我的阿姆斯特丹大学之旅
关键词：企业沟通，信息传播，数据科学，Python，商业分析
2021到2024年间，我完成了传播学学士的学习，并且在阿姆斯特丹自由大学完成了商业分析与数据科学的辅修。
大学三年间我有一年半都在全职工作，若想了解更多关于工作的内容，请点击最下方的“教育和工作经历”标签，或点击右方的链接，查看我的经历。
2021-2023
在学习传播学的前两年，我主要掌握了不同领域的信息传播以及颜色包装等因素如何影响人们的潜意识，进而影响决策和认知。我学会了如何熟练运用SPSS进行数据清理、描述性统计分析，并通过t检验、卡方检验、方差分析等方法进行假设检验，以确定数据之间的关系和差异是否显著。此外，我还掌握了多种研究方法，如访谈（定性分析）、内容分析和定量分析。
每门课程都锻炼了我的解释能力和批判性思维，使我能够将复杂的研究结果清晰地解释给没有相关知识的人，并帮助他们理解这些结果。此外，这些课程还培养了我从不同角度看待复杂问题的能力，使我能够更加全面地进行分析和解读。
辅修：商业分析和数据科学（阿姆斯特丹自由大学，2023年9月 - 2024年2月）
我一直对数据科学非常感兴趣，通过这个辅修课程，我积累了机器学习和数据分析的实际操作经验。在此之前，我没有系统地学习过Python，并且在全职工作的同时学习，尽管如此，我还是成功地完成了课程，而该课程的通过率仅有50%。我还记得在课程开始时，教授询问我们的背景，70%的学生来自人工智能或数据科学领域，而我是唯一一个来自社会科学并且没有Python经验的学生。
通过这个辅修，我学到了以下内容：
数据科学导论： 掌握了数据科学的基本概念，包括数据收集、处理、分析和可视化。 学习了使用Python进行数据分析和模型构建，以机器学习为主，包括分类、逻辑回归、决策树和K-NN模型。 熟悉了常见的数据科学工具和库，如Pandas、NumPy、Matplotlib和Seaborn。
技术与创新的战略管理： 掌握创新类型、外部创新环境及其操作化，包括创新轨迹、标准、平台和生态系统。 学习产品开发过程和促进创新的组织条件。 深入了解Agile和Scrum工作模型，以及创新战略的发展及其在项目选择、合作和保护中的操作。
信息检索： 掌握了信息检索的基本概念和技术，包括搜索引擎的工作原理。 通过6个代码作业，深入学习了索引、搜索、排序和评估等信息检索的关键技术。 探讨了自然语言处理（NLP）和机器学习在信息检索中的应用。
计算机科学的数据结构与算法： 掌握了常见的数据结构（如数组、链表、栈、队列、树和图）及其操作。 学习了基本算法（如排序、搜索和图算法）及其复杂度分析。 基于谷歌和亚马逊等公司的面试题进行周测，发展了设计高效算法解决实际问题并优化代码性能的能力。
数据清洗： 掌握在复杂数据中找到切入点，提出有价值的问题并加以分析，并以普罗大众能够理解的方式呈现研究结果的能力。 学习了数据清洗、整合和转换的技能和工具。 了解处理结构化和非结构化数据的方法，包括缺失值处理和数据格式转换等，以便于后续的分析和建模。
毕业论文
在2024年6月，我完成了我的毕业论文，主题是“色彩的神话：低饱和度包装如何吸引你购买？”。请点击底部的“教育和工作经历”，或点击右方的链接，查阅名为“揭示淡色（低饱和度）包装对您选择苏打水的影响”的文章。