為什麼會有這系列文章
以下紀錄幾個我會寫這系列文章的理由：
- 培養長久做一件事情的能力，不因外力因素就中斷。
- 積累實力，打造履歷（學習歷程）。
- 分享、紀錄自己成長過程中，部分運用到的資源。
每日筆記
前言
今天一共有以下幾個主題：
- 質化型變量與量化型變量
- 質化型變量如何轉為量化型變量、量化工具的合理性
- 結論一個人要正常運作的要件
- Radio Commander的遊玩影片（第一、二關）
- 前天的New Question
前兩個主題比較偏技術討論、分享，後三個主題則是一些思維、心得或生活上的分享。
質化型變量與量化型變量
區分質化型變量和量化型變量，關鍵在於是否具有數值上的順序或大小關係。質化型變量只是描述不同的類別或屬性，而量化型變量則具有可測量和計算的數值特性。
質化型變量（Qualitative Variables）
也稱為類別變量或分類變量，表示觀察單位的特定屬性或類別。質化型變量沒有數值上的順序或大小關係，只是用來描述類別或屬性。
例如：性別、婚姻狀態、地區、學歷等都是質化型變量。
量化型變量（Quantitative Variables）
也稱為連續變量或數值變量，表示觀察單位的具體數值。量化型變量可以進行數值上的比較和計算。根據度量層次的不同，可以進一步分為兩類：
- 離散變量（Discrete Variables）：取有限個或可數個數值的變量，通常表示計數或次數。
例如：家庭成員人數、每月用戶註冊數量等都屬於離散變量。 - 連續變量（Continuous Variables）：可以取任意數值的變量，可以是整數或小數。
例如：身高、體重、年齡、收入、時間、距離等都屬於連續變量。
總結
質化型變量只是描述不同的類別或屬性，而量化型變量則具有可測量和計數的數值特性。區分質化型變量和量化型變量的關鍵，在於是否具有數值上的順序或大小關係。
質化型變量轉為量化型變量
將質化型變量轉為量化型變量最關鍵的要素，是要讓質化型變量在數值上具備順序或大小關係，而決定數值順序或大小則要套上「情境」。
直接舉例：將顧客滿意度（質化型變量）轉化為量化型變量。
顧客滿意度通常以評分或評價形式表示，例如「非常滿意」、「滿意」、「一般」、「不滿意」、「非常不滿意」等。為了進行「數值分析或比較」，我們可以將顧客滿意度轉化為數字表示。
在顧客滿意度情境中，我們將滿意視為「大、強」，不滿意視為「小、弱」，因此不同滿意度代表的數值就具有大小和順序性了。
另一個例子：教育程度
教育程度通常分為「高中以下」、「大學」、「碩士」、「博士」等。我們可以用0-3根據不同情境需求，套給他們不同的數值。
假設情境是要分析「是否具備較專業的知識」，那博士變量的數值可以給3，設為最大，高中以下可以給0，設為最低，因為情境的出現，質化型變量被套上數值後，也具備順序和大小的特性。
另一個例子：顏色
一種顏色常見的轉化方式是將顏色使用數字編碼，例如使用RGB（紅綠藍）色彩模型的數值表示。，將每個顏色分別映射到0到255的範圍內（0-255, 0-255, 0-255）。具備較多或較少「紅」、「綠」、「藍」，就成了情境。因此賦予的數值，具備了大小的特性。
小結：要將質化型變量轉為量化型變量，一定脫離不了賦予數值，而通常數值具備有無、順序或大小的特性。
轉化工具
轉化工具有很多種，在評估轉化工具的合理性上可以考慮以下幾個方面：
- 目標符合性：轉化工具是否能夠達到所設定的目標和需求。
例如，是否能夠準確地將質化型變量轉化為合適的量化型變量。 - 可靠性：轉化工具是否能產生「一致」和可靠的結果。
評估可靠性可以通過測和驗證來進行，例如使用不同的數據樣本進行評估，檢查轉化結果的一致性和穩定性。 - 適用性：轉化工具是否適用於特定的情境和目標。
不同的質化型變量可能需要不同的轉化方法和工具。
評估轉化工具的適用性時，需要考慮質化型變量的特性和應用場警，並選擇最合適的轉化方法。 - 可解釋性：轉化工具產生的量化結果是否能夠被解釋和理解。
在機器學習模型中，可解釋性是一個重要的考量因素。
評估轉化工具的可解釋性時，需要確保轉化結果能夠清晰地表達質化型變量的特點和含義。 - 相關性：轉化工具產生的量化結果是否與質化型變量具有相關性。
評估轉化工具的相關性可以通過統計分析和相關性測量來進行，確定轉化結果與原始質化型變量之間的關聯程度。
一般來說，選擇和使用轉化工具時，需要綜合考慮這些評估標準，確保轉化工具的合理性和有效性。
常見的轉化工具包括：
- 獨熱編碼（One-Hot Encoding）：將每個類別轉換為一個二進制特徵，使得每個類別都有自己的特徵列。這種轉化方式常用於處理多類別分類問題。
- 數值編碼（Numeric Encoding）：將類別映射為一個數值，可以使用類別的頻率、軍職、中位數等統計數據做為數值編碼的依據。
- 順序編碼（Ordinal Encoding）：將類別按照一定的順序映射為整數值，這種轉化方式適用於有序的類別。
- 標籤編碼（Label Encoding）：將類別映射為整數值，不同於順序編碼，標籤編碼不考慮類別的順序，只是將不同的類別映射為不同的整數。（雖然可以這麼做，但在機器學習上這種方式的實用度就會非常的低。）
- 特徵哈希（Feature Hashing）：使用哈希函數將類別映射為固定長度的特徵向量，這種轉化方式可以處理高維度的類別特徵。
- 目標函數（Target Encoding）：將類別按照目標變量的統計特徵進行編碼，例如平均目標值、目標變量的概率等。
這邊不深入探討這些轉化工具、方式，這就像機器學習的模型一樣，都有其適合的情境、需求。有需求的人，可以自行尋找網路上的資源學習。
撇除以上這些方法，想要舉個例子：技術能力的轉化
有幾種方式可以將技術能力轉化為量化型變量：
- 評分或評級系統：可以使用這兩種系統進行技術能力的量化。
例如，將技術能力評分為1到10的數值，表示不同程度的技術水平。 - 經驗和專業知識的度量：可以使用經驗年限或相關的專業證書數量來量化技術能力。
例如，將能力分為初級、中級和高級，根據相應的經驗和證書數量來界定每個級別。 - 專案成果和貢獻度的評估：可以根據過去的專案成果和貢獻度來量化技術能力。
例如，根據完成的專案數量、相應的成果和影響力來評估技術能力的強弱。
舉這個例子，是為了說明實際情形可以很複雜，但仍脫離不了考量「目標符合性、可靠性、適用性、可解釋性、相關性」等「合理性評估」。若擁有相同專業證書，且數量一致，但得出的結果不同，就表示這個度量方式「可靠性」有問題。
總結
無論是哪一種轉化工具，都要考量轉化的合理性，其中可以包括「目標符合性」、「可靠性」、「適用性」、「可解釋性」、「相關性」。根據情境設計、使用合適的轉化工具，綜合考量上述合理性評估，是在機器學習領域使用質化型變量前很重要的事。
一個人要正常運作的要件
要件大致可以分成幾類：
- 身體健康
- 心理健康
- 精神活力
- 社交關係
- 能力和技能
- 自我管理
- 平衡生活
- 意義和目的
和家人們（媽媽、姐姐、表哥）等討論結果，一致認為上面條列得很好。
礙於隱私，無法公布他們的日常。
他們常常運動，維持身體健康（尤其表哥，天天健身房）。
也會和各自的交友圈互動，維持社交關係、抒發心情壓力維持心理健康。
他們也會有自己一小部分的追求，無論是工作、興趣上都有，這是精神活力的部分。
能力和技能，則攸關各自經濟能力的部分。除了工作上，也會對生活上的技能有所要求（煮飯、打掃之類的）。
自我管理，則是規畫好自己每天哪個時段大概會做什麼。
生活上常常會需要平衡各種事的分配，包括工作與休息、個人與社交等，他們也都會在這方面試著找出舒適的平衡點。
關於意義和目的，每個人都不一樣，但這是我們追求自我成長、貢獻社會和實現自身價值的來源。
我自己在台南會買菜、煮飯、打掃、倒垃圾、洗衣服等，為了維持心理健康、社交關係，也會不定時和大學、國高中的朋友們連絡，分享彼此近況，又或是暑假可能有什麼打算，一起玩遊戲等。除此之外，在玩Albion online的時候也會和公會裡的人聊天、一起出門打架或農資源之類的。至於能力和技能的部分，每天都要完成秉鴻老師交代的一些任務，自己也會學一些額外的理論知識或技術，嘗試實踐。
我其實比較擔心的是女友，她除了我以外幾乎沒有在跟別人交流，這是我很擔心的部分。
Radio Commander 遊玩影片
第一關
第二關
我其實覺得滿有趣的，自己又多玩了第三關。但到第三關後，難度好高喔，摸索地道的部分花了我好長時間，最後還失敗了。
可惡阿！！！！！！！！！！！！
前天的New Question
問題回顧
秉鴻老師曾說過：【大成者，不著相，不急於學一方技能。人有陽壽，科技亦然，求科技者，如草原野兔，始量少，繁衍迅速，終無草食。】
然而，不急於學一方技能，不代表不需要。雲育鏈是一間提供服務給企業的公司，如果沒有一方技能，應該是難以提供服務給其他人的。
因此，我這麼問秉鴻老師：您是在哪個時期或者人生階段有自己一方技能的呢？
秉鴻老師希望我可以「先找類似且有生命經驗的生活案例反問自己」，這就是前天的New Question。
什麼時候需要一方技能
最直接的回答（結論）是：「有需要的時候」。我認為這答案看似無用，卻是最正確的。
以生命經驗來說：
- 當我需要走路、奔跑時，我就學會了那個技能。
- 當我需要和人溝通時，我學會了說話。
- 當我需要建立良好的互動關係時，我學會理解他人。
- 當我需要透過電腦和人交流時，我學會如何使用特定軟體。
- 當我需要利用程式滿足特定需求時，我學會寫程式。
- 當我需要完成課業時，我學會了各科的知識。
- ．．．
是各式各樣的需求，各式各樣的需要，使自己學會特定的技能或知識。不需要經濟相關專業的人，就不一定會具備經濟相關的理論知識。每個人的需求、每個人需要的都不一樣。
就「專業領域的一方技能」來說，我認為一種需要是「透過這項技能來維持經濟能力」，但這只是一種。
我認為另一種更重要的是當自己對某一領域「具有興趣並且希望在該領域有所成就時」。比如，我前後端的技能跟知識也是在希望成為全端工程師後習得、建立起來的。
我問過ChatGPT：「你覺得什麼時候要有自己的一方技能？」
他也認為在找到自己感興趣並希望有所成就的領域時，就可以有自己的一方技能。
因此，我的想法是「找到自己具有興趣並且希望自己所成就的領域時，就可以有一方技能」。
（不過是否真的有興趣，是件值得討論的事，之前就有針對這件事做過討論。或許，在不夠了解該領域，或見識不夠廣之前，所謂的興趣、喜歡，可能只是假議題。）
完工後的小小心得
原本想要直接開寫質化型變量轉為量化型變量轉化工具的part，突然覺得自己對於質化型變量和量化型變量的定義、理解沒有到非常清晰，因此回去補了一頓。
今天盡可能地嘗試將和家人討論關於「文章普遍太長，重點沒在一開頭寫，很浪費讀者時間」的改進方式實現出來，其中包括前言可以寫，讓讀者對整篇文章的大綱有所了解，又或是每段都盡可能開頭破題不要拖拖拉拉，然後將自己內心的獨白放置到心得處（這裡）。
前兩個主題我有盡可能的不放獨白，但後三個大量涉及到主觀的我就不知道該怎麼做了，只好盡可能達到開頭破題。
話說在討論的過程我得到了一個很重要的想法，認為應該記錄在這裡：
【架構還是可以盡可能扁平，畢竟這是讓人閱讀的文章，使人閱讀舒服為主，最好文章要有這種特性
When I take a glimpse at your article, I can easily understand what you want to express and the structure of your article. Therefore, if I am interested in any part, I know where to find the information.】
By the way，我認真開始考慮瘋狂朝AI實作走了。我沒有想過在試圖實踐一個想法或概念上，可以學習到這麼多的東西。
目前覺得可以了解如何建立的模型包括：
- 自然語言處理模型
- Albion online 市場模型
- 股票市場模型
這三個分別代表當今最夯、使用度最廣的，我自己覺得可以當作練習的（微奢侈），還有可以幫助自己投資賺錢的。
自然語言處理的部分，秉鴻老師目前正試圖帶我從語意解析開始，一步一步了解詞向量之類的概念。
而Albion Online的市場模型，則可以幫助我預測市場價格，在遊戲內有較高的收益。（這邊還是要分享，我說Albion online資訊透明化被打槍了哈哈。確實啦，我認為最重要的產出部分沒有辦法從官方取得是大傷。畢竟這樣預測市場價格的方式就無法考量產出的數據了。）
最後一個股票市場模型，可以說是集成長過程中學到的所有經濟、金融、市場概念於一身的完全體吧。這是個Huge的目標，但沒理由不追。真要說，投資概念的全盛興起根本不到一百年，其中的奧妙都脫離不了人，沒道理不學。
以上就是今天的文章內容及心得，謝謝大家的閱讀！我們明天見！