系统的学习Data & Analytics

Pippa

hxsh2000 发表于 2021-3-19 14:28
你提到的这个问题，我觉得很值得探讨一番。

举一个不一定特别关联的例子：在网上购物平台刚刚流行起来的 ...

我觉得我跟你的角度很不一样。一开始以为是从个人职业发展方向谈的，现在看你的重心好像是ICT部门的数据集中化运作。我不是搞It的，但工作中需要对公司重大It项目前期、期中以及期后进行审查评估。所以大家看到的东西很不同哦。

hxsh2000

Pippa 发表于 2021-3-19 15:50
我觉得我跟你的角度很不一样。一开始以为是从个人职业发展方向谈的，现在看你的重心好像是ICT部门的数据 ...

我的职业的发展，就是打算把整个流程都放在我的团队里来实施，并最优化这个流程。ICT的数据开发只是一方面，却不仅仅ICT的方面，也有如何Manage stakeholder exceptions，如何让Business配合，Guide业务和数据部门并连接的更好。

我的下下一步打算去学edX上面UC Berkley的一个系列课程，叫Data Analysis for Marketing and Segmentation。也是非常好的可以应用到工作中并提升数据分析对于销售和市场的贡献。

我应该渐渐的会成为了你说的那个懂业务，懂数据的人了吧：）非常有可能由于我能够掌握这些技能，于是我就不太需要这一方面的人才的贡献，而需要各个方面的专才来做事情了。

祝一切都好哈

Pippa

hxsh2000 发表于 2021-3-19 16:19
我的职业的发展，就是打算把整个流程都放在我的团队里来实施，并最优化这个流程。ICT的数据开发只是一方 ...

不是泼冷水，我觉得没有任何人，除非小作坊，能对整个公司的业务理解都达到了如指掌的境界。subject matter experts 是肯定需要的。你的方向更向是data architect。其实也很好啦，有这项技能跳槽转工都不愁了

hxsh2000

Pippa 发表于 2021-3-19 16:26
不是泼冷水，我觉得没有任何人，除非小作坊，能对整个公司的业务理解都达到了如指掌的境界。subject matt ...

这到不至于，如果连不是这个领域的朋友给的View就被泼冷水，我还怎么说服那些这个领域里面的，我的上级还有下级。

hxsh2000

Data and Analytics，Bayesian利用规律来分析和显示不确定性。

《Bayesian Statistics and Marketing》作者Peter E. Rossi, Greg M. Allenby：使用Bayesian Modelling和Bayesian Inference

hxsh2000

三千年的蜘蛛 发表于 2021-3-19 14:30
你怎么有 75% off？ 网上只有15%

两周前开始的75% Off，Promotion应该刚刚过期了。过一阵子应该有50%，感觉这个挺常见的。75%有时候刚好赶上了会有，这个得等等，机会不多。

现在Udacity把one on one tutor这块给取消了，所以更像是网上课程，虽然有问题可以在上面的online forum问，回答也很及时。但和以前有提供one on one tutor weekly catch up的时候相比，全额费用收那么贵，觉得不合适的。

mightyview

谢谢楼主分享。经常听到人提贝叶斯，楼主觉得贝叶斯有用吗

jack3881

好贴！Mark一下。

hxsh2000

对于Report & Analytics的领域，从提出数据分析要求，到结果甚至上线，整个开发过程很多时候都是：
1. Business Owner提出想法和需求分析要求
2. Business Owner把Mandate交代给Business SME，负责实施和执行（这里其实Business SME就继承了Business Owner的权利框架）
3. Business SME具体化需求，并和技术部门或者人员协调好实施
4. 技术部门或者人员根据Business SME的沟通，得到Business Requirement Definition，确定需求的细节，并开始开发和持续的沟通以完成任务。
5. 技术部门或者人员内部互相协调需要完成的具体任务，比如ETL，Pipeline， Data Cleansing，Analysis Modelling，还有Data Visualisation
6. 开发完成，技术部门或者人员和Business SME沟通并且测试和签收，上线
7. Business SME和Business Owner汇报并确定任务完成

在实际的工作中，对于Business SME能够代表Business Owner提供需求，管理和协调开发过程，和执行效率，我都有着很大的疑问。
1. 由于在公司层级里和职位的限制，Business SME其实很难理解Business Owner的真正的需求的。很多时候，Business Owner是根据更高层级的需求，做出Strategic Requirement的分析要求。然而经常性的，Business SME把握不到背后那些最重要的Strategic Requirement的信息（受职位，信息，经验的影响），做出来的Business Requirement Definition更偏向于适合Business SME或者就是再上一层的需求而已，所以往往做出来的结果和Business Owner的初衷差别很大
2. Business SME作为Subject Matter Expert，对细节的把握和理解的能力都是很强的。以此优势相应对的就是，对于数据分析和需求的方方面面，很多时候会需要远超过所需的信息，这个过程中降低了各方面的效率。
3. Business SME具备了最完善的Business部门的知识，然而对于管理，项目管理，技术方面涉猎不足，那么没有办法很好的管理这整个实施和执行的。

所以我自己在工作中建立的模式，Business SME也是核心，却仅仅是辅助类型的，Business Requirement我都是直接和Business Owner沟通和确认，然后管理整个流程的实施和执行的。

hxsh2000

mightyview 发表于 2021-3-20 03:38
谢谢楼主分享。经常听到人提贝叶斯，楼主觉得贝叶斯有用吗

在《Statistical Thinking for Data Science and Analytics》这么课的第五周课程，讲到了一个例子：Lecture: Bayesian Modeling in Practice的一个应用实例。是这么说的，在美国选举前的一个半月，通过XBOX做民调，并得到一个半月每天的结果，然后进行分析，对比最后的选举结果。由于XBOX的用户本身是non-random sampling to the general population，于是结果会存在不小的偏差。另外由于XBOX用户又有着本身的用户信息，比如年龄，性别，教育程度，党派倾向等，又能根据以往的各种倾向做出一定的预测率。于是综合了各种信息，并且不停的调整分析模型，最后得出了不同年龄时段的人，在年轻的时候（18--24岁）之间，会形成一定的投票倾向，而且有明显的根据时代或者年代的选择影响。

贝叶斯模型或者预测，是建立在统计和概率的模型分析上面的。更重要的是，由于现实生活中，分析的模型涵盖了非常多的参数，使得分析难度加大。贝叶斯模型的优势，是能够使用以前的其他分析模型或者结果（Prior Information)，通过数学模型进行很好的相关性分析，并作为最终结果的一部分。比如上面的这个分析，以前的分析数据或者结果会涵盖，XBOX用户的信息和投票倾向，甚至具体的年龄或者出生时段的分析概率，那么当使用XBOX用户投票倾向性用来预测美国选举结果的时候，贝叶斯的分析模型就可以把这些以前的其他分析结果应用到现有的概率分析模型中。

hxsh2000

Bayesian Model Insights:
* Bayesian inference is achieved (computationally) by drawing from the posterior distribution of the unknowns
* The outcome is a distribution, not a number
* You can summarise that distribution by its:
-- Posterior Mean, Median
-- Posterior Intervals (e.g. CPI, HPD)
* Interpretation of the parameters depend on:
-- The Posterior Density
-- Your model assumptions (e.g. the likelihood)

hxsh2000

edX上面沃顿商学院推出了一个三门课的系列课程《Professional Certificate in
Strategic Management》，完成了以后会有Professional Certificates，算是顶级（沃顿商学院是长期世界排名第一的商学院）是非常好的一门短期管理学的培训课程。总共费用700 AUD，非常高的性价比，对于往管理方向进取的朋友来说，很好的课程和增添简历的含金量。

三门课分别是：
Business Strategy from Wharton: Competitive Advantage
Introduction to Connected Strategy
Strategic Management Capstone

课程目标是：

* How to identify and define the competitive advantages of your business
* How to refine your strategy to maximise your competitive advantage and drive profits
* How to leverage the four connected strategies to create continuous relationships with customers
* How to move beyond traditional modes of customer interaction to create a fundamentally new business model
* How to create a portfolio of connected strategies to respond to different customer segments
* How to achieve sustainable competitive advantage in today’s business environment

hxsh2000

这周末把《Statistical Thinking for Data Science and Analytics》第五周贝叶斯模型学完了，整门课也顺利完成。

下一门课是DS102X 《Machine Learning for Data Science and Analytics》

* About this course

Machine Learning is a growing field that is used when searching the web, placing ads, credit scoring, stock trading and for many other applications.

This data science course is an introduction to machine learning and algorithms. You will develop a basic understanding of the principles of machine learning and derive practical solutions using predictive analytics. We will also examine why algorithms play an essential role in Big Data analysis.

* What you'll learn

What machine learning is and how it is related to statistics and data analysis
How machine learning uses computer algorithms to search for patterns in data
How to use data patterns to make decisions and predictions with real-world examples from healthcare involving genomics and preterm birth
How to uncover hidden themes in large collections of documents using topic modeling
How to prepare data, deal with missing data and create custom data analysis solutions for different industries
Basic and frequently used algorithmic techniques including sorting, searching, greedy algorithms and dynamic programming

三千年的蜘蛛

支持一下，加油。

hxsh2000

刚刚好两个月，完成了Udacity Data Visualisation Nanodegree》和 edX 《Statistical Thinking for Data Science and Analytics》两门课，到了一段落。学习了一百五十个小时。在这里课之前一个月，还完成了Udemy 《The Complete Tableau Bootcamp for Data Visualization》

今天新开始的两门课Udacity 《Data Analyst Nanodegree》 和 edX 《Machine Learning for Data Science and Analytics》。由于这两门课都小有要求Python基础，所以Python方面的学习，需要的话，还得看看Udemy 《the 100 Days of Code - The Complete Python Pro Bootcamp》

逐步形成了：
纯软件应用的学习，Udemy上面的找很好的Complete Bootcamp课程
然后学习整个框架和应用（相当于技校的课程），Udacity上面相应的Data Visualisation，Data Analyst，Data Engineer等课程
接着国际名校的网上课程增加含金量（大学类型的课程），edX上面的管理课程，比如Data Science for Executives，Strategic Management。

这样子，可以得到含金量高的证书；学到相关领域的整体和应用，并且真实项目的练习和经验；对具体的软件使用有很强的应用能力！

闲人看海

行业知识好像很重要。

hxsh2000

中年的时候，学习能力和热情下降，会花很多的时间在选择或者由于该学什么上，总想找到一个适合的甚至学了就有用的，既能快速学会而且不用从头开始一步一步学的。最后时间都没办法花在学的事情上面，不了了之。然而，学新知识和体系，几乎没有捷径，都是一步一个脚印，实打实的用时间堆出来的。如果学了一个东东，没有用上，那么当需要的时候，就好好的花时间学另一个东东就是了。也许在未来的某个时间点，那些学过的，花过时间得到的知识，会成为经历时间后，还留存着的技术或者方向，刚好用上。特别是在这些新兴的技术和概念上。

hxsh2000

Data Analyst Nanodegree课前知识或者补充知识：
Intro to Machine Learning：66 Hours
Matrix Math and NumPy Refresher: 1 Hour
Prerequisite: SQL: 16 Hours
Prerequisite: Python: 18 Hours
Prerequisite: Git & GitHub: 10 Hours

总算把Anaconda安装上了，算是第一步好的开始哈

hxsh2000

一些基本的算法Algorithms的概念和思考方式  (概括文章："A Few Useful Things to Know About Machine Learning" by Pedro Domingos.)

Divide and Conquer Concept
Randomisation in Algorithms for searching and sorting numbers
Scheduling
Earliest Deadline Calculation

hxsh2000

Machine Learning的前两个章节都是讲的算法还有一些应用。

Map Search (basic shortest paths & Dijkstra's Algorithm)
Stable Marriages Example and Applications

hxsh2000

新学两个算法：Hash Tables, Search Trees
Balanced Search Trees用于快速寻找，插入和删除，并且计算排序边数的数量。有效率的执行方式
Dictionaries and Hashing：实在是没看懂Hash Tables，或者是差不多知道啥意思，但计算的那些公式看的头晕。
贴两个连接的文章
Hash Tables：http://www.cs.toronto.edu/~toni/ ... ts/hashing-uiuc.pdf
Algorithms -- Hash Tables：https://cs.anu.edu.au/courses/comp3600/lec12-hashTables.pdf

hxsh2000

三个新的算法或者计算逻辑：Dynamic Programming; Linear Programming; NP-Completeness

由于数据量越来越大，使用指数型的Brute Force（蛮力）的全部运算常常无法得出结果，花费太多时间和算力。优秀和适当的Algorithms（算法）能够很好的提高运行的效率，比如把3**n的运算转化为n**3，当n非常大的时候，这种效率的提升，会成为有没有可能出结果的关键。增值的部分来自有经验的积累，一方面熟悉不同算法和这些算法的应用（熟悉数学模型和推导的话会更好），另一方面是根据实际情况和需要达到的目标，选择适合的算法，甚至有些时候需要修改/优化/结合多种算法以及应用。

Machine Learning这门课的前半部分，就都在讲算法，数据类型。从暂时学到的来讲，感觉算法这块想要熟悉和知道如何推导/优化的话，需要阅读大量相关的科研以及发表的学术文章，属于学霸类型的或者努力专研型人才的领域了。单单看那些概念和数学推导，就已经非常难了。又或者能够在工业界或者应用领域里，能够持续的接触到各种前沿的应用实例。我的感觉是，这都会是非常专业的领域。

hxsh2000

学习数据科学和机器学习，很快的就会接触到Kaggle这个网站，有着非常好的资源，可以建立起个人的介绍，参加一些简单或者高级的竞赛，获取丰厚的奖金或者取得宝贵的经验。刚刚找了一篇很有意思的介绍《Kaggle入门，看这一篇就够了》：https://zhuanlan.zhihu.com/p/25686876

突然觉得，这种概念好像是一直存在的，就是数据建模的比赛。记得二十年前在国内大学学习期间，参加了学校的高数提高班（每个班前15%有资格参加），每个周六有数学系的很牛掰的老师上课。当时不仅仅教大学标准教材里没有包含的一些高数和线性代数的模型，甚至结合起模型讲解实例如何做最优解。而在数学提高班之后，又有一门课教数学建模，到了现在还记得当时第一节课老师讲解的一个竞赛的题目，“在一个六层的医院，有两条电梯......然后让计算出最优的安装电梯的地方和逃生路线“。接着讲解的就是，如何把这些实际的表属性语言，抽象成数学的模型，设计出算法，通过编程计算出相应的最优解。而数学建模班的前三十名，会在暑假里组成五到十个队，参加美国的一个国际性数学建模竞赛。据说每年都能拿到一个金牌或者银牌，并且几个铜牌。而组队的也需要各司其职，负责建模的，负责抽象化的，负责编程和校验的。

Kaggle也提供了类似的高等的组队竞赛方式，相对于二十年前，也有了更多的人参与，对入门的参与者或者从业者也更加的友好，提供了更多的机会，非常好的现象。

二十年后的现在，高数和线性代数也几乎记不起来什么了，都还给了老师。而相对于年轻时的学习能力，要把这些知识重新捡起来，几乎不可能了。而且当时也没有那么热心的争取那些参加比赛的机会，兴趣也从不是成为学霸或者专家上面，跑去学生会拉赞助和组织活动去了。

hxsh2000

完成了《Machine Learning for Data Science and Analytics》

下一门课是DS103X 《Enabling Technologies for Data Science and Analytics: The Internet of Things》，这个课程应该还是挺有意思的，在矿业和能源业，很多时候需要安装各种联网的装置，编程以监控和控制机器和设备的运行情况，并提供预测可能出现故障的概率，对设备等进行检修。以前一个很有意思的项目就是，由于电价的变化和区段价格差别非常的大，电和能源的价格会很大的影响到矿业的生产成本，于是在各种生产设备上，加入根据电价实时的互动控制。如果实时电价过高，那么在允许和不过分影响生产的时候，会降低相应的机器的运行负载甚至暂时停止运行。然后每月进行模型和结果的评审，调整并提高运行效率。

About this course

* The Internet of Things is rapidly growing. It is predicted that more than 25 billion devices will be connected by 2020.
* In this data science course, you will learn about the major components of the Internet of Things and how data is acquired from sensors. You will also examine ways of analysing event data, sentiment analysis, facial recognition software and how data generated from devices can be used to make decisions.

What you'll learn

* Networks, protocols and basic software for the Internet of Things (IoT)
* How automated decision and control can be done with IoT technologies
* Discuss devices including sensors, low power processors, hubs/gateways and cloud computing platforms
* Learn about the relationship between data science and natural language and audio-visual content processing
* Study research projects drawn from scientific journals, online media, and novels
* Review fundamental techniques for visual feature extraction, content classification and high-dimensional indexing
* Techniques that can be applied to solve problems in web-scale image search engines, face recognition, copy detection, mobile product search, and security surveillance
* Examine data collection, processing and analysis

hxsh2000

DS103X 《Enabling Technologies for Data Science and Analytics: The Internet of Things》这门课挺有意思的，一半的课程内容都是电子和计算机系的教授讲的，内容是通信和网络协议，介绍这些主流的协议如何使得Internet of Things（物联网？）成为可能，并且解决很重要的如何大大的降低能耗这个挑战--如何使得收发信息等变得更有效率和降低能耗。

接着第四章讲的是如何建模和使用机器学习，对自然语言（包括新闻，传记，网络分享等）进行分析和翻译。核心的模型差不多能听懂，但一涉及到概率统计的建模和计算，就会非常的复杂。不是简单的高等数学能够掌握的了的。

最后的一章是Audio, Video and Image Processing，最后一门课的一章节了！

hxsh2000

完成了DS103X 《Enabling Technologies for Data Science and Analytics: The Internet of Things》，两周学了两门课，效率非常不错。

从二月开始的Columbia University 《Data Science for Executives》学完，是非常好的概念性和总结性的教学，学完能够对整个学术和产业的发展，进程和未来趋势有了很好的了解。唯一的可提高的，就是大学里学术性的课程，一般都比较稳定，另一方面就是网上课程没有及时更新，接触都的有几年的滞后。有了这个课程的基础，实际上也就有了能力，自己也开始积累和寻找这些方面最新的发展趋势的。

拿到第一个Data & Analytics比较正式的Professional Certificate，值得庆贺一下哈！

hxsh2000

这几周来，逐渐的建立起了一套开发和沟通的流程，也把整个流程，从终端用户提需求开始，到标准化拿到需求的要点，做Benefit-cost-risk analysis，再到开发优先级别，开发计划的实施，测试和签收，初步搭起了标准化的架构。顺利的把落在外面的由Business Owner & Business SME提需求和批复上线的权利，慢慢的收了回来。通过多方面的沟通，说服了整个链条上的key stakeholders，在关键的决策上，都需要我的组的签字。

有了这个权限，可以继续接下来的计划了。一方面继续深化整个标准化的流程，完善SOP和文档，集中化data dictionary和统一管理以实现整个部门汇报的统一性。另一方面，开始计划建立起整个Data Governance的体系，规范化整个流程和数据使用权限，建立起持续可发展的趋势。长远的目标，逐步培养整个business部门认识可供使用的数据，如何利用数据做有价值的分析，能够如何利用新技术做何种分析的文化。

就是如何培养整个技能和链条上的参与者，有意识的，更好的协同和共同完成以下的目标。

-我们需要什么(Business Value)
-如何把Business Strategy分解成能理解的各个部门的目标
-如何使用数据帮忙各个部门达到目标
-我们有什么数据
-这些数据能进行什么分析
-如果没有相关数据或者缺少什么，如何得到
最后把上面的这些联系在一起。

hxsh2000

挺有意思的一个话题，想起来了《肖申克的救赎》中不停提到的“体制化(Institutional)"，其实在大公司中（半垄断的，非充分竞争的大公司），也都一直的存在着。体制化影响的，是那些在体制化的环境中，待了很久很久的时间，已经非常或者只能适应这个环境，并且熟练的利用这个已有的环境，得到不少好处或者利益的人们。这里指的是，待得很久并且习惯了舒适区；熟练的利用体制化的环境并获得利益，意思说不是那种基层的人员了。

在两个澳洲算是非常体制化的公司里待过，由于这些公司处于各方面的顶端，包括福利，工作和生活方式等，都使得进去了以后，除非外面有特别好的机会，要不非常难以离开这个环境了的。于是在这里面的人们，一旦到了经理级别甚至以上的时候，由于往上的机会变得稀少，很多人会在这些职位上面，一待就超过五年，十年甚至几十年。体制化把这些人固化在了某个公司和职位上，由于人的惰性也很难舍弃这些已得到的舒适和优越，转而去选择条件不太好而难以预测的其他机会，于是只能让自己慢慢的适应这个过程，调整状态和心态适应下来。想想看，经年累月的努力都没有成果后，还继续折腾或者努力的人还有多少呢。

上一个公司，我离开后，几年间公司进行了整个事业部门的重组，重新合并回母公司。于是原有的很多同事，很多都转成了secondment，不停的在公司里做着三个月到一年的短期项目，如果有新的，那么继续，如果没有，拿到非常好的package，然后离职。然而这些同事们，清楚的知道，出来后找不到更好的工作了，会经历比较痛苦的招工或者换公司或者行业，于是继续待在公司里面，能过一段时间算一段时间。有一个和我特别好的，是Business Analysis Manager，在这种环境中，都持续了三年了，知道这样不行，却没办法只要有新的短期任务，就先接着，拖一段时间看看。

这个就是体制化的威力，达到一定的职位后，渐渐的失去了动手甚至持续学习新知识的能力（经理甚至以上级别的，做久了很难保持着动手和学习的能力的），一切的基础都建立在熟悉这个具体化行业和公司的运作，并且懂得和深刻的理解流程和如何能更好的做事情上。而这些人，又会自动不自动的，成为维护这个体制里维护这个制度化的力量。那些不得不离开这个体制化的环境的人们，刚开始都会非常怀念这个环境的，因为短时间内，很难适应新环境的挑战。

而那些没有选择继续拖着的同事们，在经历过一段时间的折腾和适应，换过多个公司了以后，却也能在新的并且认可的环境里，找到新的生存方式和目标。虽然并不一定能够找到和原本一样好的环境，却也是在踏踏实实的，有了新的目标和工作状态的努力着。说到底，人活着就是一种状态，一种自己能够认可和符合自我价值的状态。如何选择，选择什么，都根据个人的特点和个性，会有所不同的

hxsh2000

我自己还是适合边努力边学习边交流分享的类型，一旦开始整什么大篇幅的回忆或者经验介绍，就预示着那段时间以及开始，自己有了志得意满，意气风发的节奏，有点务虚，要脱离实实在在的努力的状态了哈。在上升期，我向来是这么随时记录学习的心得和体会的。

完成了Data Science for Executives拿到Professional Certificate后，就可以专心继续Udacity 《Data Analyst Nanodegree》这个课，要不几门课同时进行，花不少时间在计划如何更有效的完成上面。一个一个来，会更有效率，衔接上也更好。

### Data Analyst Nanodegree:
Advance your programming skills and refine your ability to work with messy, complex datasets. You’ll learn to manipulate and prepare data for analysis, and create visualisations for data exploration. Finally, you’ll learn to use your data skills to tell a story with data.

* Introduction to Data Analysis
Learn the data analysis process of wrangling, exploring, analyzing, and communicating data. Work with data in Python, using libraries like NumPy and Pandas.

* Practical Statistics
Learn how to apply inferential statistics and probability to real-world scenarios, such as analyzing A/B tests and building supervised learning models.

* Data Wrangling
Learn the data wrangling process of gathering, assessing, and cleaning data. Learn to use Python to wrangle data programmatically and prepare it for analysis.

* Data Visualization with Python
Learn to apply visualization principles to the data analysis process. Explore data visually at multiple levels to find insights and create a compelling story.

先把开始课程所需的SQL和Python好好学习一下，用一个月的时间把基础知识和能力打牢靠了，才能更好的学习这门课。Udacity Nanodegree的课程都比较实战性的，要做一些比较实在的和实用性的项目，所以这个课程会花更多的时间和精力的。

hxsh2000

一本很有意思的书Harvard Business Review 《HBR Emotional Intelligence Series：Empathy》

Empathy is credited as a factor in both improved relationships and even better product development. But while it’s easy to say “just put yourself in someone else’s shoes,” the reality is that understanding the motivations and emotions of others is an elusive capability.

This book helps you understand what empathy is, why it’s important, how to surmount the hurdles that make you less empathetic—and when too much empathy is just too much.

对于很多新晋升到管理层的人们，往往信奉着自己上升或者上来的那一套，觉得那是正确的道路，无论对什么人，无论对什么事。这样既认可了这条道路，也认可了自己，这个时候的ego都会非常大的。然而，看多了不同人不同事了以后，这种坚持和认可会慢慢的放开，也会渐渐的理解其他人在不同时期，不同境遇，不同性格，所做出的选择和理由。经历多了，也会慢慢的变得谦逊，理解，也会产生同情，还有这本书说的Empathy