數學背景

我自進入數學系以來就對分析(Analysis)比較有興趣，大學時花比較多時間在這個領域，包括：Measure theory, Fourier analysis, Functional analysis, Differential equations, Dynamical systems, Probability等。其他的代數、幾何就只有跟著必修課的內容走而已，沒花甚麼額外時間念。數論、組合則是幾乎沒有認識。Computational相關的知識一直有想接觸的想法，但當時系上做這個的人不多、培養學生的方向也是純數學家的路線，加上本科其他的內容就佔了我大部分時間，實在沒有甚麼機會入門，大學時就沒有走得太深。

在大四到研究所的時期研究的領域也是其中的Fourier analysis。特別地是像Fourier restriction, Kakeya conjecture這種1970年代以後出現的跟Geometric measure theory交疊領域的問題。也因此花了些時間去多了解Geometric measure theory跟Differential geometry的知識。特別是再學一次Differential geometry的基礎知識是個很不錯的體驗，相較起在大學必修課中學的時候，這讓我有更好的架構去想其他領域甚至是非數學領域的問題。

在碩士階段我透過修課、到圖書館翻書、網路查找資料，嘗試學習Machine learning。然而我接收到的都是非常數學、理論性的知識，比如我當時第一本拿起的書一上來就在談transitive space跟Radon transform在上面的定義及這樣定會有甚麼性質。那些需要相當高的數學成熟度才能理解，實在是很難想像這樣的東西要如何連接上實際應用的問題。再來修課時學了些convex analysis跟classic machine learning的理論，但我發現就算我了解Hypothesis set, PAC bound, VC-dimension之類的理論，卻一行程式碼也寫不出來、甚麼問題也解決不了。

為什麼轉職

儘管我對純數學抱有很大的興趣跟熱誠，但仍常會有這些問題除了有趣以外到底有甚麼用的疑問。比如Fourier restriction problem在Fourier analysis中是個非常核心的猜想，它關連到非常多數學問題與猜想，有非常高的數學價值，但是它離現實中的能應用到數學的問題非常非常的遠。

研究重要的純數學問題對我來說是非常有趣，但是來我想做的工作還有段距離。我希望能做的是：

橫跨多個領域，匯集不同的專業
對世界有很大影響力，大幅的改變人們的生活
這樣的工作，要是我的數學背景對其有所幫助更好。在思考跟搜索後我打算從成為一名軟體工程師開始，Coding是我從小就想嘗試的事，並且自學的門檻相對起其他工作是比較低的，在各個領域也有廣泛的應用。

程式基礎

過去在學校的程式課學的是C/C++，偶爾也會用Python的numpy, matplotlib做些簡單的數學模擬，平時會寫Leetcode上easy, medium的題目做消遣，算對程式語言及計算機結構有點基礎的了解。對於Data structure & Algorithm(DSA)的認識不多，Computer science的知識是現在才開始接觸。