※ 本文是否可提供台大同学转作其他非营利用途？（须保留原作者 ID）
（是／否／其他条件）：是
哪一学年度修课： 106-1
ψ 授课教师 (若为多人合授请写开课教师，以方便收录) 杨曙荣 Sunny Yang
λ 开课系所与授课对象 (是否为必修或通识课 / 内容是否与某些背景相关) 商研所/工管系
δ 课程大概内容 下方为授课大纲
中文课名：物联网下商管统计分析
英文课名：Quantity Business Science
1 15/09 Model thinking and data generating processes
2 22/09 Data thinking and estimation
3 29/09 Statistical models
4 06/10 Model comparison
5 13/10 Interactions
6 20/10 Computationally intensive methods
7 27/10 Generalized linear models: Counts
8 03/11 Generalized linear models: Mixtures
9 10/11 Multilevel models
10 17/11 Measurement errors and missing data
11周表定后面是group project与individual assignment的讨论
实际授课进度比大纲慢上许多，最后课本没有上完
Ω 私心推荐指数(以五分计) ★★★★★ ★★★★★
η 上课用书(影印讲义或是指定教科书) 一本是指定其余选读
required: McElreath, R. 2016. Statistical Rethinking. CRC Press.
suggested:
Braun, W. J. 2016. A First Course in Statistical Programming with R,
Second Edition. Cambridge University Press.
Chang, W. 2013. R Graphics Cookbook. O’Reilly Media.
Diez, D. M. 2015. OpenIntro Statistics, 3rd Edition.
CreateSpace Independent Publishing Platform
Verzani, J. 2002. simpleR – Using R for Introductory Statistics.
required那本基本上是必备，台大图书馆借的到，也可以买电子书，记得满贵的
学期初老师原本问大家要不要订纸本书，但一本破千所以没有很多人
到最后书商也不想帮忙进货因为量太少了，所以大家多半是买电子书
或是想办法从台大借、跟别人一起看
其余的都是为了让大家上手R才选的，跟课程内容没有太大关系
μ 上课方式(投影片、团体讨论、老师教学风格)
"This course is the first course in quantitative business science
for data analysts." syllabus 上的第一句话
这堂课的架构大概是这样：
基底－贝氏统计（Bayesian Statistics）（相对于古典学派）
内容－参考上面的每周进度，linear models/multivariate linear models/
information criteria/markov chain monte carlo/big entrophy等等
详细可以直接搜寻required textbook的各个章节就大概可以知道这堂课的内容
工具－R language（用R来实现统计观念与建立模型）
上课的过程大概是这样：
每周上课有指定章节，有些人会自己先读课本再上课比较容易听懂
上课模式则是老师会在CEIBA上放slide，slide是每个章节的整理
老师会先讲观念接下来讲解 R 的 code 再接着向后讲解
学期前段最后老师会让大家讨论，学期中后因为进度压力就没有了
学生：
自己的观察是大概有两群，一群是统计/程式底子比较硬的学生
有不少商研所/国企所/经济学生，也有外国人，有几个很厉害
跟一群统计/程式底子比较没那么硬的大三大四为主的大学部同学
虽然大家实力应该差满多，但不同学生都会有各自的收获
第一群人上课问的问题有时候第二群人都听不懂
因为光是要搞懂观念跟程式码在干嘛就要花很多时间
但第一群人还可以比较贝氏学派跟频率学派的差异
或者是指定教科书上作者采用的某些例子背后的原因等
好处是老师会因材施教，就算程度很差还是会回答
其他教材：
如果不习惯听老师的英文（虽然老师英文不错但口音有点重）
可以直接搜寻教科书的书名，youtube上有所有的英文影片
印象中是作者在教授这堂课的时候录制的，老师应该是参考它的架构
这样应该也可以跟上课程进度，但我自己以看教科书跟上课为主
σ 评分方式(给分甜吗？是扎实分？)
给分应该算扎实甜但成绩分布还没出若之后有出的话会更新
ρ 考题型式、作业方式
没有期中考期末考
有group project跟individual assignment
前者是老师将大家打散后分组，要交出一个跟本堂课程有关的报告
规定要录制youtube影片（用英文），内容要有R code
并且一定要使用 R 的 shiny套件，评分标准则是 data-driven innovation
以及 social impact，原本要上台报告但后来没有，最后会有 peer review
就团体报告而言，最后结果可大可小，有组同学只用了10*2以内的资料
也有组同学用了10*6以上的资料，因为背景不一样，老师想看的其实还是
跟课程有关的东西，还有 R shiny 的运用
后者跟前者类似，规定分学术类或应用类，前者除了前述标准以外，还有
research impact，跟后者的research impact遥相对应，也可以写 R package
自己认识的同学都以应用类为主，也要用 R shiny，录youtube or word 10 pages
有上课作业，大概六次，需要花一定的时间去写，都跟教科书的code有关
整体而言，需要花满多时间去做的
当然也可以走轻松风：
跟同学借作业来看、小组作业靠队友、个人作业做一个简单的linear regression
不过这样可能会学不到太多东西，而且助教其实都知道大家有没有用心做喔～
有听到他在和其他同学聊天，所以偷懒也是会被发现的
ω 其它(是否注重出席率？如果为外系选修，需先有什么基础较好吗？老师个性？
加签习惯？严禁迟到等…)
这堂课算有点重，很多人第一堂听完老师说明就离开了
留下来的人的想法大概也是满重的吧（至少对上面讲的第二群学生来说）
前两堂课会教 R 但没有教很多，syllabus上有指定一些资源当作业或练习
是 datacamp 上的免费练习，全部上完之后就可以初步跟上这堂课的code
课程的code并不会太难，有出现新的用法作者都会在书中详尽的解释
但课本不会讲任何 R 的基本观念 e.g. data frame 跟 list的差别
也不会介绍 if else, for, while 等等
因为这门课主要是把 R 当作统计观念的实作工具而已
尽管如此，如上所言只要走完 data camp 就可以跟上课程的 R code进度了
这是我认同这门课的一个重要原因，有同学修系上其他课
直接硬塞超过负荷的进度，即使自学也没办法跟上脚步
可是这堂课的自学是合理的，老师会给一些资源还有参考书让你自己碰
新进度又不会让学生没有机会赶上，如果只是写作业那 R 的运用绰绰有余
只是如果要在 group project 跟 individual assignment有所表现
就要花时间理解 R 跟处理资料，要不然会很麻烦
只有 data camp 就会有点不够
外系满多（商研/工管以外）加签要写类似 data camp的题目当作业
有程式经验的人会比较容易跟上，没有的话可能要想一下
一开始没有经验/统计不熟还跟得上，越后面会越艰深
再加上团体跟个人作业要一直用 R ，没写过程式的人可能会有点疲倦
Ψ 总结
老师刚从英国回来，是个很有热忱的人，专长在operations（营运）跟supply chain（供应链）
擅长数量方法，如果管院同学有感于先前碰了很多理论却没有发挥机会的话
可以考虑尝试看看，可能会有点不一样的感觉，是一堂很扎实的课
不同能力跟不同背景的人会有属于自己的收获
老师对大家的期望很深，希望学生可以累积hard skill（再次强调是因为课开在管院）
有时候会分享自己之前在英国的经验，私下也会聊天
上课的时候老师也有提到想要开一个MCDA module
Business Data Analytics Module（MCDA）Proposal
Model Thinking, Computational Thinking, Data Thinking
What is MCDA? Modeling + Computing + Data = Analytics
上面这是上课老师给大家讨论的东西，还问大家说这样的课程内容如何
不一定真的会开但是一个让大家思考的东西
总结而言，老师对于数量方法在商业上的应用很有热忱
有时候会语重心长的和大家讲说学习这些东西的重要性（管院的理论课满多的）
也非常关心学生的兴趣/毕业职业发展
很认真地询问大家对于课程的规划还有修课想法等
是我这学期最喜欢的一堂课与最喜欢的一位老师