上一集介紹了適合考取IBM的Data Science Certificate證照的對象、內容涵蓋範圍、與學習成本，這篇將進一步拆解課程主要的進行方式，並分享個人的真實考照心得，剖析課程的優缺點，可以讓你更進一步掌握準備的方向及考照建議。
課程的進行方式有哪些？會不會有很多作業？考試會不會很難?
上課的方式蠻多元豐富，主要可分為下面5大類別：
【影片觀看】
影片多是用來講授理論知識類型的內容，雖然授課採全英文，但不論是影片內容或考題練習都有提供中文翻譯介面，所以對於英文的掌握度不會到太吃重，針對一些特別的數據分析術語，可同時搭配英文或翻譯工具使用即可。
每個影片長度大多控制在3-5分鐘內，中間雖然不時會有抽考小測驗，但即使答錯也不會影響該項的完成度，所以在閱讀上不會有太大的負擔，建議可以用加快倍速播放的方式，節省上課時間。
【閱讀素材】
在閱讀素材上，整理了各章節會使用到的名詞解釋、常用語法、流程說明、推薦書籍等資訊，屬於重點摘要版的整理內容，可以輔助學習，幫助對內容的理解。
【實作Lab】
進行程式語法的練習時，課程會以另開網頁的方式，以近似Jupyter Notebook的介面讓學員可以撰寫程式，所以在操作上是蠻便捷友善的。
如果該單元有作業需要繳交的話，也大多是直接套用Lab的練習題目及語法進行改寫即可，所以一步一步跟著指示進行操作練習是蠻重要的，可以大幅增加寫程式的手感喔!
【練習作業】
作業為課程的必要完成項目，因為繳交和評分方式比較複雜，以下搭配畫面截圖說明會更清楚：
(1) 題目說明：
會有明確指示要完成作業有哪些，跟各項目的分配分數、最低的通過分數為多少。作業採修同門課程的同學互相評分，所以還是要認真作答，如果偏離解答太多，是有可能會被評分低，導致課程不通過的喔!
(2) 作業繳交：
作業則是採截圖最後的運算答案或圖表後，以檔案上傳的方式繳交，並在最後需要附上自己的GitHub網頁，提供程式碼作為參考。
(3) 作業評分：
評分方式會由IBM提供正確解答的參考截圖在右邊，同學上傳的答案在左邊，供你可以兩邊比對進行評分，評分則有完全正確、部分正確、完全不正確可得0~滿分不等的分數。
每項作業都需要經過兩位同學的評比，最後取平均分作為該項作業的最後分數，所以並不會馬上就可以得知自己的作業分數是多少，通常會需要等到幾分鐘到幾小時的時間才會知道最後結果是否通過。
還有萬一遇到了你的同學是使用非英文作答的話，要記得選擇介面上的翻譯功能，就可以轉換成英文或中文閱讀了，不過建議最保險的做法，作答時還是使用英文作答或以中文寫完翻譯成英文後再貼上會比較好。
要注意的是，每個人除了繳交自己的作業外，也還需要批改兩份作業才算完成了整個項目喔!
【考試】
最後則是考試的部分，先說結論，考試非常多!
但不用因此覺得太害怕，因為測驗都是選擇題的方式作答，難度不會太高。雖然都有最低的通過門檻，通常都是70~80分，大概是允許錯10%左右的題數。
不過就算沒達到最低分數也可以馬上進行重考，但答錯的地方他不會提供你正確答案是什麼，所以得要自己思考過。馬上重考的次數會提供三次，如果第三次還是沒考過就會顯示一個時間倒數的項目，要過8~24小時後才可以再次重考。
我的真實心得
如果要給這堂課程評分的話，對於初學者來說，依這門課的用心程度，我會給到4.3分(滿分5分)
>>優點
課程內容的製作相當用心，由淺入深，常見的數據名詞都有詳細的說明定義和流程介紹，補充教材與資源豐富，理論和實務練習都有兼顧到。而且會與時俱進更新課程的內容，像是新增了GenAI的部分，介紹主要的GenAI模型原理及與數據分析相關的應用工具。
>>缺點
因為是面向數據小白的課程，所以內容深度僅是初階到中級的程度，例如在模型方法的介紹上，並不會介紹到所有主流會使用到的模型，也不會太深究模型的原理，比較像是一個引路者的角色，幫助建立基礎觀念，如果還想要了解更多的話還是要依靠自己去找更多的學習資源。
在實作上，也難免還是會有一些比較刁鑽的題目，對於新手來說不是太友善。例如API的串接、互動式儀表板的製作等等，這時候就可以搭配Google搜尋，參考看看別人的寫法是什麼，來幫助作業進行下去。再來就是作業得分需要仰賴兩位同學的給分，所以在評分標準上比較不是這麼客觀公平，還是會有點運氣成分在於你是否遇到了好同學。
另外，這堂課程的設計還是會偏向理論一些，缺乏了實際在工作場景上會遇到的數據問題，例如數據單位如何與其他團隊進行跨部門的合作？如何使數據分析可以於業務場景裡落地應用？如何有效展現數據分析的價值？
而這些則是在職場上，不可或缺的重要技能。
如果你是想轉職成為商業分析或數據分析的工作者，或者在職場上時常會碰到與數據分析相關議題的話，也歡迎參考我的線上數據分析課程，在內容設計上剛好都有補足上述的實務應用，可以幫助你更完整地掌握數據分析技能！
