新年新希望

對於我而言過年已經沒甚麼了  就是放假還可以領薪水還有氣氛

記得年經時過年都匯給自己設定一個目標  記得都是以學習為主

很少以物品如一台汽車或是有多少錢  隨著年紀漸長開始覺得錢很重要了

以前認為錢夠花就好了部會太在意  所以都沒再存錢

從104年6月離開九福後我的人生就是一次的轉折及翻轉

拋開既有的權力位置  拋開既有再公司的地位  拋開既有的客戶

讓自己重新而來但這是不容易的  106年再度回到以前的公司

這時才知道薪水的可貴  而為什麼要拋開這一切

因為身體累心也累  可以說經驗不夠帶領團隊  以致搞得自己很累

加上薪資的不穩定做得累得要死  還要跟母親就錢  搞得自己好像做生意

沒錯諸多跡象都要告訴我該離開了  是離開了但我的心被以前的疲倦及焦慮糾纏著

無法擺脫進了一家新公司又要適應文化及人事  還要擺脫以前的挫折及惡習

是的!我再度回到原公司療傷  只有面對以前的環境才能從以前的焦慮及挫折中走出來

原公司還是讓我回去了  我想對我也是有些愧歉吧!所以再回來的三年裡

每天只有面對自己  沒有電話  沒有專案  沒有部屬的日子  但還是做一樣的事

在這樣得環境中才能再度藉由事件看清自己的心  當看了差不多時上天也知道了

老闆在109年的10月結束這一段關係

新工作的三個月

在這家公司過完農曆年就滿三個月了，在這三個月內發現了很多事

對於專案而言以前的公司中著重於需求的定義及系統分析及設計

基本上完成需求定義對於系統分析就會很輕鬆，開始著重在人員的管理及鼓勵

而在這家公司對於系統的定需求分析及管理基本上沒有哪麼嚴重?

很多系統面都是以複製的方式在執行，相對專案的負載比以前輕很多

這對於我面對專案又有不一樣的認識，反而領域知識相對重要

至於系統面也是在解決領域知識上的問題，所以對個子系統能解決業務上甚麼問題反而重要

因為這家公司已經累積很久的東西，我需要了解可以解決甚麼問成為至關重要的關鍵

刺客教條_梟雄 玩後心得

 每年過年都會買上一款過期的遊戲，去年買了黑旗

而今年當然也要買一款刺客教條系列的產品來殺時間

過年嘛?每天去喝酒  每天找朋友  也不是甚麼辦法?

當然我也不是甚麼PS重度玩家  甚麼遊戲都玩

就是過年假期到那都是人都是塞  所以自己在家玩遊戲就是個不錯的選擇

當然前面說過我不是重度玩家  太硬核的遊戲我也不太想玩

像仁王  魔物獵人都是硬核玩家在玩  對於我而言都太挫折了

所以像刺客教條的沙盒遊戲就很適合我  有劇情帶我進入遊戲的世界 

所以去年買了黑旗一個過年玩了七天  給我很多的感觸

記得還寫了一段感言  但今年買的梟雄  真的不知怎麼說

玩起來像看門口的感覺  說劇情也就很鬆散  說打鬥有啦....但不知怎麼說

所以玩起來像嚼蠟的感覺因為劇情太鬆散了沒有帶入感

所有的機制像看門口2的感覺  過關機制也很鬆散  

兩個人物讓我選這個關卡用弟弟下一個用姊姊  搞得我好亂  都讓我不知怎麼選

當然這讓使用者有不同的體驗是沒錯  但就覺得玩起來卡卡  無法有一直玩下去的感覺

當然價錢也不會很貴  也就284元  真的 ......無言........搞得我都想寫程式殺時間

R_線性回歸和多元回歸

線性回歸簡介

線性回歸是在統計領域開發的一種簡單算法。顧名思義，線性回歸假設輸入變量和單個輸出變量之間存在線性關係。不用說，輸出變量（您要預測的）必須是連續的。可以將輸出變量計算為輸入變量的線性組合。

線性回歸有兩個類型包含簡單線性回歸僅一個輸入變量；第二個為多元線性回歸可多個輸入便量。

您可以使用線性回歸模型通過檢查係數來了解哪些特徵很重要 。如果係數接近零，則認為相應特徵的重要性不如係數為大的正值或負值。

一般來說線性回歸模型都有假設，包含以下

1. 線性假設 -模型假設變量之間的關係是線性的
2. 無噪音 -模型假設輸入和輸出變量沒有噪音-因此請盡可能消除異常值
3. 沒有共線性 -輸入變量高度相關時，模型將過擬合
4. 正態分佈 —如果您的輸入和輸出變量呈正態分佈，則模型將做出更可靠的預測。如果不是這種情況，請嘗試對變量使用一些轉換，使它們看起來更普通
5. 重新 縮放的輸入-使用縮放器或歸一化器做出更可靠的預測

從零開始的簡單線性回歸

如果只有一個輸入變量，則需要處理簡單的線性回歸。在大多數情況下不會是這種情況，但知道就不會感到受傷。一個簡單的線性回歸可以表示為：

如您所見，您需要預先計算兩個術語-Beta。首先，您將了解如何計算Beta1，因為Beta0取決於它。公式如下：

這是Beta0的公式：

library(ggplot2)

# Generate synthetic data with a clear linear relationship

x <- seq(from = 1, to = 300)

y <- rnorm(n = 300, mean = x + 2, sd = 25)

# Convert to dataframe

simple_lr_data <- data.frame(x, y)

# Visualize as scatter plot

ggplot(data = simple_lr_data, aes(x = x, y = y)) +

  geom_point(size = 3, color = "#0099f9") +

  theme_classic() +

  labs(

    title = "Dataset for simple linear regression",

    subtitle = "A clear linear relationship is visible"

  )

上述程式碼我們使用seq函式產生1到300序列數存放於X；Y使用了常態分佈n帶屌有300各，mean平均值為x的序列值+2，sd為標準差為25。

接下來轉換資料框架並用ggplot繪製散點圖

內楗術

鬼谷子的縱橫之術以前就賣過書籍來看，只不過當時太年經了看不是很懂，記得這本書目前還在書架上，而這本書記得在台北的時候就賣了，當時記得在高雄買的，但直到台中後才看懂捭闔之術，但也只是捭術，今天要睡覺前看YT有人講內楗術，記得在哪本書也看過，但看不懂透過YT似乎了解甚麼式內楗術。

內楗術可分為兩個字來看，就內取得別人對你的信任；楗就是對別人出謀劃策；原文的意思要取得別人的信任猶如開一閃門進入別人的內心，也就是取得別人的信任；而楗就門的門栓意在為他人出謀劃策。

所以內楗術的第一步就是內取得他人的信任，才能進行楗出謀劃策；而要取得別人的信任是一件不容易的事，因此你必須評估別人的喜好及心裡想要甚麼，而要取得一個人的信任，依鬼谷子有四種方向包含道德、結黨、財貨、美色等四種管道來取得他人對你的信任，而實際應用範例可用一下春秋時代一個故事來說

春秋時代中山王有兩個妃子，而中山王想要冊封皇后其中陰姬想要當皇后，此時來請教司馬喜病有重謝，司馬喜並沒有立即跟中山王建議要冊封陰姬為皇后，而跟中山王說他知道如何讓中山國強盛鄰國衰弱之法，中山王聽完大為高興並請教司馬喜如何實施，司馬喜說他必須對照國考察風土民情及軍事重地，回來後才能制定詳細計畫，中山王聽完即付重金給司馬喜去趙國考察。

去趙國拜會趙王說，聽說趙國出美女但來了多日並無美女，而本國陰姬妃子是如何的傾國傾城，好色的趙王聽了心動了，司馬熹回中山國後跟中山王說，趙王根本是個混蛋貪圖大王妃子陰姬的美色，想占為己有，若我們不給我門又打不過趙王，若給了大王又會被諸國貽笑，解決此辦法可將陰姬冊封為皇后，若趙王強行要陰姬也會被諸國批評毫無道德感，連別國的皇后也搶，中山王聽完大為高興並冊封陰姬為皇后。

上述的例子可以看到陰姬想要皇后、中山王想要國家富強、趙王貪圖美色，這三人內心想要的東西及慾望，司馬熹利用他們想要的東西取得他們的信任，並使用連環計讓陰姬獲得他想要，並創造中山國的危機，讓中山王緊張司馬熹巧妙解決。

雖說這是一個內楗術典型的案例，但在真實的世界要取得他人的信任並不是很容易，所以鬼谷子說

內者，進說辭也

楗者，楗所謀也

內者要取得別人的信任必須持續評估他人的內心及他們想要的，當你認為它們想要的東西評估錯時，必須等待時間及環境的變化，以觀察真正它們的內心，而時間及環境的變化會刺激當事者的內心，因此必須等待觀察不用急於出謀劃策，也就是下列兩句話

欲說者務隱度(內者持續平他人想要)

計事者務循順(順者他人言語，在改變他人的意圖，可用以下故事)

戰國齊國有依讀書人很會養鳥，被齊景王召入宮邦齊景王養鳥，有一天齊景王最心愛的鳥因養鳥人不慎讓鳥飛了，齊景勃然大怒要把養鳥人給殺了，此時，晏嬰說養鳥人有罪三條，第一條鳥飛走為一罪，二罪讓世人知道大王因鳥要殺讀書人，三罪畜生比人還重要以後如何有才幹的人敢進齊國做事，齊景王聽懂利害關係就放了養鳥人。

上述就是循順，先順者對方的言語講，到後面在闡述厲害之關係，應用在現實的社會大家都喜歡有人力挺的感覺。

當然取得他人的信任後，所出謀劃策必須可行

如何使用R分析資料

今年三月參加IT幫邦忙鐵人賽完成一個月對R的分析初探，老實說當初對探索式分析

並不是很了解，只是對語法有認知但對於內部的核心你說不懂嗎?好像又懂!

所以在中午吃飯時瀏覽網頁看到R部落格中一篇文章，將dplyr很有架構說了一遍並配合程式範例，比我之前懵懵懂懂更能理解dplyr。

dplyr包含select、filter、arrange、summarize、_group_by等五個語法組合應用，對於內涵而言就是探索式分析，當然這是大數據的語言聽起來很有學問，其實就已起的T-SQL語法，寫過程式的人都知道，若是不式重新開發的系統，一定會有資料庫，程式設計師一定會去看資料庫，從每筆紀錄來了解每個欄位的意義，若是有統計看是哪一個欄位進行次數或數字的加總。

專案經理或系統分析師會從更大的視角來看所有的資料，來發現使用系統的單位所面臨的現況及業務真實的情況，但T-SQL語法有時用起來很僵化使用起來並直覺，下一個指令想半天，所以R提拱五個指令就可以優游於資料當中，並從資料發現你像要有的資訊，並提供業主更有用的資訊或是將發現後的結果經業主認同開發出儀表板系統，讓他們可以知道能了解業務有用的資訊。

這就是探索式分析在商業有用的價值，要不學了R語言也不知要幹麼?這也是目前資料倉儲很多軟體所提供的功能，今天透過範例再度了解R探索式分析。

這一次採用的資料集為gapminder，該資料夾為針對142個國家/地區中的每個國家/地區，提供了從1952年到2007年的每五年預期壽命，人均GDP和人口值。

第一步：安裝套件，並觀看資料內容

library(dplyr)

library(gapminder)

head(gapminder)

從圖上來看總共有六個變數

第二步：資料表列的選擇

gapminder %>% select(country,year,pop)

但是，如果您有幾十個列，並且只有其中幾列不需要其他都需要，該怎麼辦？有一種更好的方法–用負號（-）作為前綴指定不需要的列：

gapminder %>% select(-gapminder$continent)

如您所見，“ 大陸” 列是唯一未顯示的列。這就是您有關列選擇的全部知識。讓我們繼續進行數據過濾。

第三步：資料篩選

過濾數據集是您在工作中最常用的操作之一。並非在給定時間所有數據都相關。有時您需要特定產品的價值或其在第一季度的銷售數字。或兩者。那就是filter()功能派上用場了。

gapminder %>% select( country , year , lifeExp ) %>% 

  filter( year == 2007)

您可以將多個過濾條件嵌套在一個內部 filter()功能。只要確保用逗號分隔條件即可。以下是為波蘭選擇2007年的方法：

gapminder %>% select(country,year,lifeExp) %>% 

  filter(year == 2007,country == "Poland")

但是，如果您想要多個國家/地區的結果呢？您可以使用

％（％）

任務的關鍵字。下面的程式碼段顯示了2007年波蘭和克羅地亞的記錄：

gapminder %>% select(country,year,lifeExp) %>% 

  filter(year == 2007,country %in% c("Poland","Croatia"))

如果您理解這些範例，那麼您將了解數據過濾。讓我們繼續進行數據排序。

第四步：數據排序

有時您希望數據按特定列的值排序。例如，您可能希望按年齡升序或降序對用戶或分數進行排序。您可以輕鬆實現此行為

dplyr

 –arrange()內置 功能。

gapminder %>% select(country,year,lifeExp) %>% 

  filter(year == 2007) %>% arrange(lifeExp)

如您所見，數據由lifeExp 列升序排列 。大多數情況下需要降序排列。實施方法如下：

gapminder %>% select(country,year,lifeExp) %>% 

  filter(year == 2007) %>% arrange(desc(lifeExp))

有時您只希望返回幾行。的

top_n （）

函數使您可以指定應顯示多少行。這是一個例子：

gapminder %>% select(country,year,pop,gdpPercap) %>% 

  filter(year == 2007) %>% mutate(gdp=pop*gdpPercap) %>% 

  arrange(desc(gdp)) %>% top_n(5)

就訂購而言就是這樣。下一步–派生列。

第五步：建立計算結果欄位

用 dplyr，您可以使用 mutate（）函數來創建新屬性。新的屬性名稱位於等號的左側，內容位於右側–就像聲明變量一樣。

以下示例將GDP計算為人口與人均GDP的乘積，並將其存儲在專用列中。在此過程中進行了其他一些轉換：

gapminder %>% select(country,year,pop,gdpPercap) %>% 

  filter(year == 2007) %>% 

  transmute(gdp = pop * gdpPercap) %>% 

  arrange(desc(gdp)) %>% 

  top_n(5)

代替 mutate()，您也可以使用 transmute()。有一個嚴重的區別–transmute()僅保留派生列。讓我們在上面的示例中使用它：
gapminder %>% summarise(avgLifeExp = mean(lifeExp))

第六步：計算匯總統計

摘要統計不需要任何介紹。在許多情況下，您需要計算列的簡單平均值。以下是計算整個數據集的平均預期壽命的方法：

gapminder %>% filter(year == 2007,continent == "Europe") %>% 

  summarise(avgLifeExp=mean(lifeExp))

第七步：分組

與分組結合使用時，摘要統計信息將變得更加強大。例如，您可以使用

group_by （）

函數計算每個大陸的平均預期壽命。這是如何做：

gapminder %>% filter(year == 2007) %>% 

  group_by(continent) %>% 

  summarise(avgLifeExp = mean(lifeExp)) %>% 

  arrange(desc(avgLifeExp))

另一個強大的功能是 if_else （）。在創建其值取決於某些條件的新列時，可以使用它。

例如，以下是創建名為over75的列的 方法， 如果一個大陸的平均預期壽命超過75，則其值為 Y，  否則為N：

gapminder %>% filter(year == 2007) %>% 

  group_by(continent) %>% 

  summarise(avgLifeExp = mean(lifeExp)) %>% 

  mutate(over75 = if_else(avgLifeExp>75,"Y","N"))

結論

您已經了解瞭如何使用R來分析數據 dplyr。它是目前對開發人員最友好的軟件包之一，比Python競爭對手Pandas簡單得多。 

閱讀本文後，您應該能夠分析和準備任何類型的數據集。當然，您可以做更高級的事情，但是通常這些只是您今天學到的東西的組合。

Word樣式

以前在前公司對於公司在寫服務建議書  都以章節變成每一個檔

然後大家寫完後需要排版  很不可思議的是排版需要熬夜才能完成

是大家不熟我覺得是  於是我就說服務建議書一開始就以一個檔案不是很好嗎?

前公司的工程師開始就使用一個檔案  然後我又說Word有樣式嗎?

這位應用工程師就開始使用簡單的樣式撰寫彙整服務建議書

時光荏然我成為主管了  有話語權下面帶了兩個應用工程師

我叫它們依據章節項次依序設定樣式  我記得搞了一兩個禮拜

看過一次竟然超出我的預期  竟然將樣式設得很細

老實說當初我下這個命令時  我根本就不會

沒想到就將Word樣式給設定出來  未來就使用這個範本

這一用就十年在使用的過程發現  這個範本有一些地方設定的很不好

但想改又沒有勇氣因為我只會用  如何設定我根本不知道

發現一些問題就調一下整本報告書  版型也無可挑剔

既然沒問題也就當作沒問題  也沒花時間在這上面

到了寫論文章節項的格式不是採用章、節、項，而是採用章、1.1、1.1.1的方式

我開始設定樣式第一章時很順利  到了第二章的節與項就要重設一次

換言之若是你的報告書有七章  你必須設定七次的節與項

並且每章的節與項數量不一  若是很多的是你必須一直設定

這對在寫論文構思時是一個打斷思緒的點  讓我很不舒服

所以在想這一次是論文提案只有五章  若第二階段論文有八章

我是不是再回到之前的輪迴  心裡想我必須設定Word的樣式

想清楚就做起來就不過是一個Word嗎?  有多難!

欸.....還真難  搞了我將近一個星期  今天星期六搞了一個中午

今天才算是把所有的格式設定好  再試一下前面幾頁給他貼起來

還算是可以吧  因為將格式設定好了  原本論文處就多了一些空白

再看看吧!明天把所有的論文全部換到新的格式看看

在這些過程發現設定Word的樣式  前置作業很重要

若是寫到哪邊設到哪邊  哇!我覺得樣式會很亂

就以這次而言先將Word中的定義多層次清單一定要搞清楚

這一部分是最難的其中一個小欄位沒設定東西就不是你能預想

也經過這一次Word的格式的設定流程都界定清楚

1. 設定多層次清單，將報告的章、節、項、款、目設定，此為框架
2. 紹定每個層次中的內文，這一部分算簡單
3. 設定圖表置中，起先以為要設定文繞圖，其實不用
4. 設定圖表標號這一塊就要注意了，在Google是可以查到
5. 設定目錄要注意的是要幾個階層一般而言兩階都夠
6. 設定頁次此為目錄與內文的頁次是不同的
7. 在目錄前面在加頁但目錄與新頁頁次又不同
8. 最後就是測試貼一段正式文章看行句及其他是否合理

上述就為樣本設定八大流程，這時才依據該八大點開始撰寫