Spark第二部曲： SQL輕鬆處理半結構化資料技巧
104學習
Microsoft SQL Server Data Tools
這項技能主要用來設計、開發和部署資料庫專案，能有效提升資料庫管理與維護效率。熟悉它能幫助你快速建立資料庫架構、撰寫SQL程式碼、進行版本控制及自動化部署，減少錯誤並提升團隊協作。對於從事資料庫管理、軟體開發或BI分析的人來說，非常實用且具競爭力。
測測你現在的程度
花 5 分鐘了解自己的能力，找到最適合的學習起點
提升你的實力，朝專業更進一步
精選課程
充實自己，讓能力持續成長
教你完全掌握 SQL- 從資料庫建立到成為資料處理高手
【接案必學 ◆ 邁向更專業的App開發】iOS App與後端Server整合應用
快速活用 MySQL，精準設計關聯式資料庫
AI 商業數據與工作應用實戰：分析、報表與決策支援【09/30】
Excel職場必學統計分析
電腦視覺演算法之人臉辨識實戰【本課程為線上課，報名後專員會提供上課資訊】
.NET開發資料庫應用系統全方位－ADO.NET與Entity Framework(.NET Core)攻略
Office 整合應用：Word、Excel、PowerPoint 跨檔案資料管理
Power BI 資料清理與建模
精選證照
考取專業證照，讓能力被市場看見
Server+
Server+證照專注於伺服器硬體與軟體管理技能，涵蓋伺服器安裝、配置、維護與故障排除，強調安全性與效能優化。適合從事IT基礎架構、系統管理及資料中心運維的人員，提升專業能力與職場競爭力。透過此證照，持有人能有效管理伺服器環境，確保企業資訊系統穩定運作。
尚未查核發照單位
SSE Data Analysis Using Excel
隨著大數據的氾濫及電腦計算速度快速地成長，藉助套裝軟體快速分析資料來提升決策速度與品質，幾乎是全民運動了。也因此在許多資訊發達的國家，尤其是美國，造就了大量資料分析家(Data Analyst)的職缺需求。使用Microsoft Excel軟體來進行資料分析的能力。是提供國際大企業獵才的參考，並取得資料分析師的入場券。
Silicon Stone Education (SSE)
Microsoft Certified Application Specialist
核心的微軟 Office 專家認證計劃的認證已經升級至驗證 2007 Microsoft Office System 和新的 Windows Vista 作業系統的技能。專家認證的對象是資訊工作者，並涵蓋了最常見的 Microsoft Office 應用程式，包含 Word 2007、PowerPoint 2007、Excel 2007 、Access 2007、Outlook 2007和Windows Vista。
Microsoft
BEA Certified Specialist: Server
BEA Certified Specialist: Server 證照專注於BEA WebLogic Server的安裝、配置與管理，涵蓋伺服器架構、資源配置、安全性設定及效能優化等核心技能，適合具備中階伺服器管理經驗的IT專業人員，提升其在企業級應用伺服器運維與故障排除能力，確保系統穩定與高效運行，廣泛應用於金融、電信及大型企業資訊系統領域。
BEA System
SSE Big Data Database: NoSQL國際認證
大數據盛行之後，分散式系統成為IT行業的顯學。相對於傳統的關聯式資料庫，NoSQL其分散、非結構化、支援Hadoop、記憶體中處理以及支援MapReduce的特性，在全球各大行業都相繼採用。除了IT及網路業的巨頭(Google, Facebook, Amazon, Microsoft)、其它各行各業如Walmart, Samsung, Comcast也完全投入。可支撐起整個公司的資料儲存、分析、倉儲、串流、即時分析、商業智慧等任務。
Silicon Stone Education (SSE)
Sybase Certified Professional -- Adaptive Server Enterprise Developer
Sybase Certified Professional -- Adaptive Server Enterprise Developer證照專為具備Sybase ASE資料庫開發技能的人士設計，涵蓋資料庫結構設計、Transact-SQL程式撰寫及效能優化等核心能力。取得此證照代表持有人能有效管理資料庫應用程式，提升系統穩定性與效率，適合從事資料庫開發與維護相關工作，增強職場競爭力。
Sybase
精選貼文，掌握第一手知識
Some free online graphics / file conversion tools for person
Due to some work needs, there are many times when I need to do some format conversion, design and some work reports, communicate with customers, etc., but it is not used every day. It is quite troublesome to open a membership or keep looking for it. Some time ago, I collected some relatively easy-to-use free online websites, each with its own special functions, and the most important thing is that it is free!
PPT to PDF Converter
https://ppt2pdfconverter.com
Convert SVG to jpg
https://convertsvg2jpg.com
Circle Crop Image
https://circlecropimage.studio/
Add Borders to Photos
https://addborderstophotos.com/
Convert JPG to PNG
https://convertjpgtopng.com/
But the work is very boring. I recently saw a few simple games played on the site. There is one game that I am very irritable to play. It is an audio game FNF in https://impostergame-online.com. The developer may be a serious audio game enthusiast, so it is more difficult. Of course, maybe I have not played high-intensity games for a long time and cannot keep up.
https://guessanswer.com Guess Their Answer
https://playbricksbreaker.com Bricks Breaker Game
https://bubbletea-game.com/ Bubble Tea & Business
專案經理（PM）常用的五種數據分析工具，從樞紐分析到SQL介紹
專案經理在專案管理過程中，數據分析是不可或缺的一部分，幫助專案經理了解專案狀態、預測未來風險以及做出關鍵決策。以下是專案經理經常使用的一些通用數據分析工具，將由工具難易度低至高依序排列介紹，分別是 Microsoft Excel、Google Sheets、Power BI / Tableau、R / Python以及SQL。
1. Microsoft Excel
Excel 是專案經理最常用的工具之一，因為它具有強大的數據處理和分析功能。透過Excel，專案經理可以輕鬆地整理和分析數據，生成圖表，並應用各種統計函數。
➛ 資料整理與視覺化：Excel提供了強大的數據篩選、排序和樞紐分析功能，便於專案經理快速整理和總結數據。樞紐分析表可以用來簡化大量數據，幫助專案經理發現趨勢和模式。
➛ 預測分析：Excel中的趨勢線和回歸分析工具可以幫助專案經理預測未來的專案進度和成本。
➛ 風險分析：使用Excel中的情境分析工具（如資料表、資料合併和方案管理員），專案經理可以模擬不同的專案情境，評估可能的風險和機會。
2. Google Sheets
Google Sheets 是另一個強大的工具，尤其是在團隊需要協作的情況下。它類似於Excel，但具有雲端存取和即時更新的優勢。
➛ 雲端協作：Google Sheets允許多名用戶同時編輯和查看同一個文件，這對於分散式團隊來說特別有用。它還支持實時評論和提醒功能，有助於溝通和協作。
➛ 即時更新：由於Google Sheets是基於雲端的，因此所有變更都會自動保存，並且可以從任何設備存取資料。這意味著專案的最新進展可以即時與團隊分享。
➛ 資料整合：Google Sheets支持多種外部數據源整合，通過Google Data Studio等工具，可以直接生成報告和儀表板。
3. Power BI / Tableau
Power BI 和 Tableau 是目前最受歡迎的兩個數據視覺化和商業智能工具，它們提供了強大的數據整合、分析和視覺化功能。
➛ 數據整合：這些工具能夠整合來自多個數據源的資料，包括Excel、SQL資料庫、雲端平台等，並將它們集中到一個儀表板中進行分析。
➛ 互動式視覺化：Power BI 和 Tableau都提供豐富的圖表選項，專案經理可以用來創建互動式報告，輕鬆地展示專案KPI和其他關鍵指標。
➛ 即時分析：這些工具能夠實時更新數據，確保專案經理可以基於最新的資料做出決策。
4. R / Python
R 和 Python 是兩個強大的程式語言，特別適合處理大量數據和進行複雜的數據分析。
➛ 數據處理：R 和 Python 擁有豐富的數據處理庫，如Pandas（Python）和dplyr（R），這些工具可以處理大型數據集，進行清理和轉換。
➛ 統計分析與建模：這些語言支持進行高級統計分析、機器學習建模和預測分析。專案經理可以使用這些工具進行深入的數據分析，例如風險預測、資源分配建模等。
➛ 自動化：R 和 Python可以自動化數據處理和分析任務，幫助專案經理節省時間並提高工作效率。
5. SQL
SQL 是數據庫管理的核心工具，專案經理可以使用SQL來從企業的資料庫中提取和分析數據。
➛ 數據查詢：SQL允許專案經理從大型資料庫中快速檢索和過濾需要的數據，從而支持專案報告和決策。
➛ 資料整合：SQL可以將來自不同表格的數據進行聯結和合併，生成綜合報告或進行深入分析。
這些通用工具為專案經理提供了強大的數據分析能力，幫助他們更好地理解專案情況、預測未來趨勢以及做出數據驅動的決策。
Microsoft AI-900考照心得與AI-901命題趨勢
▉ 從 AI 素養基礎到 Microsoft Foundry 工具理解，一篇整理 AI-900 準備重點、考試範圍，以及 AI-901趨勢命題的完整心得。▉
這篇文章想用比較實際的方式，分享小編自己的備考流程、讀書方法，以及觀察到的考題方向。如果你和小編一樣，先前已經有其他 AI 素養證照基礎，例如 iPAS AI 應用規劃師初級，那麼 AI-900 的準備門檻其實不算太高；真正需要額外補強的，反而是 Microsoft AI 生態系中的工具定位、服務差異，以及各種情境題到底該選哪一個服務。
什麼是Microsoft AI-900？主要內容考什麼？
Microsoft AI-900 是 Microsoft Azure AI Fundamentals 基礎認證，主要測驗內容以人工智慧基本概念為主，不需要程式背景，強調AI的核心應用場景，例如機器學習、電腦視覺、自然語言處理與生成式 AI，同時也會測驗Azure相關 AI 服務的用途與差異，以及包含公平性、隱私、安全與透明性等AI治理原則。
因此，這張證照適合初學者、商務人員、在學學生，或想快速建立 Microsoft AI 生態系基礎知識的考生。簡單來說，AI-900 是一張幫助你理解「AI 能做什麼、在 Microsoft 平台上怎麼應用」的入門證照。
Microsoft AI-900認證資訊：https://nabi.104.com.tw/ability/10047979
考試內容：
● 人工智慧工作負載與責任式 AI：理解常見 AI 應用類型，例如預測、電腦視覺、NLP、生成式 AI，以及公平性、可靠性與安全性、隱私與安全、包容性、透明性、問責等責任式 AI 原則。
● 機器學習基本原理：認識監督式學習、非監督式學習、回歸、分類、分群等概念，並理解 Azure 中機器學習的基本使用方式。
● 電腦視覺：影像分類、物件偵測、臉部分析、OCR 光學辨識、影像描述等情境，知道對應服務能做什麼。
● 自然語言處理（NLP）：情緒分析、關鍵字擷取、實體辨識、翻譯、語音辨識、語音合成等文字與語音相關能力。
● 生成式 AI：大型語言模型、提示詞、生成內容、負責任使用生成式 AI，以及Azure上相關服務的定位。
微軟 AI 認證如何計分？
微軟認證採用 1000 分制，及格門檻為 700 分。不過，這裡的 700 分並不等於答對 70% ，因為微軟使用的是量尺分數（Scaled Scoring），會依題目難易度與權重套用計分公式。也就是說，最終成績並不是單純以答對題數直接換算百分比，而是經過加權後得出的結果。這套計分公式目前微軟並未公開。
● 題數通常約為 40–60 題；以小編這次實際應試為例，共考了 42 題。
● 題型：多數題目為單選題，作答通常不倒扣。部分題型會以題組方式出現，例如一組包含 3 個是非題，或 3 題拖放配對題。
● 考試結束後通常會立即顯示成績與成績單，證照通常可於 48 小時內下載。
備考 AI-900策略
小編大約花了兩週準備 AI-900。因為先前已經取得 iPAS AI 應用規劃師初級證照，所以對機器學習、AI 基本概念、常見應用場景不算陌生。這讓我在準備AI-900時，不需要從零開始理解什麼是分類、迴歸、電腦視覺或自然語言處理，而是把重點放在「Microsoft 的服務怎麼對應這些場景」。
因此，AI-900 最需要額外熟悉的地方，就是 Microsoft Foundry（前身為 Azure AI Foundry，是微軟 AI 生態系工具與平台）的服務定位與功能特色。很多題目其實不是考你會不會寫程式，而是考你看到一個需求時，能不能快速判斷應該用哪個工具。例如，題目：「如何辨識圖片上的文字」，就要聯想到電腦視覺中的 OCR（光學字元辨識）能力；如果題目問的是文字情緒分析、關鍵字萃取、語言偵測，就要想到語言服務；如果題目是在問生成內容、提示詞互動、模型能力，重點就會轉向生成式 AI 與相關平台能力。
◆ 第 1 週：快速建立全貌，先把 AI-900 的五大主題跑過一次。
◆ 第 2 週：考古題+AI集中刷題，反覆確認每一種情境要對應哪個 Microsoft AI 服務。
◆ 考前最後整理：把容易混淆的工具功能整理成對照表，例如 OCR、影像分析、翻譯、文字分析、生成式 AI 的適用情境。
獨家準備心法：官方資源＋AI 整理筆記＋大量刷題
小編的準備方式其實不複雜，核心就是三件事：先看官方學習資源、再用 AI 幫忙整理筆記、最後透過刷題把概念轉成「看情境就能選服務」的反應速度。
第一步，我會先上 Microsoft 官方學習平台，把 AI-900 對應模組全部看過一次。官方內容的好處是架構清楚，而且用語和考題很接近。
第二步，我會把每個主題透過AI整理成自己的筆記，尤其是「服務名稱－功能－適用情境」三欄對照，這對應付選擇題很有幫助。
第三步，不斷刷題：利用微軟學習平台上的免費練習評量，進行考古題練習，免費測驗總共50題，每次出題都不同，每個題目都有詳細解析，可以幫助考生把容易混淆的地方反覆記熟。只要練習到評量平均超過90分，正式考試時大多可輕鬆過關。
如果你已經取得其他 AI 素養認證，或本來就具備一些機器學習演算法概念，我會建議你不要花太多時間糾結在理論細節，而是把重點放在「微軟這套服務如何落地」。AI-900 很多題目考的是應用判斷，不是深度技術實作，所以越接近情境、越容易得分。
如何報名考證（所有微軟認證都適用）
● 透過Google搜尋或微軟認證官網(https://learn.microsoft.com/zh-tw/ )，可直接進入微軟AI-900認證網站。
● 點選認證頁面「與Pearson Vue排程」、用英文輸入所在地址，並填入手機與Email
● 選擇「親自前往考試中心考試」，或「通過OnVUE在線考試」。
● 若選擇前往考試中心，系統會提醒考試注意事項，以及選擇考試語言，這裡，你可以選擇繁體中文或英語，接著，選擇適合的考試時間與你想要選擇的考試中心地點，目前台灣北中南都有微軟合作的訓練中心可選擇
● 若選擇「通過OnVUE在線考試」，你需要下載微軟官方指定的考試平台程式OnVUE，這個程式同時是遠端監考系統也是考試介面，一旦發現有違規狀況，例如離開鏡頭或非自然考試行為，監考官有權終止考試
● 選好考試方式與日期、時間，完成付費，即報名完成。
AI-900 即將退場！AI-900 與 AI-901 的差別
就難度上來說，AI-901難度大於AI-900。
根據目前微軟官方已公開的 AI-901 考試資訊，這張認證相較於 AI-900 更強調考生對 Microsoft Foundry 的理解，以及如何在 Azure 情境中實際應用 AI 服務。官方也提到，應試者需具備基礎的 Python 語法概念，並熟悉 Azure 資源、REST API、SDK 與CLI 等基本使用觀念。相較之下，AI-900 仍以 AI 基礎概念、常見工作負載與服務辨識為主，因此對沒有平台實作經驗的初學者相對友善；而AI-901 則更進一步，要求考生不只理解概念，也要能掌握 Microsoft Foundry 在生成式 AI、agents 與應用建置上的角色與使用情境。
● 考試定位：AI-900 偏向 AI 概念與 Azure AI 服務辨識；AI-901 更強調以 Microsoft Foundry 為核心的實作理解。
● 內容重心：AI-900 著重在機器學習、電腦視覺、NLP、生成式 AI 的基礎概念；AI-901 則更明確納入生成式 AI app、agent、Foundry 工具與模型應用。
● 技術期待：AI-900 對非技術背景較友善；AI-901 雖然仍是 Fundamentals，但官方已提到候選人需要具備基礎 Python 語法與 Azure 資源配置概念。
● 學習方式：AI-900 可以靠概念理解與刷題快速通過；AI-901 可能更需要搭配平台操作經驗與情境實作理解。
考 AI-900 還是直接準備 AI-901？
根據微軟官方公告，AI-900於2026年6月30日正式退場，並由AI-901取代。
如果你已經在準備 AI-900，而且能在2026年6年30 前完成考試，我會認為仍然值得考。因為這張屬於Fundamentals基礎證照，已取得的認證仍然有效，不會因為考試退場就失效。
另一方面，如果你現在才剛開始，或希望學到的是更貼近 Microsoft 最新 AI 平台方向的內容，那就可以直接把重心放到 AI-901。
從官方訊息來看，AI-901 代表的是 Microsoft 對新一代 AI 基礎能力的重新定義：不只是知道 AI 是什麼，而是更重視你能不能用 Microsoft Foundry 理解並實作現代 AI 應用，特別是生成式 AI、AI agents、以及更貼近實務的建置思維。
在送出最後一題，系統會彙整考生標籤過不確定的題目，讓你再確認或修改答案，最終確認送出提交所有答案後，系統立刻給分，最終小編以788分，拿到了微軟AI-900認證，官方也在兩、三個小時內，就透過Email發出電子認證。
整體來說，小編覺得 AI-900 是一張很適合建立 Microsoft AI 全貌的入門證照。它不會要求你有很深的技術背景，但會幫你建立「看到需求、判斷工具、理解場景」的基本能力。如果你本來就有一些 AI 素養基礎，兩週其實是有機會準備完成的。至於未來如果想接軌 Microsoft 更新的 AI 發展方向，AI-901 也很值得提早關注，尤其是 Microsoft Foundry、生成式 AI、AI agents 這幾個主題，很可能會成為接下來的核心趨勢。
▉ 學習資源
Microsoft Learn 官方學習路徑：https://learn.microsoft.com/zh-tw/credentials/certifications/azure-ai-fundamentals/
104獨家考證課程：生成式AI｜三證合一速攻班｜高分思維 × 解題框架 × 刷題實戰｜：https://nabi.104.com.tw/course/104nabi/ee5e6072-07e8-486f-9e11-2d7d5bfb2f2d
GPU Server規格怎麼看？從顯卡到散熱全解析
規格表落落長，到底該優先看哪裡
打開任何一份GPU Server的規格表，密密麻麻的參數常常讓人眼花撩亂。顯卡型號、記憶體容量、處理器規格、儲存空間、散熱設計，每一項看起來都很重要，但對於不同的使用情境，優先順序其實大不相同。這篇文章就從幾個關鍵面向，幫大家梳理挑選GPU Server時該注意的重點。
顯卡：核心中的核心
顯卡是GPU主機裡面最關鍵的零件，挑選時除了看運算效能，顯示記憶體的容量同樣重要。訓練大型模型時，顯示記憶體不夠常常是導致訓練無法進行的直接原因。除此之外，顯卡之間的互連技術也值得留意，如果專案需要用到多張顯卡協同運算，顯卡之間的資料交換速度，會直接影響多卡並行的實際效益。
處理器與記憶體：別讓CPU拖累了GPU
雖然GPU是主要的運算主力，但中央處理器跟系統記憶體同樣不能輕忽。資料在送進GPU運算之前，通常需要經過CPU做前處理，如果CPU效能不足，或者系統記憶體容量太小，反而會造成資料準備的環節變成瓶頸，讓昂貴的顯卡效能無法完全發揮。
儲存架構：速度跟容量要兼顧
儲存系統的選擇，往往牽涉到速度跟容量之間的取捨。高速儲存裝置雖然讀寫速度快，但單位容量的成本相對較高；大容量的傳統儲存裝置雖然便宜，但速度可能跟不上訓練需求。比較理想的做法，是採用高速儲存搭配大容量儲存的混合架構，兼顧效能與成本。
網路頻寬：多機協作時的隱形關鍵
如果專案規模成長到需要多台機器協同運算，機器之間的網路頻寬就會變成不可忽視的環節。頻寬不足，節點之間同步資料所耗費的時間，可能會拖累整體訓練效率。挑選GPU Server時，建議確認機房內部的網路架構，是否能夠支撐多節點協作的頻寬需求。
散熱設計：決定機器能不能長時間滿載運轉
高階顯卡的功耗相當可觀，散熱設計是否完善，直接關係到機器能否長時間穩定運轉。良好的散熱設計，不只是加裝幾支風扇這麼簡單，而是需要從機箱內部的氣流規劃、到機房整體的空調配置，都經過仔細計算，才能確保機器在高負載運算下，依然能維持穩定的核心溫度。
電源供應：容易被忽略卻至關重要的環節
電源供應器的規格，同樣是挑選GPU Server時不能忽略的細節。多張高階顯卡同時運作，瞬間功耗需求相當驚人，如果電源供應規格不足，輕則影響效能發揮，重則可能造成系統不穩定，甚至損壞硬體。專業的GPU主機服務商在硬體選型階段，通常會預留足夠的電源餘裕，確保系統在滿載運轉時依然穩定可靠。
規格之外，還要看服務商的整合能力
看懂規格表只是第一步，實際上，一台GPU Server能不能發揮應有的效能，往往取決於各項硬體之間的整合與調校是否得當。這也是為什麼找一家有經驗的服務商相當重要，他們能夠依照客戶的實際需求，把各項規格做最適當的搭配。
戰國策在GPU主機的硬體選型與整合上，累積了豐富的實務經驗，能夠依照客戶的運算需求，提供均衡且符合成本效益的GPU Server配置建議。如果你正在研究規格該怎麼選，歡迎參考 nss.com.tw/gpu，或透過 LINE：@119m、電話 0800-003-191 與專人詳細討論你的需求。
數位足跡下的「防彈」調查：Microsoft Purview 內部風險管理的 5 大關鍵洞見
當企業資安長（CISO）或合規主管在深夜接到敏感資料異常外洩的通報時，最令他們焦慮的往往不是外洩本身，而是隱藏在數位迷霧中的「看不見」與「查不到」。在龐大的行為數據中，管理者常陷入訊號過載，難以在第一時間區分誰是無心的操作疏失，誰又是懷有惡意的「內鬼」。
Microsoft Purview 不僅僅是一套監控工具，它更是資安治理中的「策略指揮中心」。透過精準的儀表板與嚴謹的調查流程，它能將散亂的數位日誌轉化為具備法律效力的調查脈絡。作為企業治理者，理解其背後的運行邏輯，是建構「防彈級」資安防禦體系的關鍵。
--------------------------------------------------------------------------------
洞見一：警報分數的「自動化」真相：警覺那口「會走動」的定時炸彈
在資安調查中，客觀性決定了稽核的成敗。Microsoft Purview 的告警風險分數並非由人工主觀判定，而是透過後台引擎根據活動類型、發生頻率及使用者的歷史行為軌跡自動計算。這種「不可竄改性」是企業面對內部與外部審計時最強大的保護傘。
然而，資安分析師必須意識到，這是一場與時間的賽跑。系統具備「嚴重性升級」機制：若一則告警遲遲未被分類處理，而該名使用者的風險活動持續增加，系統會自動將風險嚴重等級「往上拉」。這意味著，被忽視的低風險警訊可能在短時間內演變成重大的合規災難。
「告警風險分數驅動每個告警的風險嚴重性等級的程式化的分配，並且無法自訂。如果告警仍未分類且風險活動繼續加入到告警中，則風險嚴重性等級可能會往上拉。」
--------------------------------------------------------------------------------
洞見二：隱藏的「告警延遲」風險：別讓Governance Hygiene成為調查盲點
資安決策者往往追求「即時監控」，但事實上，可見性是有代價的。Microsoft Purview 內建了「告警過載保護」機制，這雖然保護了系統穩定性，但也可能成為隱憂。當企業的 DLP（資料遺失防護）政策或資料連接器配置錯誤時，會觸發此限制，導致新告警延後顯示。
從治理策略的角度來看，這是一種「隱形成本」或「可見性稅」。若政策設置過於寬鬆或雜亂，系統會因處理過量無效訊號而產生延遲。資安人員必須將「Governance Hygiene」視為日常，定期優化 DLP 政策並檢視連接器狀態，確保監控管道暢通，避免因配置不當產生的調查真空期。
-------------------------------------------------------------------------------
洞見三：視覺化調查的神器：解碼 User Activity 的色彩脈絡
在處理複雜的內部威脅案例時，視覺化的脈絡往往比數千行的 Log 紀錄更能加速決策。Microsoft Purview 的 User Activity（使用者活動） 圖表是分析師還原事件現場的核心工具。
* 色彩編碼的風險類別： 圖表中的彩色圓圈並非隨機，而是與底部的 Risk activity legend 嚴格對應。例如，綠色或藍色通常關聯 SharePoint 的存取，而粉紅色或深色則可能代表文件的刪除 (Deletion) 或外洩行為，讓分析師一眼識破異常模式。
* 圓圈大小與風險量能： 圓圈的大小與該類別下發生的風險活動數量成正比。圓圈越大，代表在該時間點的活動越頻繁、風險量能越高。
* 時間軸的敘事能力： 透過長達六個月的歷史時間軸，管理者能清晰看見使用者風險等級隨時間演進的趨勢，從而判定行為是偶發的錯誤，還是有預謀的滲透。
--------------------------------------------------------------------------------
洞見四：數位取證的「雙重授權」：隱私與安全間的最高精準度
針對最嚴重的違規疑雲，Purview 提供了強大的「取證 (Forensic Evidence)」功能。這不是隨意的監視，而是基於「精準取證」與「隱私保護」的平衡。管理員可選擇針對「特定活動 (Specific activities)」或「所有活動 (All activities)」進行截圖擷取。
然而，這項功能存在嚴格的治理防護線：
1. 強制性理由 (Justification)： 提交截圖請求時，管理員必須填寫理由，此為物理性的審計要求。
2. 層級核准與過期限制： 請求必須由「Approvers」角色群組審核。更重要的是，若請求被擱置無人理會，將在提交後 6 個月自動到期，這要求企業必須具備高效的合規應對流程，否則證據窗口將會關閉。
3. 試用容量限制： 決策者需注意，截圖擷取的試用容量上限為 20 GB。這要求分析師在啟動取證時必須精確定位對象，而非漫無目的地撒網。
「取證還需要層級批准才能啟動截圖功能，從而確保使用者隱私。被截圖的使用者必須有明確的截圖請求和批准。」
--------------------------------------------------------------------------------
洞見五：結案不只是刪除告警：小心掉入「發送通知」的審計陷阱
調查的終點不是「發送通知」，而是「正式結案」。這是許多資安團隊常犯的合規錯誤。Microsoft Purview 的結案行動可分為三個層次：
* 發送通知 (Notice)： 使用通知範本提醒員工，這主要作為文化教育工具。請注意：發送通知並不等同於結案。 為了維持乾淨的審計紀錄，調查人員必須在發送通知後手動選擇「Resolve case」，否則該案件將永遠處於「未解決」狀態。
* eDiscovery 案例升級： 當調查確認存在法律風險時，可將案件升級至 eDiscovery（進階電子搜尋），這會啟動法務層級的數據保留與分析。
* 分類歸檔： 最終將案例標記為「良性 (Benign)」以優化系統準確度，或標記為「確認違規 (Confirmed policy violation)」以建立完整的內部風險紀錄。
前瞻性總結
Microsoft Purview 透過自動化的風險評分、精準的視覺化圖表以及嚴密的雙重授權機制，將資安調查從「盲目搜索」提升到了「科學治理」的高度。對於企業領導者而言，這套系統在提供「防彈級」證據的同時，也透過嚴謹的流程保障了員工的數位權利。
留給讀者的思考題： 在自動化監控與「嚴重性升級」機制下，您的團隊是否已建立起一套能與系統節奏同步的「快速反應機制」？還是仍讓寶貴的數位證據在 6 個月的核准期限中悄然流逝？
Microsoft 365 終端現代化管理全解析：Intune、Autopilot 與虛擬桌面佈署對比
本文聚焦 Microsoft 365 終端裝置的現代化管理策略，涵蓋 Microsoft Intune、Configuration Manager、Windows Autopilot 的部署功能，並比較 Windows 365 與 Azure 虛擬桌面，展示 WaaS 模式與 M365 應用部署選項的優勢與應用場景。
https://medium.com/@jason-kao-blog/microsoft-365-基礎知識-part-2-b19f202b53c7
完整解析 Microsoft Purview：跨資料資產的安全治理平台一覽
本文介紹 Microsoft Purview 的資料安全、治理與合規功能，例如 DLP 告警、敏感資料分類、整合式資料目錄與資料譜系，協助組織管理跨本地與雲端的資料資產，提升安全與信賴度。
https://medium.com/@jason-kao-blog/微軟purview簡介-ba9f80aae34a
Microsoft 365 安全三部曲：偵測、威脅防護與事件回應完全指南
本文深入解析 Microsoft 365 在安全防護中的三大支柱 — 偵測 (Monitoring)、防護 (Mitigation)、回應 (Response)。涵蓋即時監控機制、威脅控制策略，以及事件回應流程，協助企業構建全面而迅速的安全運維能力。
https://medium.com/@jason-kao-blog/m365基礎知識-part-5-偵測-防禦與回應-8a43d57d649a
完整掌握 Microsoft 365 管理中心：使用者、授權與安全合規操作指南
本文詳解 Microsoft 365 管理中心功能，包括簡化與儀表板視圖切換、使用者與授權管理、活動報告與服務請求等核心管理流程，並討論如何透過這些功能維護 M365 的安全與合規。
https://medium.com/@jason-kao-blog/m365-基礎知識-part-3-安全與合規-d842c166064c
深入解析 Defender的弱點管理：使 Microsoft 365 的漏洞管理更有效率
Microsoft 365 Defender Vulnerability Management 提供全平台的資產可見性與漏洞評估工具，依照風險優先排序提供修復建議，使企業能即時掌握並快速回應潛在漏洞，提升整體資安韌性。
https://medium.com/@jason-kao-blog/m365基礎知識-part-6-資安管理-d93dd6e6e6c4
M365 零信任全解析：基於 Microsoft 365 的 Zero Trust 策略與導入指南
本文解密 Microsoft 365 中核心的「零信任安全策略（Zero Trust）」，探討如何在 M365 環境下實作「Never Trust, Always Verify」、「最小權限存取」，並依據 Microsoft 指引部署包括身分驗證、安全分段與資訊保護的落地策略。
https://medium.com/@jason-kao-blog/m365-基礎知識-part-4-零信任-58fbeb7b09d1
「數據／資料工程師」12個必備技能、推薦職缺、證照進修
大數據時代來臨，企業數位轉型的需求應運而生，因此數據工程師（資料工程師）在企業中所扮演的角色也日益重要。本文盤點要成為數據工程師，強烈推薦要學的 12 項必備技能。一起來看看【數據工程師】工作日常以及104人力銀行上有數據工程師工作機會。
成為數據工程師的 12 項必備技能（點擊可跳至章節）：
基本技能（程式語言與資料架構）
網路概念
資料庫 Database
數據湖 Data Lake 與物件存儲
數據倉儲 Data Warehouse
分散式系統
數據處理
機器學習 Machine Learning
作業編排管理
前端與儀表板
後端框架
自動化與部署
如何開始數據工程師之路？了解數據工程師工作日常
【數據／資料工程師】推薦職缺
【數據／資料工程師】職場常見證照整理
【數據／資料工程師】職場再進修課程推薦
文／LnData 麟數據科技
數據工程師的必備技能樹 (Source: Anuj Syal)
一、基本技能
首先，以下是最基本的必修技能，也是想進入這個行業需要的優先入手技能，包含：
SQL：SQL即「Structured Query Language」，也稱做「結構化查詢語言」，是一種用於管理和查詢關聯式資料庫的語言，用於處理和操作大量數據。它允許數據工程師對資料庫執行各種操作，如數據檢索、修改和定義，且幾乎所有資料庫和數據倉儲都使用SQL。
程式語言：數據工程師必備技能當然包括使用不同的程式語言來處理數據，如 R、Scala、Java等，但首推 Python，因為Python容易上手，並且擁有許多免費且開源的資料科學工具和資源，使其成為處理數據相關工作的理想選擇。不僅如此，Python還有豐富的開發者社群，讓你輕鬆找到相關的學習資源和解決問題的方法。
Git：即「Global Information Tracker」，Git是版本控制的重要工具，可以追蹤、保存和管理軟體代碼的所有更改和操作，幫助資料工程師協作開發數據工程項目，並確保團隊成員之間的協同工作，可避免有人亂改或誤刪代碼。
Linux指令和Shell腳本：Linux是一種常用的作業系統，數據工程師經常使用它來處理數據，常見的版本如Ubuntu、Fedora。熟悉Linux命令（例如cd、pwd、cp、mv等）和Shell腳本可以幫助數據工程師自動化任務、管理伺服器和處理大量數據。
資料結構和演算法：數據工程師需要對資料結構（Data Structures）和演算法（Algorithms）有足夠的理解和解決問題的技能，以優化數據處理和分析。初學者可透過初級到中難度的LeetCode問題進行練習。
二、網路概念
由於現在大半數據都在線上，因此工程師常需接觸與處理VM（虛擬機）、伺服器和 API（應用程式介面），而此時就需要對 IP（互聯網協議）、DNS（域名伺服器）、VPN 等基本網路概念有基本了解。
API（應用程式介面）概念示意( Source: Geeks For Geek)
三、資料庫
資料庫是按照數據結構來組織、存儲和管理數據的倉庫，相關概念包含：
基礎知識：資料庫是存儲數據的空間，包含表（Table）、行（Column）、列（Row）、鍵（Key）、連接（Join）、合併（Merge）和模式（Schema）等基本概念。
SQL：雖然前面提過了，但要知道在使用這些資料庫時，SQL可說是最泛用也最不可或缺的語法，因此這邊再提一次。。
ACID：是原子性（Atomicity）、一致性（Consistency）、隔離性（Isolation）、持久性（Durability）的縮寫，旨在確保數據操作的有效性和穩定性。
資料庫建模：指在設計資料庫時考慮如何組織資料的過程，包括星型模式、平面設計和雪花模式等不同方法。
資料庫擴展：包括垂直擴展和水平擴展，它們用於增加資料庫的性能和容量。
OLTP與OLAP：OLAP（在線分析處理）、OLTP（在線交易處理）是不同類型的數據處理系統。OLTP是設計用於處理日常業務交易和交互式操作的系統；OLAP則是設計用於分析和探索大量數據的系統。
關係型資料庫：Relational Database，是大多數應用程式使用的傳統資料庫，用於結構化數據。常用的資料庫有PostgreSQL和MySQL。
非關係型資料庫：Non-relational Database，也稱為NoSQL資料庫。跟傳統的關聯型資料庫不同，它們不使用固定的表格模式，而是以更靈活的方式存儲數據，適合處理大量非結構化數據。非關係型數據還可分為三種類型：
鍵值資料庫：如Redis、DynamoDB、FireBase
圖形資料庫：如Neo4j、ArangoDB
寬列資料庫：如Apache Cassandra、Google BigTable
常用的關係型資料庫 MySQL
四、數據湖 Data Lake 與物件存儲
數據湖是一種大規模集中式數據存儲系統，它允許組織以原始、半結構化或非結構化的形式存儲數據，而無需建立嚴格的資料結構。這意味著數據湖可以包含來自不同來源、不同格式和不同質量的數據，可以是文本、圖像、影音等，也包含報表、視覺化、資料分析、機器學習等轉換後資料。
數據湖通常使用分佈式或物件存儲（Object Storage）系統來存儲大量數據，如Hadoop HDFS、Amazon S3等。數據以原始文件或對象的形式存儲，每個對象都包含數據本身、元數據（metadata）和唯一識別子。這種方式使得數據能夠以平面結構組織，並且具有元數據以描述數據的特徵和用途，能夠更好地管理和查詢數據。
五、數據倉儲 Data Warehouse
數據倉儲（Data Warehouse）是一種專為組織和管理大量數據而設計的數據存儲和管理系統。它的主要目標是將來自不同來源的數據整合到一個統一的、易於查詢和分析的資料庫中，以支持企業的決策制定、報告和分析需求。例如 Google 的 BigQuery、AWS Redshift、Azure Synapse、Snowflake、ClickHouse 和 Hive。須了解的相關概念包含：
SQL（略）
規範化與非規範化：在數據倉儲中，數據可以以規範化（Normalized）或非規範化（Denormalized）的方式進行組織和存儲，具體選擇取決於業務需求和查詢性能的考慮。規範化主要為求消除數據中的冗余或不一致性；而非規範化則是將數據合併到一個表中以提高數據更改速度。
OLAP與OLTP（略）
六、分散式系統
包含大數據、Hadoop、分佈式文件系統、MapReduce等概念。在分散式系統中，多台機器（稱為節點或伺服器）組成叢集並共同協作，這些機器可以在不同的地方執行，彼此通信並共同完成任務。分散式系統的好處是可提高性能、可用性和擴展性，同時減少單點故障的風險。
由於其複雜性，這些系統擁有各自獨立的技術組件。因此，為了開發與佈署這些系統，數據工程師需要使用叢集管理技術或工具，如Kubernetes、Databricks，或者自行建立Hadoop叢集等。此外，還有許多開源技術可供利用。
Kubernetes 也稱為 K8s，是一個熱門的分散式系統開發和支撐平台(Source: DevOps Mojo)
七、數據處理
數據處理是指使用程式語言來轉換數據的過程，這包括清理數據以及驗證數據的準確性。在進行數據處理時，通常會使用各種工具和框架，具體選擇取決於任務的性質和規模。
以下是一些常用的數據處理工具和框架：
Pandas：Pandas是一個好用的Python套件，常被用於處理和分析數據。它提供了豐富的數據結構和函數，適合用於數據轉換和清理。
SQL：（沒錯，又是它）由於多數數據倉庫支持SQL語言，因此SQL是一個常用的工具，用於執行數據轉換操作，尤其適用於處理結構化數據。
Spark：Apache Spark是一個用於大數據處理的強大框架，它提供了分佈式數據處理和分析計算。Spark通常用於處理大規模數據轉換操作，性能高且具有可擴展性。
Spark Streaming：Spark Streaming是Spark的一個模塊，用於處理流式數據。它可以實時處理數據流，非常適合需要即時分析的應用。
Spark是常用於處理大數據的強大框架(Source: Data Mechanics)
八、機器學習 Machine Learning
機器學習（Machine Learning）是一種人工智慧（AI）的子領域，它教導電腦如何從數據中學習，以自動改進和做出決策，而不需要明確的程式指令。機器學習可以應用於多個領域，如圖像辨識、語音識別、自然語言處理、醫療診斷、金融預測以及自駕車技術等。
人工智慧、機器學習、深度學習都是資料科學中的熱門領域
對於數據工程師來說，了解機器學習的不同類型，包括監督學習、非監督學習和增強學習，以及相關的模型(如邏輯回歸、決策樹、K-最近鄰算法等)很重要。他們需要知道何時應該使用哪種模型，並學會處理數據、調整模型參數，以及評估模型的預測準確性。
操作機器學習的平台有Vertex AI、Kubeflow等，這些平台可以協助數據工程師輕鬆部署模型，並構建更準確的工作流程，幫助數據科學家做出更精確的決策。
Vertex AI 是Google Cloud上的一個機器學習平台
此外，還有一些集成平台可讓數據工程師將工作流程整合到一個地方，如AWS Sagemaker、Databricks和Hugging Face等。這些平台通過共用的應用程式接口和圖形界面，使應用軟體功能不受特定硬體、作業系統、網路協議或資料庫管理系統的限制。
AWS Sagemaker也是不少人的ML開發選擇(Source: AWS)
九、作業編排管理
編排（orchestration）是一種用於管理和協調組織各種任務和工作流程的方法。它幫助我們確保工作按照預定的順序執行，以達到我們的目標。
最佳的編排工具之一是Airflow。它使用基於Python的有向無環圖（DAG）來記錄工作流程，讓您可以清楚地定義和規劃工作。Airflow特別適用於複雜的工作流程，並且在大數據和數據工程領域中廣泛使用。
其他工具包含Luigi、Nifi和Jenkins。每個工具都有其獨特的特點和使用場景，可以根據你的項目需求來選擇適合的編排工具，可以幫助數據工程師自動化和管理各種任務，提高工作效率。
Airflow是開發時常用的工作流程管理工具(Source: Airflow)
十、前端與儀表板
前端和儀表板（dashboard）是用來展示數據結果和互動的工具。它們讓我們能夠以圖表、圖像和表格的形式呈現數據，並讓用戶與數據進行互動。
舉例來說，Jupyter Notebook 是一種常用的工具，它可以幫助數據科學家和分析師在筆記本中直接進行數據分析並建立視覺化圖表。
Jupyter Notebook是好用的互動式開發工具，是許多資料科學工作者選擇
此外，儀表板或所謂BI工具如 PowerBI 和 Tableau，以及 Python 套件如Dash 和 Gradio，也被廣泛使用。這些工具允許我們建立互動性強的儀表板，讓用戶輕鬆探索數據，查看不同的視覺化結果，並根據需求進行操作。
Tableau是業界常用的商業智慧(Business Intelligence)工具，建立企業數據儀表板
十一、後端框架
後端框架與軟體工程有關，它們有助於構建網站和應用程序的後端部分。舉例來說，如果您想建立一個網站或應用，可能需要一個後端框架來處理用戶發出的請求、管理資料庫，以及提供信息給前端顯示。
基於 Python 的後端框架包含 Flask、Django 和 FastAPI 等。Flask 是一個輕量級的框架、Django則提供了更多的內置功能、FastAPI 則專注於建立API。
除了這些，還有一些雲端技術可供使用，例如G oogle Cloud Platform（GCP）的 Vertex AI API 和 AutoML APIs，這些技術可以用於模型部署和機器學習應用。
Flask 是一個 Python 網頁應用程式框架，因輕量靈活而受許多開發者喜愛
十二、自動化與部署
自動化和部署是指使用不同的工具和技術，來讓程式碼的建立和執行過程更加自動化和簡化，有助於提高效率、降低錯誤，並讓應用程式更容易管理和維護。
這個過程包括以下幾個主要方面：
基礎設施即程式碼（Infrastructure as Code）：這是使用工具如Terraform、Ansible和Shell指令來管理和配置伺服器和基礎設施的過程。這些工具可讓你將基礎設施視為程式碼來處理，使其更易管理和自動化。
持續集成/持續部署（CI/CD）：指透過GitHub Actions和Jenkins等工具來自動化程式碼的測試、集成、部署和交付的過程。有助於確保程式碼的品質，並使新功能能夠快速部署到生產環境。
容器化：即使用Docker和Docker Compose等工具，將應用程式和其相關的依賴項打包成容器的過程，可使應用程式在不同環境中更容易部署和執行。
Docker工作流程示意
想當數據工程師，如何培養能力？
在學生可以學習統計、資工、資料科學等科系的課程，或是透過相關實習或競賽來摸索對此領域的興趣。此外，網路上有許多付費課程、YouTube上的免費資源，也可以在kaggle、LnData等平台取得更多練習與交流機會、相關知識、技巧或資源！
要記得，這些相關技術日新月異，即使是正在工作中的數據工程師也必須時時學習與了解最新技術。相對的，正因為技術不停在改變，你也不需要強求把上面所有技能練到精通，而是掌握重要的基本概念與保持開放的學習態度。
數據工程師可以為企業做什麼？
數據工程師日常就是與數據打交道，主要包含收集、讀取、清理，探勘與管理企業的資料，以抓取符合企業分析需求的數據。這些數據則能進一步透過機器學習、演算法，產生更有價值的結果或應用方式，幫助企業做出更好的決策、優化業務流程，例如降低成本、提高獲益、優化產品、留住熟客及開發新客群。因此，數據工程師對於企業的重要性不言而喻。
然而，企業想挖掘數據最大價值，並不能只靠數據工程師。一個完整的數據團隊，通常包含數據工程師、數據科學家、數據分析師三種角色，各司其職、專業分工。他們在日常工作流程中扮演各自的角色，互相協作，完成各種不同的專案——這也是為何我們最後要強調，除了技術以外，溝通與協作等軟技能也非常重要！
（原文標題：2023 年想成為數據工程師的 12 項必備技能）
[joblist_plugin title='推薦【數據／資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?ro=0&keyword=%E6%95%B8%E6%93%9A%E5%B7%A5%E7%A8%8B%E5%B8%AB&expansionType=area,spec,com,job,wf,wktm&jobsource=blogc&langFlag=0&langStatus=0&recommendJob=1&hotJob=0' amount='3']
【數據／資料工程師】職場常見證照整理：
序號證照證照介紹發照單位1DP-203 Azure資料工程師技術師身為此認證的應試者，您應該具備主題專業知識，能夠將各種結構化、非結構化和串流資料系統中的資料，整合...＜詳情＞Microsoft2Google專業資料工程師認證專業資料工程師透過收集、轉換和發布資料來實現以資料所驅動的決策。資料工程師應該能夠設計、建置、操作...＜詳情＞Google3SSE 大數據國際認證隨著有關大數據的程式語言、運算平台、基礎理論，以及虛擬化、容器化的技術成熟...＜詳情＞Silicon Stone Education4AWS認證的數據庫-專業級認證報考資格：1.接觸資料庫技術至少 5 年、2.實際使用 AWS 至少 2 年...＜詳情＞Amazon Web Services5台灣風險數據分析師除了相關法遵外，應具備在風險數據分析、質量方法運用、風險預測建模等高階專業...＜詳情＞社團法人台灣風險管理協會更多數據相關證照＜前往＞
【數據／資料工程師】職場再進修課程推薦：
課程名稱課程介紹【真人直播】零基礎Python數據分析與即時看板實作在這堂課程中，我們將帶你從學習基礎 Python 出發，了解各種常見資料檔案格式與編碼，透過 Python 進行資料表單或檔案的自動化彙整與分析...＜課程介紹＞GA4+GTM網站數據分析實戰課專業的教學設計，以第一線網站數據分析工作者角度，剖析 GA4 四大要領，從觀念的理解到上手實作，提升你的數據分析能力。…＜課程介紹＞成為數據分析師的第一把鑰匙：用Python實作三個資料分析專案以非工科生成功轉為數據分析師的經驗、第一線職場實戰角度出發，來設計這門課程，適合零基礎、初入門、想轉職作數據分析師的你!…＜課程介紹＞零基礎成為Python金融數據分析師｜金融資訊爬蟲X視覺化應用課程單元從 Python 程式基礎開始，包含變數、資料型態、流程控制、函式、例外處理等 金融主題的網路爬蟲程式教學，製作Python爬蟲工具…＜課程介紹＞更多數據相關課程＜前往＞
有任何收穫或想分享的，都來和大家一起聊聊吧！