Michael Nielsen 這是一本 AI 深度學習和神經網路的入門書，內容深入淺出，每個模型都有詳細的 code 去解釋，需要運用到數學運算的部分作者也有另外說明，最棒的是，這是免費的線上資源！ 作者 Michael Nielsen 是來自 Y Combinator Research 的研究人員，同時也是一位量子物理學家、科學家，希望藉由這本書幫助讀者掌握神經網路的核心概念和原理，以這本書打基礎，之後就可以運用 AI 神經網路和深度學習來解決更複雜的問題。 另外，作者也將範例程式碼放在 GitHub 上，更有神人將全書翻譯成中文版放在 GitHub 上，有興趣的人趕緊收藏起來就對了。 3. Deep Learning 作者：Ian Goodfellow、Yoshua Bengio、Aaron Courville 三位作者分別是 Google 的研究科學家、計算機科學教授與助理教授，從基礎的神經網路到深度生成模型，很全面地涵蓋了理論到實際應用，如果你是想進入 AI 機器學習、深度學習領域，這本書可以讓你獲得系統化的深度學習知識，了解深度學習、傳統機器學習與 AI 演算間的連結，同樣地，GitHub 上也有已翻譯好的中文版本可以參考。 4. Statistical inference for data science 作者：Brian Caffo 這本書是 Coursera 課程 Statistical Inference ( 推論統計學 ) 的課程用書，是推論統計學的入門教材，適合已經有 coding 能力的讀者學習，將 coding 能力應用在數據科學或統計學上。 另外，Github 上也有完整的書本內容，還有課堂筆記。 5. Social Media Mining: An Introduction 作者 Reza Zafarani, Mohammad Ali Abbasi, Huan Liu 這本書以社群媒體發展下所產生的數據為基底，教你如何結合跨領域研究、新演算法及工具開發，從社群媒體中找到資料，並且利用這些資料做資料探勘、分析等等，書中的模型都會用數學方法、機率概念演算解釋。 自學資源：線上課程 1. Statistical inference 講師：Brian Caffo, Roger D. Peng, Jeff Leek 平台：Coursera 費用：免費試聽、高階內容需付費 課程時長：54 小時可以學習如何從數據資料中推斷出有效結論，應用到統計學中的 p 值、信賴區間、機率分配等概念，適合已有程式基礎的人學習。 2. Data Science: Statistics and Machine Learning Specialization 講師：Brian Caffo, Roger D. Peng, Jeff Leek 平台：Coursera 費用：免費試聽、高階內容需付費 課程時長：6 個月 教你如何運用迴歸模型進行迴歸分析和推論，其中更包含資料視覺化、R 在資料科學上的應用、假設檢定、線性迴歸等。 3. Machine Learning A-Z 講師：Hadelin de Ponteves, Kirill Eremenko, 武亦文 Yiwen, 李秦 Qin, SuperDataScience Team 平台：Udemy 費用：約台幣 360 元（根據平台優惠活動價格可能不一） 課程時長：32.5 小時 這堂課會幫助你建立 AI 機器學習的知識架構，並以 Python 和 R 為主，去建立不同的機器學習模型；除此之外，這堂課還會讓你掌握強化學習、自然語言處理及深度學習等算法，最後知道如何運用不同的模型去解決問題。 4. Data Science and Machine Learning Bootcamp with R 講師：Jose Portilla 平台：Udemy 費用：約台幣 342 元（根據平台優惠活動價格可能不一） 課程時長： 18 小時 這是以 R 為主要語言的課程，將會涵括資料科學、機器學習和資料視覺化，可以當作學習 R 、資料科學和機器學習的入門課。 AI / 機器學習職缺哪裡找？都幫你整理好了 【初階 AI / 機器學習職缺】 台積電台灣積體電路製造，通稱台積電、台積或TSMC，總部位於臺灣新竹科學園區；2019 年 8 月在 PwC 發表的「全球頂尖 100 家公司」排行榜中，台積電依市值名列全球第 37 名。AI工程師，全職，初階，40K+ TWD/月 國泰金控台灣第一大金控，在美國富比士排名 2000 大企業中，台灣企業排名第一名資料科學工程師 Scala / Java 軟體開發，全職，初階，30K ~ 90K TWD/月 【中高階 AI / 機器學習職缺】 Dcard （狄卡）成立於 2011 年，提供台灣及海外部分大學生註冊的社群服務，擁有每個月超越一千五百萬的不重複訪客，且於年輕族群間有極高的滲透率。Machine Learning Engineer，全職，中高階，900K ~ 1.9M TWD/年 趨勢科技於 1988 年在美國加州創立，是一家電腦防毒及網路安全的跨國軟體公司，總部位在日本東京，全球研發總部位在台灣。Machine Learning Expert，全職，中高階，50K ~ 150K TWD/月 MoBagelMoBagel 於 2015 年從美國矽谷起家，並在 2016 年開發出專屬的產品 Decanter AI，透過資料模型精準快速地預測市場需求、銷售量等重要資訊，幫助企業做出正確決策以最大化營收。現今在台北、上海、北京、東京都設有公司。Staff Machine Learning Algorithm Engineer，全職，中高階，1.5M ~ 3M TWD/年 還有哪些科技企業、知名新創在找 AI 人才？更多 AI 機器學習、數據分析職缺點這裡延伸閱讀想成為資料科學家？精選 11 門資料科學自學資源、求職管道人工智慧浪潮再起！AI 新創 MoBagel 如何闖出一片天

隨著大數據時代的開展，網路上充斥著許多資訊，而從眾多資料中分析並萃取見解，便是數位時代的關鍵能力之一，也就是資料科學家（Data Scientist）的核心工作內容。《哈佛商業評論》更在十年前指出資料科學家（Data Scientist）是「21 世紀最性感工作」。 資料科學家都在做什麼？薪資待遇怎麼樣？如果想應徵資料科學家需要具備什麼能力？本篇文章將和大家分享資料科學家工作內容、需具備的技能及相關工作資訊。文章大綱一、什麼是資料科學家？資料科學家工作內容有哪些？二、資料科學家薪水是多少？三、資料科學家必備 9 技能與求職指南一、什麼是資料科學家？資料科學家工作內容有哪些？資料科學家（Data scientist）的定義資料科學家顧名思義，實驗對象針對「資料」本身，尋找商業問題並落地解決。不過一個數據團隊中的資料工程師、資料分析師跟資料科學家乍看之下十分類似，三者其實具有不同工作內容。 資料工程師（Data Engineer）工作主要以架構並維持資料庫平台為主，方便公司儲存繁雜資料，資料分析師（Data Analyst）負責數據分析，利用 SQL、Excel 等工具針對一串資料解釋，而資料科學家（Data Scientist）像是資料領域的組長，需從資料中分析、處理及建模數據，同時具備統籌資料、發現問題、著手解決問題的能力。 資料科學家工作內容資料科學家的工作領域橫跨多面向，先是制定資料分析的策略，從網路、手機、感測器中找到需要解決的問題，此過程也稱作資料驅動（Data Driven），再用 Python、R 程式語言把數據建模，最後將模型部署，應用於日常工作中。因為繁複的工作量，資料科學家可以說是集結統計學、程式設計及機器學習知識於一身的職位，同時需要大量跨部門工作，和團隊夥伴溝通工作事項。 具體來說，資料科學家在執行專案時，工作步驟大致如下： 與客戶溝通資料分析目的，尋找資料分析的需求及目標規劃資料搜集方法，定義資料清理的邏輯拆解問題並提出假說，進行驗證建立資料模型，更新與優化安排專案的優先順序二、資料科學家薪水是多少？資料科學家的薪資待遇與工程師相似，剛從大學畢業的資料科學家，起薪約每月 40k 至 50k，不過各公司規模起薪不一，年資 1 至 2 年以上，月薪能達到 80k 至 90k，如果年資為 5 年以上，年薪則可能破百。職場資訊社群平台 Glassdoor 有數據顯示，2022 年台灣資料科學家的平均年薪為 116 萬，而目前資料科學家職位仍屬於新興職缺，人才供不應求，為未來時代的重要工作之一。 推薦職缺 三、資料科學家必備 9 技能與求職指南資料科學家工作必備 9 大技能如果看完上述介紹，對於資料科學家感到興趣，以下為應徵資料科學家時，需要具備的 9 大技能，分成硬實力和軟實力兩種類別： 💡 硬實力分為以下 7 項：Python 與 R 程式語言（Python Coding／R Programming）資料科學家雖然主要工作並非程式撰寫，但需要整理大量數據資料，因此須利用 Python 與 R 程式語言，作為統計運算、整理數據資料的輔助工具。SQL資料庫管理系統操作能力（Database/Coding）資料科學家有 60% 皆在清理數據，由於工作內容涵蓋清理大量資料，因此具備 SQL 技能、程式語言技能，才能幫助自己在茫茫大海的資料庫中，快速準確找到需要的訊息。數據分析及處理能力（Data analysis）清理完數據後，資料科學家需從數據中萃取提煉有用的資訊，解決最初資料分析的商業目標，所以對數字須具備一定程度的敏銳度與洞察力。資料視覺化能力（Data Visualization）為了方便解釋數據分析完的結果，資料科學家須把資料視覺化，由淺入深地解讀給公司高層主管以及客戶，讓他們能理解數據分析產出後的資訊意涵。機器學習與人工智慧技術（Machine Learning and AI）資料科學家有時候也會利用機器學習與人工智慧模型，包括選取演算法、微調超參數等工作，檢驗模型是否能解決商務問題。高級數學與統計學知識（Mathematics and statistics）不管是在做統計分析還是機器學習的模型，資料科學家都會用到大量的微積分、線性代數、機率論，因此高級數學與統計能力也是資料科學家必須掌握的能力之一。行銷理論與實務經驗（Marketing theory and practical experience）由於資料科學家最終產出的模型與解決方案，將直接影響公司的營運和行銷方向，所以具備行銷基本概念，對於公司後續的行銷策略能大大加分！ 💡 軟實力分為以下 2 項：跨部門交流與溝通能力（Communication skills and Teamwork）由於資料科學家工作涵蓋的範疇大，需要與資料分析師、資料工程師，還有各部門團隊夥伴多方溝通需求並優化模型，因此若能有效率且順利地跨部門溝通，能幫助推動業務進度。具有喜好洞察數據、觀察商業問題的特質資料科學家的工作無不圍繞在數據本身，每天工作需要長時間清理、建模數據，因此面試官在提問時，也會在面談中觀察求職者是否具備強烈好奇心，對於數據抱有熱情。 資料科學家工作的履歷與面試技巧💡 資料科學家履歷 3 大加分要件 過去經驗朝「結果導向」撰寫，而非「任務導向」由於許多資料科學家皆具備 R、Python 等程式語言技能，因此在履歷上，不用太著墨利用這些程式語言所執行的專案，而是把專案的成果寫出來，展現定義及解決問題的能力。在專案中提及「非結構化」資料非結構化資料指的是語音檔、影像檔、PDF 檔案等沒有固定欄位及形式的資料，比起結構化資料，較難以分析清理。求職者若在描述過往從事的專案中，放入處理非結構化資料的說明，能夠展現出自己不僅能處理一般資料集的能力！強調自己的「溝通技能」因資料科學家需進行大量跨部門溝通工作，建議求職者可於過去經驗中，提及與其他部門合作交流的經驗，彰顯溝通表達能力。 💡 資料科學家面試 3 大技巧 經驗題：利用 STAR 原則，強調 Situation 的挑戰性及量化 Result 數據面試官可能詢問求職者，過去在資料科學領域的專案經驗，此時，求職者便能利用 STAR 原則：Situation（情境）、Task（任務）、Action（行動）及 Result（結果），並且在描述情境時，講清楚問題的挑戰性，最後將結果以數字量化，反映出具體的商業目標。行為題：面試前整理好「故事庫」，失敗經驗也沒關係！為了確保求職者具備「溝通」能力，面試官可能會問「過去有沒有和資料分析師遇到衝突？當時如何解決」、「如果對方看不懂數據，如何說服他並採取你整理的結果？」等問題。建議求職者預先準備多則故事，遇到問題時直接以實戰故事分享，即便是失敗經驗也無妨，可從失敗經驗中提取學到的事情，增強說服力。機器學習技術問題：多網羅面試題庫，精簡扼要描述碰到「為何在某場景使用 A 模型而不用 B 模型？」這類問題時，建議求職者在回答時，把自己選擇的機器模型亮點提出，濃縮成2至3個句子即可，清楚讓面試官知道你選擇的理由及策略。 資料科學家工作的職涯發展資料科學家的專業可應用在 5 個層面：具有「大數據分析」、「資料科學自動化」、「雲端和資料科學」、「自然語言處理」及「物聯網」產品或服務的產業中。如果是社會新鮮人剛踏入資料科學家領域，剛開始的工作目標較著重於你開發的演算法能否讓工作流程更順暢、優化公司數據指標，接著進入較資深的資料科學家職位，目標漸漸朝向決策性質，像是如何用資料科學讓公司的商業風險降低等問題。簡單來說，資料科學家的職涯有點像是打怪的過程，會從一開始處理較為簡單的單一問題，漸漸轉變為解決集結各種小問題的核心風險、價值問題。 舉例來說，假設你在某 SaaS 產品工作，剛開始會先預估產品成效或實驗優化成效等，最後可能會逐步進階至產品週期成效預估、各國續訂率，甚至是整體產品風險等跨領域問題。因此建議對於資料科學家有興趣的求職者，除了進修程式技術，也可增強專案經理、行銷知識、用戶體驗等方面的跨領域視野，結合技術與知識解決商業問題。 不管是還在大學或研究所學習，抑或是社會新鮮人，正思索職涯目標的你，相信看完這篇文章之後，可以讓你更了解資料科學家需要的軟硬實力，掌握資料科學家的工作內容，順利應徵上理想職位！ AI 工作全攻略｜搜尋完整 AI 職缺隨人工智慧風潮橫掃各行各業，催生出大量新興 AI 職位和需求。該怎麼找 AI 工作機會、躋身高薪 AI 產業？一覽 Cake 完整的AI 職缺情報，應徵你夢寐以求的 AI 工作！ 透過Cake AI 人工智慧主題職缺專頁，快速掌握人工智慧相關職缺與求職攻略 延伸閱讀：資料科學家要有哪些技能？精選 11 門資料科學自學資源、求職管道 推薦職缺

人工智慧（AI）的發展演進中，機器學習是經常被提及的數據演算法，而提到機器學習，就不能不接著提到「深度學習」。究竟深度學習是什麼？與機器學習的差異在哪？又可以應用在哪些功能領域上？本文將介紹深度學習（Deep Learning）的運作方式、深度學習與機器學習的差別、深度學習的運作模型、產業發展和需求以及相關職缺資訊。 文章大綱一、什麼是深度學習？深度學習與機器學習的差異二、模仿人類大腦的認知模式， 4 大常見深度學習的類神經網路三、深度學習的無限可能！DL 在產業中的 7 種用途四、深度學習工作有哪些、薪水多少？就上 Cake 找！ 一、什麼是深度學習？深度學習與機器學習的差異 在機器學習環境下，要讓電腦可以學習特定任務、指定動作，科學家需要提供電腦大量的結構化、標籤化資料進行訓練。電腦在不斷接收資料、分析數據的過程中，才能在科學家標籤過的資料中對於特定數據的特徵，在判斷上得以越來越熟練精準；而若電腦的判斷結果有誤，就須透過科學家介入調整，以加強機器學習的精準度。 廣義上來說，深度學習可以說是機器學習的一個分支。跟機器學習不同的是，深度學習是透過「類神經網路（ANN）」為基礎架構，模仿人類大腦建立認知的方式進行資料學習，讓電腦能夠自己建立特徵知識以作分析判斷，而不再透過人們指引或提供已標籤化過的資料進行訓練；亦即，機器學習需要人工介入的方式引導機器進行學習，而深度學習可以讓機器能夠「自主學習」。AI 人工智慧、機器學習、深度學習、類神經網路關係圖 深度學習的「深度」，意指多層的神經網路，深度學習透過分層的神經網路演算法，可將大量資料中的特徵進行分層分類，篩選掉低價值的特徵值，保留高價值的特徵，讓電腦能夠汲取出對機器學習更有效的特徵值。 由於能夠自行建立特徵及知識庫，深度學習可以對於更大量的未標籤資料進行分析判斷，也讓深度學習處理應用在更多元的數據資料；而對企業而言，使用深度學習可以減少事先標籤化資料以及許多人工維護資料庫的成本，也讓企業大大增加導入 AI 與深度學習服務的意願。隨著大數據時代的來臨，無標籤資料量劇增，也讓深度學習擁有更大優勢。延伸閱讀：什麼是機器學習？解析機器學習 4 大模型、常見產業應用和職缺 二、模仿人類大腦的認知模式， 4 大常見深度學習的類神經網路 深度學習背後的類神經網路有數十種，能因應不同的使用者對電腦學習的應用需求，搭配不同的類神經網路使用。以下分別簡要介紹 4 大深度學習的類神經網路： 深度學習四大類神經網路 深度神經網路（DNN）：深度學習以多層的類神經網路 ANN 進行資料判斷，而當神經網路的多層架構達到 5 層以上，便稱為深度神經網路（Deep Neural Networks）。深度神經網路的分層更多，神經網路間的連接結構更多元，適合應用於資料分類（classification）的任務。遞迴神經網路（RNN）：由於計算圖結構的特色，遞迴神經網路（Recursive Neural Networks）可以透過模擬並分析數據間的依賴關係，適合處理有序列相關的數據資料，判斷過去、現在與未來或前後文關係。透過計算圖結構的變型，遞迴神經網路更適合應用於時間相關、自然語言處理（NLP）、語音辨識的深度學習模型中。卷積神經網路（CNN）：透過將接收的資料轉換為二維結構 / 數位矩陣，卷積神經網路（Convolutional Neural Networks）可以更有效率地處理格狀結構化數據（Grid-like Data）。也因此，卷積神經網路更適合被應用於臉部、物件辨識以及影像分類。生成式對抗網路（GAN）：生成式對抗網路（Generative Adversarial Networks）由兩個機器學習模型組成，一為生成網路，另一為判別網路。GAN 的運作模式為生成網路不斷生成數據，判別網路再接著辨識接收的數據真偽，兩邊網路在「對抗」中達到平衡，最終可以生成出更真實、更高解析度的圖像。目前的 GAN 主要應用於影像領域，不過業界判斷生成式對抗網路在影音領域也有相當大的發展潛力。 三、深度學習的無限可能！DL 在產業中的 7 種用途 由於深度學習能夠處理無標籤化的資料，在大數據時代下，深度學習模型擁有近乎無窮無盡的大量數據可以作為訓練數據來源，也因此深度學習可以靈活應用於更多元廣泛的領域中。事實上，深度學習已經陸續被套用在一些前期技術服務上，目前最廣泛應用有以下四大領域： 電腦視覺：透過深度模型的影像判別能力，電腦可由圖像、影片中分辨出人像、物件、表情，並自行判斷並執行對該影像、影片內容的下一步動作。語音識別：深度學習模型可以透過語音識別功能，對不同口音、語氣、音調等語音內容進行辨識，並將對話內容轉成文字等。自然語言處理：深度學習可以透過自然語言處理模型，篩選文字、語音重點與意義，進行內容彙整、分析、及回應。推薦引擎：深度學習可以追蹤使用者的行為並進行分析，預測使用者偏好並推薦相似產品或符合偏好的服務；也可以透過整理使用者數據，幫助企業開發新產品服務。 若將這些應用功能合併運用，便能在各式領域中延伸新型態的深度學習應用： 社群媒體：透過電腦視覺、語音辨識及自然語言處理，可對平台上內容加強審核篩選，移除不當內容智慧交通：可即時判別路上交通狀況，辨識行人、路面車道規劃、交通號誌，加強自駕車的偵測安全智慧製造：自動偵測工廠內是否有人員、物件位在危險區域內，提升員工的生命安全與設備損失智慧醫療：透過語音識別以及自然語言處理進行電腦問診，協助醫療人員進行診斷，減少醫護人力成本；也可透過電腦視覺協助醫療人員偵測患者癌細胞等病變廣告行銷：透過推薦引擎的運算，深度學習可以幫助商家、串流服務、或行銷團隊自動推播更精準的推薦商品或服務給消費者，例如：Netflix、Spotify 的個人化建議清單財務金融：透過深度學習的序列分析與預測能力，電腦夠協助投資者評估金融產品市場價值；銀行可透過電腦視覺進行銀行資料控管，識別可疑網路活動，加強銀行網路的資料庫安全性數位客服：企業可透過自然語言處理導入聊天機器人，即時接收並針對情境提供實用的回覆，大大減少客服人員的成本 AI 工作全攻略｜搜尋完整 AI 職缺隨人工智慧風潮橫掃各行各業，催生出大量新興 AI 職位和需求。該怎麼找 AI 工作機會、躋身高薪 AI 產業？一覽 Cake 完整的AI 職缺情報，應徵你夢寐以求的 AI 工作！ 透過Cake AI 人工智慧主題職缺專頁，快速掌握人工智慧相關職缺與求職攻略 四、深度學習工作有哪些、薪水多少？就上 Cake 找！ 由於深度學習的應用潛力廣泛，越來越多企業接連開出深度學習相關職缺，從影像識別、資料庫分析、語言識別開發、到演算法開發等職位內容皆有涵蓋。若你對於深度學習相關工作有興趣，歡迎上 Cake 找工作平台尋找更多機會！ 推薦職缺 延伸閱讀：你了解 AI 產業嗎？關於人工智慧不可不知的大小事！

許多人對於理想工作的期待包含了深度學習機會、職涯發展空間與多元開放的企業文化，如果這也是你求職中最在意的事，德州儀器能一舉滿足你對最佳職場的渴望與想像。 德州儀器（Texas Instruments，TI）是世界知名的半導體製造商，致力於使半導體技術更創新、更普及，使電子產品更實惠，進而打造更美好、更永續的世界。60多年前，TI 工程師發明世界第一顆 IC，改變了世界，如今德州儀器為全球類比 IC 龍頭、業務持續成長，並成為許多半導體人才心目中的夢想企業。因為，在德州儀器工作代表的不僅是擔任引領半導體產業創新的重要角色，更是持續促動產業發展的領航員。台灣為全球半導體及科技產業重鎮，TI 不僅密切與在地夥伴合作，同時高度看好台灣人才優勢與潛力，期待透過企業資源培育下一代頂尖人才並提供國際舞台讓他們可以發光發熱。 為了更了解德州儀器內部的職涯發展機會、培訓管道、令人稱羨的企業文化與薪酬福利以及熱門職缺應用工程師（Field Applications Engineer，FAE）的實際工作內容，這次我們邀請到德州儀器的 FAE 濱謙，深入了解德州儀器如何投資人才養成並為其提供職涯成長所必備的養分與全方位支援！本文大綱一、新鮮人別怕，科技菁英培訓計劃（NCG program）陪你一起上手！二、德州儀器的 FAE ：如何培養卓越的客戶溝通技巧與技術專業？三、德州儀器提供具競爭力的薪酬福利四、職涯贏在起跑點，現在就加入德州儀器科技菁英培訓計劃！ 一、新鮮人別怕，科技菁英培訓計劃（NCG Program）陪你一起上手！德州儀器有 NCG Program，幫助新鮮人快速適應。剛入職場的新鮮人，最怕遇到問題不知道該找誰發問、只能獨自摸索的茫然。對此，德州儀器推出科技菁英培訓計劃（NCG Program），協助新鮮人快速熟悉業務工作。 科技菁英培訓計劃（NCG Program）對新鮮人有甚麼幫助呢？透過一對一的 Coach 制度，新人有任何問題都能隨時找到前輩詢問與交流，迅速接軌職場。做為 FAE 的濱謙需要與許多客戶接觸、討論技術問題，他一開始非常擔心無法勝任，但在觀摩 Coach 與客戶應對的過程後，他得到許多讓專案順利推進的技巧，也成功建立自己與客戶交流的風格與流程，順利成為獨當一面的 FAE。除了一對一 Coach 制度，德州儀器提供扎實、完整的海內外輪調及培訓計畫，並擁有全球技術專家知識網絡，讓新人在職涯初期便能迅速有效地提升專業技術。 得到前人的知識後，傳承經驗才能讓團隊持續成長茁壯。濱謙現在也是新人的 Coach，他提到自己喜歡和新人一起工作，藉此了解他們的想法並提供建議。對濱謙來說，培訓新人並非只有單向的付出，他也從中發現平時不會注意到的盲點，進而改善、優化自己的工作流程。由此可見，科技菁英培訓計劃（NCG Program）的 Coach 制度，不僅幫助新鮮人快速適應職場，也讓資深夥伴有機會鞏固經驗與知識。二、德州儀器的 FAE ：如何培養卓越的客戶溝通技巧與技術專業？ FAE 擔任內部研發團隊與客戶間的橋樑，協助客戶解決產品的使用問題，並將客戶回饋反映予相關團隊，以確保產品能依需求及進度完成。濱謙和我們分享他在德州儀器的工作經驗，以及在過程中如何定錨自己的職涯方向並持續成長。跨國、跨團隊的合作機會 FAE 在德州儀器，有跨國、跨團隊的合作經驗。根據自己的經驗，濱謙指出 FAE 需要具備優秀的溝通能力。FAE 作為企業面對客戶的第一線窗口， 必須釐清真正的問題為何，才能有效協助研發團隊達到客戶的要求。 濱謙以實際例子分享，由於公司的研發團隊在美國，如果遇到技術問題，或是針對客人的反饋需要討論解決方案，雙方通常以信件往來，但遇到比較緊急或重要的案子，濱謙就會安排研發團隊、客戶與自己的三方會議，藉此讓專案能更敏捷、更高效的推進。濱謙與研發團隊互相幫助，藉此更了解客戶對產品設計的要求與顧慮，而客戶也收到更迅速直接的回覆，打造雙贏局面。為客戶解決問題並深化技術專業 FAE 工程師透過為顧客解決問題的實戰經驗，強化自己的技能。從事 FAE 數年，濱謙表示自己是透過與客戶應對的過程，充實知識與技術含量。 許多人在選擇第一份工作時，會在傳統的研發工程師（RD）與 FAE 中猶豫不決，濱謙認為其實 FAE 的技術不一定會輸給 RD，因為 FAE 有更多實戰經驗，充分了解客戶會碰到的實際問題。此外，德州儀器的優勢在於產品線非常廣，從車用晶片到電流感測器、隔離裝置等高壓應用，FAE 不僅能得到多方面知識，還能擁有完整的教育訓練，直接與研發團隊討論問題。 相較 RD，FAE 更需要密切地與客戶溝通與交流，因此有更多「做中學」的機會，濱謙認為這樣的學習印象相當深刻。舉例來說，濱謙提到他的客戶從事電源相關產業，因此他很常碰到與電源供應器有關的問題，剛開始遇到時必須花費大量時間鑽研相關內容，但三年後他已能輕鬆為客戶解決大多技術問題。FAE 在解決客戶的問題同時，技術知識也會不斷累積，成為 FAE 的一大優勢。 即使新人不是相關背景的專家，德州儀器的其他 FAE 也非常樂意傳授經驗，讓新人得以充實自己的知識庫。因此，濱謙認為在德州儀器的 FAE 能獲得更扎實的訓練，未來的發展性也更高。 了解更多德州儀器以及 FAE！FAE 職務介紹人人都可以是技術專家 德州儀器相當重視同仁的「Own Your Career（主人翁思維）」，鼓勵每個人視公司如同自己長久的事業而努力。TI希望每位員工都可以在這裡能力得以發揮、最終能實現自我並提供同仁「高、廣、深」三個維度客製化的職涯發展計劃，如：同仁可以培養管理職能並向上晉升，也可以透過跨國的職務輪調，累積更多職務知識與工作技能，拓展職涯的廣度。 而針對特定領域走深走實、持續鑽研與追求技術突破為目標的同仁，德州儀器則提供獨一無二的「技術專家制度」（Technical Ladder），讓同仁能持續鑽研技術，爭取成為技術專家，成功晉升後就能獲得與主管職相近的職等與薪資。 相較於一個人埋頭鑽研，有同好切磋討論更能激發創意與概念落實。德州儀器設有由技術專家組成的「技術委員會」（Technical Council），透過定期討論技術問題、舉辦內部活動與講座，參與者不僅能得到最新的技術消息與內部創新案例，也能認識其他領域的技術專家、建立人脈，更有機會獲得個別指導（Mentoring Program），提升未來成為技術專家的成功率！ 創新是德州儀器的 DNA，也是技術人才們積極爭取的榮譽之一。德州儀器不只鼓勵同仁發表技術文章、透過技術專案申請美國專利，內部亦定期舉辦活動與獎項鼓勵人才持續創新，例如：每年內部舉辦的 Jack Kilby Award 都吸引德州儀器全球據點的優秀人才爭相角逐，其中 2022 年就有台灣夥伴參與的專案脫穎而出，在技術創新層面深受肯定。推薦職缺三、德州儀器提供具競爭力的薪酬福利為了讓優秀的人才能夠與公司共同長期穩定的成長茁壯，德州儀器提供完善的薪酬福利，全方位照顧員工的身心，以下列舉幾項：工程類職缺起薪年薪百萬起跳 為了獎勵員工績效，德州儀器制定穩定且具競爭力的年度調薪制度，並透過全球性的分潤計畫，連續 7 年發放分紅獎金達最高達 20%。此外，在德州儀器也能享有員工認股計畫，員工可提撥年薪的 10% 購買公司股票，並享有 15% 折扣。 新鮮人專屬海內外輪調培訓計劃 以上述提及的科技菁英培訓計劃（NCG Program）為例，德州儀器不只提供一對一 Coach 制度，新人也擁有到海外參與培訓的機會，與他國的新進人員進行技術交流，更深入了解德州儀器的企業文化。 全方位照顧員工的身心靈 德州儀器深知員工是企業的重要資產，因此致力於照顧員工的身心靈健康。首先，企業提供定期健檢福利、駐廠醫護室，且員工到職即享有 13 天年假，2 天彈性休假，讓同仁能依實際需求彈性調整上下班時間。其次，德州儀器有各式各樣的社團選擇、體育活動與節日慶祝活動，甚至親子同樂活動，增進同仁感情與向心力、達到工作與生活平衡。 最後，德州儀器也有免費的員工協助方案（EAP），讓夥伴享有 24 小時全天候心理諮商服務，針對身心、生活與工作各領域進行諮詢，包括嬰幼兒童養育、長輩協助、法律財務資訊、睡眠質量改善、 孕產期間指導、 飲食營養促進等等。當然，諮詢過程皆嚴格執行保密原則，不會洩漏任何個資與實際諮詢情況。四、職涯贏在起跑點，現在就加入 德州儀器 科技菁英培訓計劃！ 加入德州儀器，讓你贏在職涯起跑點！德州儀器適合成為年輕人職涯發展的第一站，為什麼？TI 提供人才絕佳學習機會與明確晉升管道。據 TI 內部資料統計： 61% 的領導階層一畢業便加入 TI99% 的副總裁職級為從內部晉升更棒的是，德州儀器企業文化多元包容且具高度彈性，重視並尊重每位同仁獨特的差異性，強調發揮每個人的潛能，無論性別、身分，在德州儀器都能獲得真正的平等，德州儀器從團隊管理、同仁間的伙伴關係，都能讓同仁深刻體會到以人為本的企業文化，滿足年輕世代對職場環境與組織氣氛的期待。 德州儀器致力於為同仁打造安全且具歸屬感的工作環境，並深化團隊對於永續經營的共同認知，其成果備受國內外多項獎項肯定。團隊的努力先後在 2024 年獲得「天下人才永續獎」的肯定，以及在 2025 年榮獲「新北環境教育獎」與臺灣指標性 ESG 榮譽「天下永續公民獎」，彰顯德州儀器從議題教育到親身實踐，步步履行永續承諾。同時，德州儀器更蟬聯女人迷「最佳 DEI 企業銀獎」，此企業實踐多元包容最佳例證。此外也包含 Forbes 新鮮人最佳雇主、Glassdoor 最佳雇主等多項國際獎項。 如果想成為德州儀器的一份子，現在正是大好時機！ 德州儀器每年都會舉辦涵蓋多種職位的實習計畫，讓實習生能夠體驗工作內容與職場文化，在各種具挑戰性的任務中發揮潛力，累積實戰經驗。針對應屆畢業生，德州儀器也提供專屬科技菁英培訓計畫（NCG Program），幫助應屆畢業生從學生成長為專業人士，找到自己的職涯方向。推薦職缺德州儀器 #科技菁英培訓計畫 #暑期實習計畫 詳情 申請期限｜即日起 - 2026/5/31（日） 申請職缺 類比應用工程師 (FAE)技術行銷工程師 (TSE)Compensation Benefits SpecialistHR Development Program類比應用工程師實習 (FAE)技術行銷工程師實習 (TSE)營運、財務暨供應鏈管理實習 ☞ 快到 Cake 一鍵投遞！德州儀器職缺這邊看

因為科技飛快進展與資訊的廣泛應用，許多學校也逐漸開設資訊學院，其中包含資工系、資訊科學系和資管系（資訊管理系）等，足以看出這個世代對於資訊的看重程度。本文將向你完整介紹理科最受歡迎的科系之一資工系，包括資工系大學、研究所的課程，以及資工系出路、薪水和未來發展方向。文章大綱 一、資工系介紹：資工系在幹嘛？ 二、資工系學什麼？大學資訊工程系課程解析！ 三、資工所學什麼？研究所課程解析！ 四、資工系職涯發展：資工系出路、薪水、找工作方向 一、資工系介紹：資工系在幹嘛？資工系，全名為資訊工程系 （Computer Science and Information Engineering），其實曾經屬於電機工程學系（電機系）的一部份，而隨著科技進步才被獨立出來，成為現在熱門的系所之一，也是目前理工學院最看重的科系之一。資工系適合怎麼樣的人 那麼這樣炙手可熱的科系，適合哪些人呢？如果在高中時期就對理化方面很拿手，那資工系會是一個不錯的選擇。在高中時期也可以接觸程式，如此一來就能對資訊方面的應用有更好的理解。 想要讀資工系需要幾項特質，第一對數理有一定程度的興趣，第二是邏輯能力好，能夠一步一步的推演並分析事情的過程，第三就是對軟體設計感興趣，有熱忱才能夠支撐自己在繁雜的程式語言中生存下去。資工系與資訊科學系的差異 大家也許會感到困惑資工系與資訊科學系的差異，首先，資工系強調要如何把資訊應用在解決實際的問題；資訊科學系較重視理論方面的研究，而不是現實生活中的問題；而資管系則是結合了資訊處理以及管理方面的知識，以便更好的運用資訊解決商業問題。 資工系資訊科學系關注的層面實踐和應用理論和方法可以學習到的知識如何開發計算機程序、網路技術和數據庫系統如何解決複雜的計算機科學問題涵蓋的領域計算機科學、電子工程、通訊工程、人工智慧人工智慧、計算機圖學、知識工程資工系與電機系的差異電機系比起資工系的應用更廣，在以半導體產業聞名全世界的台灣是十分吃香的科系，畢業以後也可以不用太擔心找工作的問題，所以一直以來都是自然組的熱門選項。而相較於電機系，資工系則是更專注在軟體和程式方面。 資工系電機系關注的層面計算機科學、電子工程和通訊工程電機工程、電子工程和電力系統可以學習到的知識如何設計、開發和維護軟件和硬件如何設計、開發和維護電力系統、電子設備和其他電機設備另一方面，以半導體產業的角度來看，電子系負責的是上游，再來是電機、下游才是資工系。電子系是最上游所負責的是製程設計，也就是製造晶片中最小的元件和電路；電機系則是會出現在整條產業鍊的角色，負責製造出一切需要用到的機械和儀器；而資工系所負責的是下游，藉由程式設計讓機器可以運作。三個專業所負責都有所交疊，所學的課程也會有類似的部分。二、資工系學什麼？大學資訊工程系課程解析！ 哪些大學有資工系台灣共有 38 所大學有資訊工程系，以下幾所為台灣較熱門的學校： 台灣大學資工系清華大學資工系交通大學資工系成功大學資工系中央大學資工系台灣科大資工系近幾年來，為了能夠吸引更多對資訊有興趣的同學報考，台灣的資訊系漸漸發展成「一系多所」的模式。 台灣大學一系二所：台大資工所、台大資訊網路與多媒體所清華大學一系二所：清大資工所、清大資訊系統與應用所交通大學一院四所：交大資訊科學與工程所、交大網路所、交大多媒體工程所、生醫工程所成功大學設有一系二所：成大資工所、成大醫學資訊所中央大學一系三所：中央資工所、中央網路學習科技所、中央軟體工程所資訊工程系 4 年課程內容既然有那麼多關於資訊的科系，那這些科系會學到什麼呢？ 每個學校的資工系確實有其獨特的特色和專攻的領域。例如，台灣大學專攻多媒體領域，交通大學專注於資訊安全，清華大學則是 IC 設計的專業。成大則有醫資所和AI學程，中央大學則是著重於軟體工程和數位學習。因此，在選擇學校和科系時，要多方面探索，了解每個學校的強項和專長，並且根據自己的興趣和未來的職業發展方向做出適當的選擇。 台灣大學、清華大學、交通大學、成功大學、中央大學、台灣科大的資工系必修課程列舉在下方，但各校的課程可能會有不同的重點和難度： 資料結構與演算法：這門課程在各大學的資工系中都是必修課程，內容也差異不大。不過，清華大學和交通大學的課程相對較難，並且強調實際應用。 程式設計基礎：這也是各大學的必修課程，內容相似，但各校可能會使用不同的程式語言教學，以上的學校所教的程式語言為 C++、Java、Python 等。 電腦系統：教授的內容涵蓋了計算機硬體和軟體方面的基本知識，包括操作系統、網路系統。 資料庫系統：涵蓋了資料庫設計和管理的基本知識：包括資料庫概論、關係數據庫、 NoSQL 數據庫等。 網路程式設計：這門課程涵蓋了網路通訊和網路應用方面的基本知識，包括網路基礎、網路協議、 Web 技術等。 軟體工程：這門課程涵蓋了軟體開發和管理方面的基本知識，包括軟體生命週期、軟體設計、軟體測試等。 而以下課程通常是選修課： 人工智慧：教授的內容包括機器學習、深度學習、自然語言處理和計算智能等方面的知識。 計算機圖學：涵蓋了計算機圖學和電腦動畫等方面的基本知識。不過，各校的課程可能會有不同的重點和難度。 編譯器設計：涵蓋了編譯器和解譯器等方面的基本知識。 以下是各校資工系的特別課程範例，僅供參考：台灣大學資工系：影像處理、資訊檢索、機器學習、資料探勘、分散式系統、資訊安全、自然語言處理等。清華大學資工系：高階網路程式設計、資訊安全、計算機視覺、機器學習、雲端運算、自然語言處理、大數據分析等。交通大學資工系：網路資訊安全、運算科學、機器學習、資料視覺化、計算機圖學、網路系統架構等。成功大學資工系：資料科學、計算機視覺、機器學習、自然語言處理、資訊檢索、軟體開發專案、軟體工程專案等。中央大學資工系：人工智慧應用、多媒體資訊處理、資料科學專題、資訊安全、計算機圖學、分散式系統等。台灣科大資工系：物聯網專題、資訊安全、軟體測試、大數據分析、人工智慧、機器學習等。 以下是各校資工系的實驗、專題報告範例，僅供參考：台灣大學資工系：人工智慧專題、網路通訊與協定實驗、資料庫實驗、作業系統實驗等。清華大學資工系：計算機網路實驗、資訊安全實驗、軟體工程專題、資訊檢索專題等。交通大學資工系：網路程式設計專題、行動裝置應用專題、人工智慧專題、嵌入式系統實驗等。成功大學資工系：資料科學專題、多媒體系統實驗、人工智慧專題、網路程式設計實驗等。中央大學資工系：軟體工程專題、網路安全實驗、計算機圖學專題、資訊檢索專題等。台灣科大資工系：行動應用專題、物聯網應用實驗、人工智慧專題、資料庫實驗等。 需要注意的是，各校的課程可能會隨著時間而變化，且不同的課程可能會有不同的實驗和專題報告。三、資工所學什麼？研究所課程解析！ 哪些大學提供資工相關研究所最熱門的資工相關碩士班有（由熱門程度排序）： 清華大學 資訊工程系碩士班成功大學 資訊聯招交通大學 資訊聯招台灣大學 資訊工程學系碩士班台灣科技大學 資訊工程系碩士班政治大學 資訊科學系 資訊科學與工程組資工所考試在考取資訊研究所時，必須要有先備知識，因為考試科目有數學（線性代數、離散數學）、程式設計（資料結構與演算法）、計算機系統（計算機結構與作業系統），因此對於跨科系的學生可能較不容易。資工所與大學課程的差異是什麼 資工研究所相較大學會比較專注在某個特定領域，例如交通大學的資工系所就分成四類資訊科學與工程研究所、網路工程研究所、多媒體工程研究所、數據科學與工程研究所，大學則是會較廣泛的學習。四、資工系職涯發展：資工系出路、薪水、找工作方向資工系是否需要讀研究所？大家可能會認為擁有資工系學士學位就已經足夠了，然而事實上，現今許多大型公司在第一輪面試時會將沒有碩士學歷的候選人篩選掉。所以有意願想在大公司就職的人，就讀碩士可以讓自己在未來的就業職場增加機會，也可能提高自己的起薪。尤其是有興趣前往科技公司發展的資工系學生，許多科技公司十分注重學生的學歷。 而在選擇研究所時，大家可以依照自己的興趣所選，因為每個大學研究所發展的領域都有點不同。 資工系出路資工系的出路大多會選擇進入科技產業，例如與IC設計相關的IC測試或IC設計，與網路相關的網路管理、系統分析、系統整合、資訊安全、網頁設計，與電腦遊戲關的動畫工程師。 不只是這些，這幾年也有資工系會選擇金融業，擔任財務工程師或是協助金融科技轉型，或者往醫學領域發展，協助醫學資訊的管理和開發。而現今最熱門且富有發展潛力的機器學習、自然語言處理、人工智慧、大數據領域，也是資工系學生十分嚮往的職業。 科技產業是資工系最熱門的出路，台灣最熱門的晶片製作，看似只需要電機、機械、物理、化學等科系的人才，但其實工廠內也需要資工系的人才進行設備操作和資訊管理。 其實資工系畢業的學生可以選擇的產業很多，因為程式設計可以運用在各行各業，從日常生活中熟悉的手機、電腦、遊戲，到醫療、生技、工業都會需要資工系的人才，這就是為什麼資工系長久以來受學生歡迎的原因吧！ 資工系未來職缺以下列舉幾個資工系可能發展的職業：資工系職缺 3：網絡架構師該職業需要設計和構建數據通信網絡。而網絡涵蓋了在同一辦公室內的連接到並為許多客戶提供雲端服務。 資工系職缺 1：硬體工程師這類工程師會參與電腦硬體與硬體系統的設計和測試過程。 資工系職缺 2：軟體工程師這類工程師需要熟悉多項程式語言以及各項電腦作業系統的知識，他們會設計的軟體包括電腦遊戲、商業應用、作業系統等。 資工系職缺 4：IT 項目經理該職業需要進行合作與計畫公司內的與電腦相關的活動，包括引入電腦系統已達成某項目標 推薦職缺 必備能力資工系必備能力 1：編程能力根據不同職位或出路選擇，會需要具備不同硬實力，首先，不管是進入哪個行業，精通自己會的程式語言是必備的，並且確定自己能夠掌握所有基本功，如此一來才能往其他專業做更深入的延伸。至少精通 2 種以上程式語言，例如 Java, C, C++ 和 C#。並有使用 JavaScript, Linux/Unix, Perl, Shell, Java, Ruby, PHP, Python, Hands-On SQL, Microsoft ASP.NET MVC, Web API, Node.js 的經驗，且能使用不同工具應對不同的複雜問題另外，還要懂得如何使用原始碼和程式庫，原始碼就是程式設計師用特定程式語言編寫成人類可以理解的代碼；而程式庫則是一組現成的代碼，通常用在解決數學運算或圖形處理等特定任務，程式設計師可以在他們的程式中引用程式庫中的代碼，這樣一來就可以大大節省程式開發的時間和資源。 資工系必備能力 2：測試程式設計只是其中一環，測試也是十分重要的一部份，每個新應用都需要不斷測試並加強直到可以符合各項標準。 資工系必備能力 3：除錯程式碼 (Debug)除錯也是在編程中必備的技能，知道問題源自哪裡、該怎麼除錯。 資工系必備能力 4：資料庫管理幾乎每項編成專案都會與資料庫相關，知道如何使用資料庫管理，例如 SQL 的應用必定會增加自己的競爭力。 資工系必備能力 5：其他領域的知識也需要因進入不同公司擁有不同方面知識，例如 IC 設計工程師需要負責的工作是設計電路圖架構，就必須懂的相關知識。 資工系畢業薪水若是公立大學畢業，資訊工程系畢業內兩年的薪水約在 43,000 到 55,000；而私立大學則是 43,000 到 47,000。 當然不同職缺會有不同薪水，以下例舉幾個範例的平均薪資： 介於 50,000 到 60,000： 資安工程師AI專案管理師全端工程師 介於 60,000 到 70,000： DevOps工程師大數據架構師 介於 70,000 以上： 區塊鏈工程師機器學習工程師資料科學家哪些公司最愛找資工系在台灣的話，以下幾家公司都是資工系熱門的選擇： 華碩電腦宏達國際電子廣達電腦台積電和碩聯合科技緯創資通 希望本篇的介紹能為大家提供一些參考和幫助，並更清楚地了解資工系的學習內容和就業前景。資工系是一個不斷進步和發展的領域，具有豐富的挑戰和機會。如果大家對科技和創新充滿熱情，喜歡探索新的領域和技術，那麼資工系可能會是一個非常適合你們的選擇。無論選擇哪條路，都要堅定信心，努力追求自己的夢想，一定能在未來的道路上取得成功！

由疫情帶起的「機器人與自動化」趨勢，近幾年來不僅大幅改變了電子業和工業領域的營運生態，更在全球範圍內飛速發展，如今自動化技術應用已經成為實現智慧製造和提高生產效率的關鍵，這波趨勢也進一步衍生出不少相關職缺。 許多台灣知名企業如台達電子、鴻海與聯發科皆已積極參與工業機器人和自動化業務，本文將為大家探討全球和台灣工業機器人與自動化市場的現況和前景，並介紹自動化和工業機器人產業中的相關職缺和工作內容。 本文大綱一、機器人、自動化、RPA 產業趨勢二、機器人、自動化、RPA 在電子製造業等行業之應用三、機器人、自動化公司和職缺一覽一、機器人、自動化、RPA 產業趨勢全球工業機器人和自動化市場現況和前景 根據調研機構 Precedence Research 的數據顯示，2022 年亞太地區的工業自動化市場規模為 587 億美元，同年的全球工業自動化市場規模為 1950 億美元，而這個數字預估將在 2032 年超過 4951.1 億美元，預計在 2023 年至 2032 年期間以 9% 的複合年增率（CAGR）成長。 全球各地區都在積極投資和採用工業機器人技術，以提高生產效率。國際機器人聯合會（IFR）的數據指出，自 2020 年到 2021 年，全球工業機器人安裝量達 51.7 萬台，較去年同期成長 31%。IFR 更預估，到了 2025 年底，全球工業機器人的年安裝量將達到 69 萬台。 亞洲機器人市場強勁 其中，亞洲仍然是全球最大的工業機器人市場，在 2021 年所有新安裝的機器人中有 74% 安裝在亞洲。此外，根據 Precedence Research 的資料預估，機器人應用的市場規模有望在 2023 年至 2032 年期間以 12% 的年增率迅速壯大。 而台灣作為全球製造業的中心之一，具有強大的工業機器人應用需求。根據台灣機器人協會（TAIROA）的報告，台灣的機械產業產值在 2022 年已達到 1.45 兆元，年均複合成長率更高達 27%。 該協會表示，智慧機器人的崛起正在帶領企業邁向更具彈性的製造模式，以因應全球經濟變革所帶來的挑戰，其中台灣在這一轉型中的強勁表現，不僅提高產能，還創造更多就業機會。 自動化、工業機器人、工業 RPA 是什麼？ 自動化、工業機器人和工業 RPA 在製造業中都扮演著關鍵角色，這些技術應用能提高效率、精確性和生產力。自動化、機器人和 RPA 在製造業中，能提高效率、精確性和生產力。 自動化（Automation） 自動化（Automation）是一種使用電子、機器、軟體和電腦控制系統來執行工作或任務，進而減少人工參與的過程。 工業機器人（Industrial Robotics） 工業機器人（Industrial Robotics）是自動化的一個重要組成部分，是由系統控制的機械設備，能夠執行各種工業任務，例如裝配、焊接、搬運等。 工業 RPA（Robotic Process Automation） 工業 RPA 是一種自動化技術，用於模擬和自動執行日常商業流程中的重複性任務和操作，以節省時間和降低錯誤。RPA 軟體通常需要搭配 AI 應用中的機器學習和自然語言處理等技術來進行協作。 AI 興起帶動機器人與自動化市場 今年興起的人工智慧（AI）浪潮，更加推動機器人和自動化市場的發展，過去只能在預先設定的軌道上跑的無人搬運車（AGV），在 AI 科技的推波助瀾下發展成「自主移動機器人」（Autonomous Mobile Robot，AMR），AMR 還可以透過 AI 的機器學習來實現自主導航和路徑規劃，使其能夠避免障礙物、優化路徑並自主執行任務，AI 也是邁向工業 4.0 技術的關鍵。 除了 AI 趨勢外，在雲端處理、物聯網（IoT）的推波助瀾下，機器人和自動化市場也出現了一波大升級。連接到 IoT 的機械手臂可以實現遠程監控、故障檢測和預防性維護，從而減少停機時間。協作機器人還可以利用雲端平台來共享和分析數據，來進行執行複雜的運動軌跡計算和控制。 二、機器人、自動化、RPA 在電子製造業等行業之應用 機器人與自動化已經被應用於各行業領域，包括高科技或傳統製造業、物流、醫療、農業等，通常包括傳感器、控制系統和機器人等元件，其中 RPA 更被廣泛導入在電子製造業，包括了：3C 消費電子製造、汽車電子製造、半導體製造與家用電器、電池製造業。機器人與自動化可應用在高科技或傳統製造業、物流、醫療、農業等，RPA 更被廣泛導入在電子製造業。 而工業 RPA 能幫助企業提高效率、降低成本，並替員工省下多餘的精力，讓他們能集中於更有價值的工作項目。以下是常見的應用範例： 自動化生產線品管控制與檢測庫存管理倉儲物流和運輸製程監控和數據分析供應鏈管理 這些應用場景的導入和使用可以幫助電子製造業實現多項效益，包括生產效率的提升、品質控制的改善、成本降低、庫存優化、物流效率的提高等。 三、機器人、自動化公司和職缺一覽 接下來為大家介紹幾個台灣涵蓋機器人或自動化項目的電子廠：鴻海集團（Foxconn，也稱為富士康）：核心業務：全球性的電子製造和組裝，包括電視、手機、電腦、智能裝置。應用領域：自動化生產線、智能製造、自動化測試設備。 台達電子（Delta Electronics）：核心業務：工業自動化、工業機器人、能源管理系統、智慧製造解決方案。應用領域：生產自動化、智能工廠、能源效率、電力控制。 上銀科技（HIWIN）：核心業務：工業機器人、協作機器人、機器視覺技術。應用領域：生產自動化、製造工廠的機器人應用、品質檢測。 凌華科技（ADLINK）：核心業務：工業自動化、自動化控制系統、嵌入式電腦、物聯網解決方案。應用領域：工廠自動化、工業物聯網、自動化監控系統。 研華科技（Advantech）：核心業務：工業自動化、自動化控制系統、嵌入式電腦、機器視覺技術。應用領域：工業自動化、自動化檢測、智能製造、醫療自動化。 聯華電子（UMC，United Microelectronics Corporation）：核心業務：半導體製造，提供晶圓代工服務。應用領域：半導體生產自動化、製程監控。 東元電機（TECO）：核心業務：數控機床、工業機器人、自動化生產線。應用領域：數控機床、工廠自動化、金屬加工自動化。 Cake 的機器人 / 自動化公司、職缺類型與工作內容Jabil Taiwan - PC 電控工程師 職缺上銀科技 - 機器人軟體開發工程師 職缺上銀科技 - 電控系統開發工程師 職缺中光電智能機器人 - 自主移動機器人視覺暨定位導航演算法工程師 職缺和碩集團 - 自動化軟硬體研發工程師 技術課長 技術主任 職缺OpenNet 開網有限公司 - 軟體自動化測試工程師 職缺 機器人、自動化和智慧製造產業正處於快速成長的階段，它們的應用不僅提高了生產效率和產品品質，還創造了更多電子業、資訊業、工業領域的就業機會。隨著技術的不斷演進，我們可以期待更多令人興奮的創新和發展，這些將繼續推動我們走向更智慧、更高效、更可持續的未來。 前往 Cake 電子資訊 / 科技製造人才職缺專區 → 立即查看更多職缺 延伸閱讀：機械工程學什麼？機械系畢業出路與職涯發展介紹

相對於前端工程師，後端工程師的技能樹簡直是枝繁葉茂、後端語言更可說是五花八門，讓開發者於選擇時十分頭痛。想自學／應徵成為後端工程師的話，究竟選擇哪一種後端語言可以擁有最佳的就業機會和薪資水平呢？本篇後端工程師找工作大全文章將提供後端工程師薪水行情、後端工程師熱門職缺、後端工程師履歷/求職/面試技巧等關鍵資訊，是身為後端工程師的你找工作時的最佳利器，千萬不要錯過！文章大綱：後端工程師薪水及人才需求熱門後端工程師職缺後端工程師履歷範本 技巧後端工程師面試問題 攻略後端工程師前景及發展方向 Cake 求職平台提供豐富、優質的網路科技業職缺，其中平台上的求職者更有超過 30% 為軟體工程師。由於長期以來蒐集許多有關於各類軟體工程師找工作的提問，因此即將要推出一整系列軟體工程師找工作的文章，內容包含薪資情報、熱門職缺、面試準備等關鍵資訊，身為軟體工程師的你千萬不要錯過！後端工程師薪水及人才需求 針對 2022 年於 Cake 求職平台上超過千筆的後端工程師職缺做出統計 (已過濾薪資範圍 1.5 倍的職缺，以減少誤差)，後端工程師職缺的起薪約落在 50,000 元新台幣，優於約 85% 30-34 歲年齡區間的受僱就業者每月主要工作的收入，可見除了因為後端工程師入門門檻相對高，較少有非技術背景的轉職者，而導致起薪較高外，Cake 上的後端工程師職缺較多是針對較有經驗的後端求職者。依「年資」區分的後端工程師薪資統計 接下來看到 Cake 平台上初階及進階後端工程師平均月薪及年薪的差異統計，由下圖可以看到雖然相較於初階後端工程師的平均月薪，中高階後端工程師的平均月薪只高出約 5,000 新台幣，然而平均年薪的部分則高出約達 30%，可見後端工程師年薪隨著資歷成長的漲幅空間是很大的。 後端工程師 薪資統計 - 依資歷 (Cake 數據) 不過除了資歷的深淺，求職者本身是否有額外的加分能力（如：具前端能力、金流服務經驗）、公司本身的背景（產業類別、市場規模、獲利能力）等等，都會讓薪資有不同幅度的差異。 不同「後端語言」的後端工程師職缺數量 相較於前端，後端的語言可以說是五花八門，讓開發者於選擇時十分頭痛，究竟該選擇較成熟的 Java、C 語言 ，較容易學習上手的 Python，或是近期新興的 Golang 呢？一起來看看 Cake 上各後端語言/框架的職缺數量和薪資差異吧！ 由下圖可看到 PHP 是於企業端需求最高的後端語言，有約 21% 的後端職缺是開給熟悉 PHP 的求職者，不令人意外地，由於 PHP 歷史悠久、社群資源豐富，加上設定方便，根據統計全球有超過 75% 的網站使用 PHP 作為網頁伺服器 (如：Facebook)，雖然架構較鬆散，但在搭配 Laravel 框架後可以創造更分工明確的程式碼，是許多公司的選擇；而職缺數量排名第二的則是另一個元老級的程式語言 Java，佔約 20%，身為過去蟬聯多年最多人使用的程式語言，Java 十分成熟及穩定，但其冗長的語法也造成 Java 開發者正逐漸減少。第三、四名的 Node.js (14.5%) 及 Python (13.9%)，是相對新興的語言/框架，Python 由於雲端計算、機器學習的興起，加上其於許多領域皆可使用，於 2018 年中超越 Java 成為用戶最多的語言，許多知名跨國企業也喜歡將 Python 應用於各種用途；Node.js 則是因為其寫法相對簡易，加上多由 JavaScript 語言編寫，可達到前後端語言統一開發來提升效率及便利性。 不同後端語言/框架的職缺數量 (Cake 數據) 不同「後端語言」的後端工程師薪水統計你是否也好奇選擇學習哪一種後端語言對於薪資所帶來的差異？接下來要揭曉各後端語言職缺的薪資情報！由下圖可以看到，各語言的月起薪並沒有太多的差異，唯一較突出的為近幾年來快速成長的新興語言 Golang。經過觀察推估，由於 Go 為較新的語言，學習者多為已有後端經驗的工程師，較少初階新手涉入，因此起薪相較其他語言高，而 Go 在美國矽谷的新創也是十分熱門。 年薪最高的後端語言則是 Ruby。Ruby 曾於幾年前紅極一時，GitHub、Shopify、Airbnb 網站就是由 Ruby on Rails 所開發的，然而對於初學者而言，Ruby 較 PHP、Python 難上手，普及率較低；然而即使開給 Ruby 的職缺較少，新創公司對 Ruby on Rails 人才的需求其實不小，尤其是外商 (日商、美商)。此外由於 Ruby on Rails 人才的供給少於需求，加上外商提供的薪資相對優渥，因此可以從下圖看到相較於其他語言/框架，Ruby 職缺是 Cake 平台上年薪最高的。而由於 PHP 的開發人員數量最多，平均年薪是相對其他語言/框架較低的，但相對有較多的職缺選擇，較容易就業。 後端工程師 薪資統計 - 依語言/框架 (Cake 數據) 在一窺不同資歷、不同後端語言/框架於 Cake 上的薪資統計後，接下來就要揭曉於 Cake 上最熱門的後端工程師職缺。以下後端工程師職缺將會以本土及海外/跨國作為區分，甚至有資深後端工程師年薪上看 3 百萬新台幣的職缺！一起來看看有沒有適合你的後端工程師職缺。熱門後端工程師職缺 推薦職缺 除了了解薪資情報，及挑選心儀的後端工程師職缺，求職過程中最重要的一環就非製作履歷莫屬！還在煩惱該如何製作出吸引人資目光，同時又能夠精準呈現你專業技術的履歷嗎？這裡將提供好用的履歷工具及專業的後端工程師履歷範本給你參考。後端工程師履歷範本 技巧 後端工程師履歷撰寫 3 大技巧： 利用量化數據及作品集呈現你可以為公司帶來的貢獻及價值將重要的技術、經歷濃縮成一頁，並利用關鍵字 (特定專業技術) 讓人資主管可以迅速找到你客製化給不同公司 ＆職缺的履歷，放入最相關及必要的經歷、作品即可，其餘可作為參考資料 Cake AI 履歷編輯器主打容易上手及高度客製化，可以透過拖曳圖/影片、投影片、文字區塊等多媒體元素來打造突顯個人特色的線上履歷，一起來看看 Cake 上有哪些專業又精美的後端工程師履歷吧！ 想要到外商、跨國企業或是海外工作嗎？這裡也有專業的後端工程師英文履歷給你參考！ 需要更多製作履歷的靈感嗎？Cake上還有許多優秀的後端工程師履歷供你參考！ 恭喜你完成專業精美的後端工程師履歷！擔心無法在面試的過程中拿出最佳表現嗎？接下來在後端工程師求職技巧的部分，將透過面試前的作品集開始，到下一步的技術面試、人資面試替你做準備，讓你在面試過程中不再手忙腳亂！後端工程師面試問題 攻略 後端工程師面試攻略將會分為以下幾個部分來進行討論： 一、面試前的準備 - 作品集二、後端工程師的技術面試問題三、後端工程師的人資面試問題四、後端工程師加分條件 一、後端工程師 面試前的準備 面試前的準備部分已經於上一篇【前端工程師找工作 大全】中有詳細的說明，其中包含作品集的準備、公司背景的調查、服裝儀容的挑選、對面試官的提問等等，故不再贅述，本篇會多著墨在作品集的準備上。如何開始準備工程師作品集： 挑選 3~8 間你心儀的公司及職缺列出其所要求的必要技術及加分條件挑選相似或權重高的技術/條件，並嘗試寫幾個可以展示該技術/條件的 projects 若你已經有累積一些不錯的作品，可以優化先前的作品 (如：加上簡單的前端頁面) 及確認作品的完整度；若你為計畫轉職的新手後端工程師，或尚未累積足夠的作品，可由上述步驟開始進行準備。如此不但可以讓面試的過程更加流暢順利，也可以透過將作品上傳至 GitHub，展現自己有與社群接軌的習慣。 工程師作品集準備 3 大技巧：釐清目的，以確定作品集的方向及確保其產生預期中的價值作品內容聚焦於呈現應徵公司 職缺所要求的技術及能力挑選與應徵公司/產業相關的作品題材 在做完面試前的準備，接下來就要上面試戰場了！通常，大公司面試後端工程師人選的過程主要分為兩個階段，分別為技術面試及人資面試，以下將已此兩部分來詳述個別的準備技巧。 二、後端工程師的技術面試問題 通常技術面試有 1~3 關不等，主要面試官為工程師及工程主管，此外還會有額外的Coding Test，會以面試前線上測驗或是面試後 Take Home Exam 的形式進行。技術面試主要有幾個方向可以進行準備：語言相關、演算法/資料結構、資料庫、系統設計及大方向性的問題。後端工程師面試技巧： 詳細地呈現解題思考過程積極地進行對話、互動，營造出討論的氛圍將話題引導至自己做過的專案，展現熱情及專業 後端面試準備一：演算法(白板題)/資料結構 問題 LeetCode 題庫：https://leetcode.com/problemset/top-100-liked-questions/ 求職可以事先詢問人資主管是否會有演算法的問題，確認後，可以透過 LeetCode 上的題目做練習。 後端面試準備二：資料庫問題 請說明 relational DB 和 NoSQL 之間的差異請說明你使用過的資料庫以及它們的差異LeetCode 資料庫題庫：https://leetcode.com/problemset/database/ 建議求職者於面試前再次查看欲應徵公司所列出職缺說明，若對該公司所使用的資料庫不熟悉，可以預先做功課。 後端面試準備三：系統設計 問題 請設計一個縮短網址連結 (如： bit.ly) 的服務 請說明你會如何實作一個搜尋引擎 (如：Google search) 請設計一個 client-server 的下棋應用程式，讓使用者可以遠端連線與其他使用者下棋 請說明你會如何儲存社群網站的好友關係 (如：Facebook) 及如何實現讓使用者在其好友按同一頁面讚時可以收到通知 後端面試準備四：大方向性問題 請說明你經手過流量最大的 projects (網站或 APP)請說明你會如何部署主機請說明你使用 AWS/Google 雲端平台/Azure 的經驗請舉一個你做過的後端效能優化例子 後端面試：Take-home Exam (Demo) 請用一個前端框架與後端語言做出一個 Reddit 的網站實作 Demo 提醒： 注意程式的結構設計檢查 Coding Style可以多探討後端重視的問題，如：效能可以將題目與應徵的公司做應用上的連結 三、後端工程師的人資面試問題 人資面試的提問部分，目的為了解求職人選的個人特質及職涯規劃方面，可以參考上一篇【前端工程師找工作 大全】- 面試中的常規問題部分，在此補充有關期望薪資提問的部分。提醒求職者要預先做功課及評估，透過調查該公司的薪資政策，或詢問於相關產業任職的朋友、獵頭，來了解自己面試之職缺的薪資落點範圍；進而釐清自己的期望薪資，統整後設定薪資底線，如此於協商薪資時會較有把握及優勢，不會因為不瞭解市場行情而被雇主任意削價。此外，若你前往面試的為新創公司，很有機會這一關的面試官會是公司的創辦人們喔！因此面試前透過 LinkedIn 調查創辦人的背景，以及透過採訪文章等，了解其創業的理念及願景，進而與自己能為公司帶來的價值做接軌，也是很實用的戰略。 你是不是還好奇，除了技術之外，還有甚麼能力及特質是僱主/人資主管所期待在後端工程師求職者身上所發掘的呢? 四、後端工程師加分條件 1. 有助團隊共同開發的能力後端工程師除了需要具有獨立開發的能力，更重要的是能夠與團隊共同開發的能力，以下 3 項為非常重要的加分條件： 團隊合作能力 - 後端工程師除了需要和前端、後端工程師合作，還常需要進行跨部門協作，因此具備團隊合作的經驗及素質十分必要。溝通能力 - 於團隊合作過程中，後端工程師常需要解釋、交接工作項目；此外，較資深的後端工程師也常肩負帶領、教導新進工程師的責任，因此該如何精確地進行討論及解答，還有因聽者的程度來調整技術相關的講解，是十分重要的！商業邏輯能力 - 後端工程師常需參與產品使用流程的規劃，透過演算法的調整，讓產品能夠更確切地實現業主期望的商業邏輯，因此擁有良好的邏輯推理能力及商業知識是非常加分的！ 2. 自我學習能力軟體工程師領域的知識永遠學不完！身為後端工程師的你必須透過於下班時間做 side projects 來不斷地精進、更新相關知識技術，因此擁有自我學習的能力及熱情相當重要。 3. 英語能力承接上一點自我學習的能力，有許多最新的一手科技資訊多以英文發表、分享，因此擁有中等以上的英文讀、寫能力是建立自己相關資訊管道的重要能力；此外，也是到海外工作的入場券！ 4. 程式碼品質由於後端工程師常需與其他工程師協作及交接工作項目，因此良好的筆記習慣及 Coding Style 十分重要，可以確保程式碼品質及可維護性，進而提升合作效率。 5. 其他經歷根據應徵公司/職缺的產品及產業，若擁有相關的經歷或是興趣是很加分的！如 SEO 實務經驗、遊戲伺服器開發經驗，或是對機器學習、人工智慧有興趣等加分條件，可於求職時特別留意。 後端工程師前景及發展方向 資深工程師/全端工程師：透過持續地精進後端工程師核心能力，以及系統設計、資料庫設計、系統效能優化，發展為至少精通一種程式語言或工具，同時擅長前後端各種套件，並能夠清晰地分析商業的模式及可行性，完整地將客戶/雇主的需求轉為程式架構。DevOps 工程師：DevOps 工程師為近年來知名海外企業如 Google 等開始漸趨重視的新興職缺，DevOps 工程師兼具開發及維護技術，主要是為了提升產品開發的效率。當前於許多企業中，DevOps 的工作多由後端工程師負責。 推薦職缺 看到這裡，相信想應徵或是自學成為後端工程師的你，應該對於後端工程師的後端語言、職缺、薪水行情，以及最重要的後端工程師履歷面試技巧都有更深的認識了吧！如果你看完後，也好奇其他軟體工程師的薪水行情等求職大全，趕緊參考下列文章吧！《軟體工程師找工作》系列文章APP 工程師找工作 大全👉 前往閱讀前端工程師找工作 大全👉前往閱讀全端工程師找工作 大全👉前往閱讀DevOps 工程師找工作 大全👉前往閱讀

工程相關科系眾多，該怎麼如何選擇就讀的科系呢？本篇將帶大家認識「機械工程系」在學什麼，未來出路有哪些，讀研究所的必要性等，並解答讀機械系是否能進半導體產業工作的疑問，希望能讓大家更了解機械系的職涯發展！文章大綱 一、機械工程系介紹 二、機械工程系學什麼？ 三、機械研究所在幹嘛？有哪些組別？ 四、機械工程系職涯發展：機械系出路、薪水、找工作方向一、機械工程系介紹工程學系範圍相當廣泛，常見的有：電機、機械、材料、土木、建築、資工、資管等，雖然這些科系都屬於工程學系，然而上課內容、畢業後的出路仍有差異。 舉例而言，電機系著重於電路控制、電子迴路設計等；清大動力機械系著重讓學生具備完整機電系統整合的能力，學習領域包含能源、電控、奈微米、精密機械與智慧製造等，主要是將機械與電機系所學的內容結合 ；土木與建築則著重在學習建築結構設計。那麼，機械系學什麼呢？ 機械系主要學習內容以機械結構為主，包含應用力學、材料力學、熱力學、流體力學等，運用獨立思考和邏輯分析，解決並進化工程相關流程與問題；適合未來想進入傳統產業，如：汽車、工廠設備、大型機台等，或是科技產業、半導體等產業的人。機械工程、動力機械、電機系比一比 機械工程、動力機械、電機系等，是常見 3 個和「機械」想關的科系，以下將用表格帶大家認識這 3 種科系的不同，以及未來出路方向。 機械工程動力機械電機系主要學習內容機械結構機電系統整合電路控制、電子迴路設計未來出路可發展產業有：精密機械工業、半導體製造業、鋼鐵業、光電產業等。常見工作有：機構工程師、機械工程師、流力分析工程師、軟體工程師等。可發展產業有：汽機車、機械製造業、塑化業、機器製造及零組件、IC產業等。常見工作有：軟體工程師、電子工程師、機械工程師、半導體工程師。工作性質多與「硬體」較為相關。常見工作有：電子設備工程技師、光電工程師、機器人工程師等。二、機械工程系學什麼？台灣有機械工程系的學校不少，例如：台大、清大、交大、成大、中央、中興、中正、長庚、元智、中原、大同、文化、中華等，較知名的有： 國立台灣大學：機械工程學系國立成功大學：機械工程學系國立中央大學：機械工程學系國立中興大學：機械工程系國立中正大學：機械工程學系國立陽明交通大學：機械工程學系 大學機械系主要學習課程主要包含（以成大機械系為例）： 基礎課程：電工學、電子學、機工實驗、計算機概論、工程圖學、機械畫、工廠實習、機械材料、機械製造專業課程：流體力學、熱傳學、熱力學、材料力學、機械設計、自動控制、靜力學、動力學、機動學、工程數學 而在上修完這些基礎課程與專業課程之後，成大也要求學生進行「機械專題實作」，使學生統整並深化學習內容，為學習成果總體檢。三、機械研究所在幹嘛？有哪些組別？ 就讀機械研究所的優點機械系有需要讀研究所嗎？讀機械研究所有什麼益處呢？除了能依照個人興趣獲得更專精的知識，並有更多的機會獲得進入大企業門票；除此之外，從最現實的層面考量，讀機械系研究所的待遇有高機會比只有大學學歷還優渥，將於下一個段落和大家分享。台灣機械工程相關研究所 提供幾所台灣知名的機械研究所： 國立陽明交通大學：機械工程學系國立成功大學：機械工程學系國立臺灣大學：機械工程學系國立清華大學：動力機械工程學系 而就讀機械系研究所時，又能依個人專長與興趣選擇細分組別，常見的組別有： 控制組：設計系統理論並結合工程技術，製造出加速生產效率、達成目的的製造工具，如：機械手臂、無人搬運工具等。固體力學組：吸收大量關於結構、波動力學等理論後應用於產業，常見的有：精密馬達、動力系統等。機械製造組：根據產業發展研究並製造關鍵的零件與材料。機械設計組：依照產業設備需求，進行機械設備的研發。熱流組：領域包含空調、冷凍、台陽能、再生資源、燃料電池等，航太組：除了學習熱流組的知識，也須具備航太工程學知識。四、機械工程系職涯發展機械系出路機械系常見的出路為傳統製造產業，如：鋼鐵工業、汽機車、精密機械工業等，而工作角色十分多元，常見職業包含：機械工程師、機構工程師、生產與製程工程師、設備工程師等。 此外，「半導體」也是相當熱門的產業。由於半導體於台灣為完整的上下游產業，所需各式工程背景的人才相互合作，電子、電機、化工、機械、材料等缺一不可，而雖然機械系學生對於「電子」的背景略為不足，但仍接受過完整的工程訓練，相較於其他科系的學生而言，有更多的優勢進入半導體產業，而 IC 製造、IC 封裝、半導體設備供應等為最適合機械系投入的領域，通常是擔任廠務工程師、設備工程師、自動化工程師等。機械系的薪水有多少以下分享人力銀行依照產業類別和學歷，機械系畢業起薪的調查，供大家做參考：半導體工程 年薪大學畢業：約 80 萬元碩士畢業：約 96 萬至 121 萬元硬體、機械與機構工程 年薪大學畢業：約 59 萬元碩士畢業：約 73 萬至 85 萬元電子、光電、通訊、綠能 年薪大學畢業：約 53 萬至 66 萬元碩士畢業：約 71 萬至 87 萬元 機械系是哪些公司最喜歡找的人才 半導體產業中的 IC 製造、IC 封裝、半導體設備供應等，都需要大量機械系人才投入，像是台積電、聯發科技、聯華電子、日月光投控、南亞科技等公司，都相當重用機械系人才；此外，企業也致力於與學校合作、培育優秀半導體人才，像是中央大學就和​​台積電合辦「半導體設備工程學程」。透過以上介紹，希望大家對於機械工程學系有更深入的了解，並更知道未來出路與職涯發展的方向，若對半導體產業有興趣的同學，選擇大學校系時也能將「機械工程系」納入考量！

資料科學是近年來最夯的工作之一，尤其金融、科技產業更積極找尋資料科學、數據分析的相關人才，《哈佛商業評論》更稱資料科學家是「21 世紀最性感的工作」，年薪還至少上看百萬！ 如果想踏進資料科學的領域，要具備哪些技能，該從哪些自學資源下手？想成為資料科學家又該去哪裡找工作呢？接下來就分別以資料科學的「自學資源：線上課程」、「自學資源：推薦書單」和「求職管道」三大重點介紹，讓你把資料科學的技能樹點好點滿！資料科學自學資源 1：線上課程 1. Introduction to Data Science講師：Data Hawk Tech 資料科學諮詢公司平台：Udemy費用：約台幣 370 元（根據平台優惠活動價格可能不一）課程時長：3 小時 如同課程標題敘述的，這是一堂資料科學的「入門」課程，所以會全面、概要性地講述，也簡單涵蓋了 Python 和 R ，但不會非常深入。因此推薦給想試試水溫、了解資料科學可以應用在哪些領域、總共包含哪些範疇的人。 2. Data Science A-Z：Real-Life Data Science Exercises Included 講師：Kirill Eremenko 平台：Udemy 費用：約台幣 370 元（根據平台優惠活動價格可能不一） 課程時長：21 小時 這門課涵蓋了資料科學的各個項目，課程中也會提供實際的例子幫助學生理解，總體的課程評分非常高，有 4.6/5 顆星。 不過要注意的是，這門課等於是從 0 到 1 、手把手地帶你認識資料科學的世界，考慮到上課學生的 coding 能力可能不太一致，這門課並沒有使用 Python 或 R，而是用了 gretl、Tableau、Excel 等工具，避免學生在學習資料科學時陷入不會程式的困境。這堂課最主要的目的，還是著重在幫助學生建立資料科學的架構。 3. Data Science and Machine Learning Bootcamp with R 講師：Jose Portilla 平台：Udemy 費用：約台幣 370 元（根據平台優惠活動價格可能不一） 課程時長： 18 小時 這堂是以 R 為主要語言的資料科學課程，將會涵括資料科學、機器學習和資料視覺化，可以同時當作學習 R 和資料科學的入門。 4. CS109 Data Science 講師：Pavlos Protopapas, Kevin Rader, Mark Glickman, Chris Tanner, Joe Blitzstein, Hanspeter Pfister, Verena Kaynig-Fittkau 平台：哈佛大學 費用：免費 課程時長：約 12 週 這是哈佛大學的公開課程，完全免費，而且所有影片都是在哈佛大學的課堂上實錄的；是一門以 Python 為主的資料科學課程，每個科目都很深入、紮實，大約需要 12 週的時間學習。 如果你對使用 Python 處理資料科學有興趣，希望完整地學習，而且時間上也有餘裕的話，可以考慮這堂課去打好資料科學的基礎。 5. Introduction to Data Analytics for Business 講師：University of Colorado Boulder 平台：Coursera 費用：免費試聽、高階內容需付費 課程時長：約 11 小時 這堂課偏重 SQL，以資料科學的實際業務應用為主，比較少視覺化的內容；如果你想精進資料科學領域中的資料庫模式建立、資料存取控制，就可以參考這門課程。 6. Data Science Essentials 講師：Microsoft 平台：edX 費用：免費（完課證書需額外支付 99 美元） 課程時長：18-24 小時（每週 3-4 小時，共 6 周） 這堂資料科學課程是基於 R 、Python 和 Azure ML 等工具，介紹資料處理流程、資料視覺化以及入門的機器學習，全面涵蓋了資料科學可能會碰到的所有面向，而且都會談到一定的深度。 除了我們介紹的這些海外線上資源之外，台灣也有許多資料科學的中文資源可以學習，例如線上課程平台 Hahow ，就有提供豐富的資料科學課程，有興趣可以自行搜尋參考，選擇適合自己的課程學習。 資料科學自學資源 2：推薦書單 1.Data Science from Scratch 中文版：用 Python 學資料科學 這本書是由一位 Google 的軟體工程師所撰寫，介紹用 Python 進行資料開發的主流工具庫，包括 IPython, Pandas, Scikit-Learn 等等。想透過這本書學習資料科學的話，需要具備一些程式設計的基礎，會探討如何處理各種數據資料，以及靈活運用貝氏、決策術、神經網路等等模型，也會幫助建立資料庫的相關知識。 2.高效率資料分析：使用 Python 這本書適合想要用 Python 做資料分析的初學者，就算沒有程式經驗，也可以跟著書中的教學一步步上手，讓你學會用 Python 自動處理與分析各種格式的資料，還有透過 Python 模組去分組資料、產生統計結果等等。 3. Probability for the enthusiastic beginner 如果想從零開始認識統計，這一本書會是很好的入門，它包含了所有的統計基礎內容，像是貝葉斯定理、期望值、偏差、機率分佈及回歸分析等等，循序漸進跟著書中學習，會獲得非常紮實的統計背景知識，對於理解資料科學有頗實際的幫助。 4. Think Stats 中文版：《統計思維：程序員數學之概率統計》 講解概率統計的入門書，作者會說明如何用程式來理解統計學，透過案例研究，介紹數據分析的流程——收集數據、生成統計、發現模式、驗證假設等等。強調實際應用的技巧，很適合有程式基礎的人進行跨界學習。 5. Think Bayes 中文版：《貝葉斯思維：統計建模的 Python 學習法》 大部分與貝葉斯統計有關的書，都是以數學為主要脈絡；而這本書特別的地方就在於，是用 Python 來入門介紹，適合有一點程式和統計基礎的人。 和上一本書的作者相同，一樣從現實生活中會遇到的問題下手，協助讀者建立建模決策的方法論、替具體問題建立數學模型，再一步步優化或驗證模型，當中運用到的邏輯思維也和資料科學家的工作重疊，可以學到紮實的方法論。 求職管道：有了資料科學的技能，又該如何找到資料科學家的工作呢？ 1. 新創媒合平台 想成為資料科學家要去哪裡找工作呢？由於資料科學是近幾年新興的工作職缺，所以建議從新創媒合平台去搜尋資料科學的職缺；如果已經有鎖定特定產業的資料科學家，也可以直接在目標企業的官網求職區投遞履歷，順便觀察公司的網路形象，以及對職位、候選人的細節描述和能力要求。 另外想提醒的是，透過這些新型態的求職管道應徵，就盡量不要使用傳統人力銀行的制式履歷，而是針對各家公司的需求撰寫，客製化傳達自己在資料科學、數據分析能力的履歷，才有較高的機率獲得面試機會。對資料科學、數據分析的工作有興趣嗎？點這裡看更多職缺 2. 獵人頭公司 如果你是在業界工作 3、5 年的資料科學家，有一定的資歷和戰績實力，也累積了一些作品和人脈，這時候獵頭通常會主動找來。產業界前幾名的企業 HR 通常都和獵頭公司有交流，當企業在徵求資深或高階人選時，也經常會透過獵頭公司搜尋。所以如果你還是年輕的資料科學家，透過專案累積實力、參與交流聚會拓展人脈，都是可以經營的求職方向。 3. 網路社群 對大企業來說，如果要從網路社群搜尋人才，十之八九會透過 LinkedIn ，特別是有海外人才需求的企業、科技新創企業等，所以平時別忘了經營自己的 LinkedIn 帳號，如果有一些產業界的大神替你的資料科學技能背書，對 HR 來說是十分有可信度的。 另外，參加聚會、社團，也一定會接收到許多職缺的資訊，像是台灣就有 Data Science 資料科學、Data Science Meetup 台灣資料科學社群等臉書社團，加入後除了技術交流分享，還可以經常獲得許多資訊、培養人脈，不論是新手資料科學家，想要慢慢培養經驗，或者是有資歷的資料科學高手，想開拓眼界、認識更多神人，都很適合透過網路社群達到效果。 希望大家都能透過這些資源，找到最適合自己的學習和求職管道，成功朝資料科學家的路上邁進！延伸閱讀資料科學夯什麼？一窺 Mastercard 分析顧問、新創 Migo Data Lead 到哈佛 PhD 的精彩職涯！(上)資料科學夯什麼？一窺 Mastercard 分析顧問、新創 Migo Data Lead 到哈佛 PhD 的精彩職涯！(下)想成為 Data Scientist？日本樂天資料科學家 Marcus 的 Amazon 經驗與跨領域歷程