Q：文獻資料庫眾多，有哪個是比較有價值、一定要搜尋的嗎？
我直接講答案，是沒有定論。因為呢，我也看過只有搜尋 PubMed 也在發表的。
目前為止所謂的 meta-analysis，或者相關的 gulidline，我們唯一的要求就是說，你的東西要能重置，那所以你說哪幾個資料庫一定要，其實也沒有定論。
不過有幾個推薦的，例如像 PubMed 這個一定的，基本上 PubMed 是免錢的又好用，
那有些醫院有買 ScienceDirect，有些醫院有買 Embase，那有些醫院有買 Web of Science，有些醫院，這個也不用買，叫做 Google Scholar，不用買，自己上網就有了。
所以基本上，重點是你的醫院有什麼，你就至少先用那幾個，那不同的科系他們甚至也有不同的，他們有一個中文什麼什麼的（中國中醫藥資料庫檢索系統），那像精神科呢，叫做 PsycINFO，所以不同的科系有不同、適合的 data base，所以其實應該還是說，同學可以回去看一下，你們這個領域的 meta-analysis 都用了哪些。
🔸 面向新手、協助起步，從 meta-analysis 最快！
➠ 活動內容｜3 / 7（六）統合分析工作坊
➠ 立刻報名｜https://meta-analysis.innovarad.tw/event/
➠ 講者陣容｜張凱閔醫師 / 曾秉濤醫師 / 蔡依橙醫師
🔹 協助初學者起步
我們都曾是研究新手，經歷過從 0 到 1 的過程，瞭解做 meta-analysis 的阻力。因此，我們集結了優秀的講師與助教，用最高效率的方式，讓學員不繞遠路，學得必要的知識及能力；用最短的時間，讓無資源的初學者也能成功起步。
初學者真的可以學會，經過我們的拆解與教學，其實 meta-analysis 並不難。只要會用 Windows，懂得使用像 Word / Excel / PowerPoint 這樣的軟體，就足夠了。
上課我們會把重要的觀念講給你懂，而互動實作就是理解流程，只要懂得電腦操作，能照著教學步驟，點擊正確的功能，就沒問題。一些枝微末節的卡關，課堂上將會有講師與助教全力協助。
🔹 講者陣容
【張凱閔】知名復健醫學與超音波學者，台大流病與預防醫學博士，已發表多篇 meta-analysis 論文，探討臨床常見議題。
【曾秉濤】專業精神科醫師，擅長從臨床工作找到發表議題，已發表多篇 meta-analysis 論文，並組成研究團隊。
【蔡依橙】專業課程開發與整合者，能迅速理解學門架構，並以初學者能理解的方式，建構學習流程。生涯被 SCI 期刊接受的圖表，已超過 500 張，熟悉學術審閱過程與要求。
🔸 面向新手、協助起步，從 meta-analysis 最快！
➠ 活動內容｜3 / 7（六）統合分析工作坊
➠ 立刻報名｜https://meta-analysis.innovarad.tw/event/
➠ 講者陣容｜張凱閔醫師 / 曾秉濤醫師 / 蔡依橙醫師
data science科系 在 Re: [問題] 想走Big Data的選系困擾- 精華區Statistics 的美食出口停車場
回原PO及版眾所討論的Big Data，甚至轉至會計與精算問題，
自己剛好都略有涉略，也稍會一些程式語言、統計及會計精算，
就用自己理解部分來做個回應。
關於Data Mining及Business Analyst是屬於Data Science的集合內，
當然Big Data也是屬於Data Science的範疇，
那Data Mining及Big Data的主要差異是什麼呢？
個人認知，主要是"Big"，資料真的 "too big"，
使得過去統計範疇的資料與決策分析，開始需要CS來協助處理。
簡而言之，就是「資料大到可以做動態決策(Dynamic Decision-Making)」，
當資料不斷地蒐集，資料所需要的空間及運算也就越來越大，
每秒都會產生出決策，最後導致一台電腦無法處理及運算，
這時，就必須仰賴Cloud Computing等等地CS技術，
藉由雲端科技同時動態地儲存大量資料，並且同時動態地產出決策。
最顯著的相近例子，就是Google隨時記錄個人的郵件及網頁瀏覽習慣等，
並且，逐步地達成客製化的服務，大家打開智慧手機，就有明顯的差異服務。
如果想要念Big Data，可考慮念什麼學校或什麼系呢？
首選是Stanford，因為Stanford的CS及Statistics都是世界頂尖，
可參考這網頁
https://statistics.stanford.edu/academics/ms-statistics-data-science
第二個選擇是可能是Washington，事實上，個人認為這學程內容比較符合Big Data
可參考這個網頁
https://www.cs.washington.edu/students/grad/specializedtracks/bigdata
上述兩個學程，都可以輔助去了解未來要如何修課及獲得實務經驗，
不管走Statistics或Computer Science，到最後所有事物都必須自我學習，
主要原因是，Big Data範疇常常是Statistics，Hacker及Social Science的交集。
這項技術成熟後，可以推翻許多過去理論的假設，例如特定分配等等。
用在精算上，"似乎"也可改變目前許多精算模型，
用在經濟上，"似乎"就可解決人是理性之相關假設所產生的問題。
近期所探究的技術，是Dynamic Networking的概念。
因為，不斷地抓取新資訊，個別分配會透過統計方法，
不斷地整合新的動態分配，進而獲得動態決策。
(目前有看到Baysian Method成功地使用在實務的例子)
就自己有限知識所了解到的，
是偏向Dynamic Non-Parametric Statistics + Baysian Method，
再用CS技術建置一個Automatic System去做到Dynamic Decision-Making。
通常學Statistics的人，往往無法處理Machine Learning等等問題；
通常學CS的人，往往對整合分配及資料蒐集產生些許障礙；
通常兩項都會的人，往往較缺乏運用在產業上的相關知識，
例如，股價預測，也需要了解相關國際金融、總體經濟及預測行為等知識。
至於精算及會計，如果沒有要走學術的話，
都可以透過考取證照方式，自修而成為會計師與精算師，
分別去美國的兩大協會，AICPA及SOA即可獲得相關資訊。
如果有接觸FSA、FCAS或是CPA的話，
有一定比例是念藝術、音樂出身的，所以學校科系並不是重點，
主要看重自學能力及長期努力的抗壓性。
念統計或精算碩士對精算實務幫助是什麼呢？
可能就是預備知識，如數理統計、可信度理論、存亡分析等等課程，
先獲得相關能力，之後減少未來學習考照的時間，
並透過部分報告或師資人脈，獲得實務經驗或研究主題的經驗。
提前了解保單訂價，準備金評估，保險公司財務或清償能力的評估，
甚至進入再保險領域，獲得巨災或風險移轉工具的工作機會。
關於念會計碩士對會計實務幫助呢？
也相同地，可先對審計、財報分析、商業環境及法規提前認識，
節省考CPA的時間，並且透過實習或人脈，
幫助自己於稅務或審計方面的職涯規劃，
也可能走向財務顧問或企業評估領域。
會計及精算的段落，只是協助了解兩者事實上有顯著差異，
但不可否認也有極大的交集，也就是IFRS 4 Phase II的範疇。
以上，如果有說錯，也麻煩各位大大給予一些提醒及修正囉！
希望有更多人可以投入Big Data領域內，協助整個產業發展。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 42.65.3.54
※ 文章網址: https://www.ptt.cc/bbs/studyabroad/M.1422731222.A.8DB.html
也許入門Statistics是個選擇，可先把R language熟練，
再進階接觸Python，資料結構、Machine Learning等等。
推翻似乎真的不是很好的描述，原意是可能改變應用科學的假設。
舉例來說：有位致力於Non-cooperative Game的歐洲學者(似乎有諾貝爾獎)
他對"人是理性"的假設，便認為是Nonsense，
大約10年前，他就曾使用Networking的想法在處理經濟問題。
... <看更多>