Q1: 當初是去哪個教育機構上課？
我不是業配，不推薦任何具名的教育機構，單純個人經歷分享。你去這些機構上課不一定能讓你年薪百萬，年薪百萬是一連串的選擇和努力所形成的結果。決定薪資的不是只有程式技能。
Q2: 機器學習和深度學習具體應該要學什麼？數學要很好嗎？
ML和DL是線性代數、微積分、統計學和程式語言等多個學科的結合，有一些常用的觀念，例如：微積分的求導、極限、極值；線性代數的矩陣運算、特徵向量；統計學的信賴區間、機率等等先有概念。
然後開始學習以下入門的演算法：
機器學習：線性回歸、邏輯回歸、決策樹、隨機森林、貝氏分類器、KNN、支持向量機等等。
深度學習：DNN、CNN、RNN、LSTM、GANs、RL等等。
理解梯度下降、反向傳播、激活函式、損失函式、正規化、Dropout、優化方法、剪枝、遷移學習等技術和知識點。
再去學以下套件和工具：
機器學習套件：Scikit-learn
深度學習：TensorFlow、Keras、PyTorch
除此之外，根據你選擇的領域可能分別還需要學：
電腦視覺：OpenCV、Yolo
自然語言處理：NLTK、Hugging Face、Jieba
資料科學：PowerBI、Tableau、ETL、Airflow
以上是針對轉職初學者建議，若你行有餘力，如果是走NLP領域，也能再去學如：Transformer、BERT、GPT、Llama等等。對於一個剛入門AI且以就業導向，非研究導向的轉職者來說，你的首要目標就是，學會套件怎麼使用，且能夠做應用開發、並理解以上所提ML和DL的入門知識。另外，如果你想要走研究型路線，那數學就必須要好一點，這對轉職者來說難度很高，會很坎坷。
Q3: 現在回頭去看轉職過程，你覺得可以怎麼做，讓自己更快上手？
第一門程式語言除了學基礎語法外，物件導向三特性、指標、多執行緒、遞迴、資料結構等等重要觀念也要建立好，雖然有些在工作上很少使用，但基礎有打好，換學其他語言都很快。
Q4: 轉職就業班應該選「單一型」還是「廣泛型」較好？
就業班就是針對某個特定職缺可能會用到的技能，整包交給你，所以沒有所謂「單一型」還是「廣泛型」的問題。
例如：想要成為Python後端工程師，你最少可能需要會Python、SQL、NoSQL、Django/Flask/FastAPI三選一、AWS、GitHub、Restful API、Linux、Docker等技能。
然後在有限的時間內，把這些技能的基本用法學會，最少要達到堪用，剩下後面要靠你自己練習和實作。
