[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-2026-data-science-jobs-new-grads-zh":3,"article-related-2026-data-science-jobs-new-grads-zh":25,"series-tools-b53a13f4-234a-4798-8805-c71d070a31bd":75},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":22,"created_at":23,"published_at":24,"topic_cluster_id":11},"b53a13f4-234a-4798-8805-c71d070a31bd","2026-data-science-jobs-new-grads-zh","2026 新鮮人資料科學職缺清單","\u003Cp>2026 年找資料科學工作，速度很重要。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzapplyjobs\u002FNew-Grad-Data-Science-Jobs-2026\" target=\"_blank\" rel=\"noopener\">zapplyjobs\u002FNew-Grad-Data-Science-Jobs-2026\u003C\u002Fa> 這個 GitHub repo，現在收了 220 個職缺，分散在 94 家公司。每 15 分鐘更新一次，這種頻率比很多公司職缺頁面還實在。\u003C\u002Fp>\u003Cp>更有意思的是，這不是亂槍打鳥的職缺牆。裡面有 89 個標成 Data Scientist。還混了 analytics engineering、ML research、quant 相關工作，甚至實習。講白了，這是給新鮮人看的活資料，不是漂亮但過期的宣傳頁。\u003C\u002Fp>\u003Cp>對台灣剛畢業、想投美國資料科學或機器學習職缺的人來說，這種清單很有用。你不用每天手動翻 20 個公司網站。你只要盯住一個地方，就能先看出市場在找什麼人。\u003C\u002Fp>\u003Ch2>這個 GitHub 板子到底在說什麼\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzapplyjobs\u002FNew-Grad-Data-Science-Jobs-2026\" target=\"_blank\" rel=\"noopener\">New-Grad-Data-Science-Jobs-2026\u003C\u002Fa> 的定位很直接。它就是給想進 data science、machine learning、analytics 的新鮮人用。README 寫得很白，資料會即時更新，badge 還標每 15 分鐘刷新一次。說真的，職缺常常一天內就關掉，這種更新速度很重要。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775632382951-49co.png\" alt=\"2026 新鮮人資料科學職缺清單\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這個 repo 的範圍也比標題大。你會看到像 \u003Ca href=\"https:\u002F\u002Fwww.chanzuckerberg.com\u002Fbiohub\" target=\"_blank\" rel=\"noopener\">Chan Zuckerberg Biohub\u003C\u002Fa> 這種偏研究的職缺，也有 \u003Ca href=\"https:\u002F\u002Fwww.ibotta.com\" target=\"_blank\" rel=\"noopener\">Ibotta\u003C\u002Fa> 的產品與特徵工程工作。再往下看，還有 \u003Ca href=\"https:\u002F\u002Fwww.visa.com\" target=\"_blank\" rel=\"noopener\">Visa\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.lowes.com\" target=\"_blank\" rel=\"noopener\">Lowe's\u003C\u002Fa> 這類大型企業的入門職缺。這代表市場不是只要會喊 AI 的人，而是要能做分析、做模型、做營運的人。\u003C\u002Fp>\u003Cp>如果你是新鮮人，這種分類很重要。因為資料科學不是單一職涯。有人走商業分析，有人走實驗設計，有人走 ML pi\u003Ca href=\"\u002Fnews\u002Fopenclaw-memory-retrieval-system-zh\">pe\u003C\u002Fa>line。你如果只看職稱，很容易誤判自己該投哪一類。\u003C\u002Fp>\u003Cul>\u003Cli>總職缺數：220\u003C\u002Fli>\u003Cli>涵蓋公司數：94 家\u003C\u002Fli>\u003Cli>Data Scientist 標籤：89 個\u003C\u002Fli>\u003Cli>更新頻率：每 15 分鐘\u003C\u002Fli>\u003Cli>多家公司有多個職缺，像 Visa、Thermo Fisher Scientific、Booz Allen Hamilton\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>職缺分布很雜，但這正是重點\u003C\u002Fh2>\u003Cp>這份清單最有價值的地方，就是它不單調。你會看到研究導向的職缺，也會看到偏應用的工作。像 \u003Ca href=\"https:\u002F\u002Fwww.netflix.com\" target=\"_blank\" rel=\"noopener\">Netflix\u003C\u002Fa> 有 Machine Learning Scientist 5，主題是 ad ranking。\u003Ca href=\"https:\u002F\u002Fwww.toyota-research-institute.com\" target=\"_blank\" rel=\"noopener\">Toyota Research Institute\u003C\u002Fa> 則在找 robotics 和 adaptation 相關人才。\u003C\u002Fp>\u003Cp>另一邊，\u003Ca href=\"https:\u002F\u002Fwww.adobe.com\" target=\"_blank\" rel=\"noopener\">Adobe\u003C\u002Fa> 開出 Data Science Engineer。\u003Ca href=\"https:\u002F\u002Fwww.appliedmaterials.com\" target=\"_blank\" rel=\"noopener\">Applied Materials\u003C\u002Fa> 則找聚焦 Agentic AI 與 ML 的 Data Scientist。這些職缺差很多。前者偏研究深度，後者偏產品落地。你如果沒看清楚，很容易把自己投錯池。\u003C\u002Fp>\u003Cp>我覺得這份 repo 最誠實的地方，就是它直接把市場切開。你有 SQL、Python、dashboard skills，適合先看 analytics 類。你如果數學、實驗設計、模型評估比較強，就去看 research 或 ML 類。不要幻想一份履歷打天下，那通常只會浪費時間。\u003C\u002Fp>\u003Cblockquote>“You don't need to be a genius, you need to be disciplined.” — Andrew Ng\u003C\u002Fblockquote>\u003Cp>這句話來自 \u003Ca href=\"https:\u002F\u002Fwww.andrewng.org\" target=\"_blank\" rel=\"noopener\">Andrew Ng\u003C\u002Fa>。我覺得很適合這種職缺板。因為新鮮人最缺的，常常不是天份，而是持續投遞、持續修履歷、持續做作品集。\u003C\u002Fp>\u003Cp>這也是這個 repo 的現實意義。它不是叫你幻想自己會突然變強。它是在提醒你，機會會消失得很快。你得每天追，還要追得夠準。\u003C\u002Fp>\u003Ch2>跟一般求職網站比，差在哪裡\u003C\u002Fh2>\u003Cp>一般求職網站很大，但也很吵。你搜 data science，可能跳出一堆不相關職缺。你搜 machine learning，又可能混進一堆資深職位。對新鮮人來說，這種雜訊很傷，因為你根本不知道該先看哪個。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775632378827-i76x.png\" alt=\"2026 新鮮人資料科學職缺清單\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這個 GitHub 板子比較窄，但更好用。它把焦點鎖在新鮮人、資料科學、ML、分析這幾類。你一打開，就知道自己有沒有機會。這比在大平台上亂滑，效率高很多。\u003C\u002Fp>\u003Cp>再來，更新速度也很有差。很多職缺頁面一天只更新一次，甚至更慢。這個 repo 是 15 分鐘刷新。對熱門職缺來說，這差距很大。早一點看到，早一點投，至少不會在名額快滿時才反應。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzapplyjobs\u002FNew-Grad-Data-Science-Jobs-2026\" target=\"_blank\" rel=\"noopener\">GitHub repo\u003C\u002Fa>：220 個職缺，94 家公司，15 分鐘更新\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.linkedin.com\u002Fjobs\u002F\" target=\"_blank\" rel=\"noopener\">LinkedIn Jobs\u003C\u002Fa>：職缺多，但雜訊也多\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fjobs.lever.co\" target=\"_blank\" rel=\"noopener\">Lever\u003C\u002Fa>：很多公司用的 ATS 系統\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fboards.greenhouse.io\" target=\"_blank\" rel=\"noopener\">Greenhouse\u003C\u002Fa>：另一個常見 ATS，repo 其實是在抓這些公開職缺\u003C\u002Fli>\u003Cli>不少職缺是幾小時內上架，不是幾週前的舊資料\u003C\u002Fli>\u003C\u002Ful>\u003Cp>repo 下面還有 Ch\u003Ca href=\"\u002Fnews\u002Fprompt-to-harness-ai-engineering-shift-zh\">rom\u003C\u002Fa>e extension 和 a\u003Ca href=\"\u002Fnews\u002Fapple-50-how-it-can-still-win-in-ai-zh\">ppl\u003C\u002Fa>ication tracking 工具。這點我很認同。找工作最煩的不是投一份，而是投 30 份後還記得自己投了什麼。履歷版本、推薦人、面試進度，全部都會亂掉。\u003C\u002Fp>\u003Ch2>2026 新鮮人該怎麼用這份清單\u003C\u002Fh2>\u003Cp>如果你是 2026 年畢業，這份清單可以直接當每日工作表。先看有哪些公司在招人，再把職缺分成三組：可直接投、需要改履歷才投、暫時先觀察。這樣比看到就亂投有效多了。\u003C\u002Fp>\u003Cp>我會建議你先鎖定 10 到 15 家公司。像 \u003Ca href=\"https:\u002F\u002Fwww.visa.com\" target=\"_blank\" rel=\"noopener\">Visa\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.thermofisher.com\" target=\"_blank\" rel=\"noopener\">Thermo Fisher Scientific\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.boozallen.com\" target=\"_blank\" rel=\"noopener\">Booz Allen Hamilton\u003C\u002Fa> 這類公司，如果持續出現新鮮人職缺，就代表它們真的有 junior pipeline。這種訊號比廣告文案可靠多了。\u003C\u002Fp>\u003Cp>你也可以反過來看趨勢。哪些職缺一直出現？哪些技能一直被寫進 JD？如果你看到 Python、SQL、A\u002FB testing、LLM、feature engineering 反覆出現，那就是市場在告訴你該補什麼。不要等到面試才發現自己少一塊。\u003C\u002Fp>\u003Ch2>這背後其實是求職工具在變形\u003C\u002Fh2>\u003Cp>以前找工作像翻黃頁。現在比較像在看即時資料流。這種工具會成功，不是因為它花俏，而是因為它省時間。對開發者和資料人來說，這很合理。你本來就習慣用 API、filter、automation 來處理資料。\u003C\u002Fp>\u003Cp>我覺得 2026 年的新鮮人會更依賴這種 live board。原因很簡單。公司招人速度快，職缺消失也快。你如果還用一週一次的節奏在找，基本上就是慢半拍。\u003C\u002Fp>\u003Cp>所以我的建議很直接。把這份 repo 加進書籤，每天看一次。把符合條件的職缺丟進表格。看到新職缺，當天就投。你不用很神，你只要夠快、夠穩、夠有紀律，就已經贏過很多人了。\u003C\u002Fp>\u003Ch2>結語：把速度當成求職技能\u003C\u002Fh2>\u003Cp>這份 GitHub 職缺板最實際的地方，就是它把「找工作」變成一個可追蹤的流程。220 個職缺、94 家公司、15 分鐘更新，這些數字都在提醒你一件事：市場一直在動。\u003C\u002Fp>\u003Cp>如果你是台灣的新鮮人，下一步不是多看幾篇求職雞湯，而是建立自己的追蹤表。你可以先從 20 個職缺開始，每天固定更新。兩週後，你會比只靠 LinkedIn 搜尋的人更清楚市場長什麼樣。\u003C\u002Fp>\u003Cp>我猜 2026 年資料科學求職會更吃「反應速度 + 基本功」。你覺得呢？如果你想進這條路，先把這種 live board 用起來，會比空等職缺來敲門有效得多。\u003C\u002Fp>","GitHub 上有個 2026 新鮮人資料科學職缺板，收錄 220 個入門職缺、94 家公司，每 15 分鐘更新一次。","github.com","https:\u002F\u002Fgithub.com\u002Fzapplyjobs\u002FNew-Grad-Data-Science-Jobs-2026",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775632382951-49co.png","tools","zh","21fb1c2d-7fe1-489a-8d97-d68b0088e156",[17,18,19,20,21],"資料科學","新鮮人求職","機器學習","GitHub 職缺板","2026 求職",5,"2026-04-08T07:12:34.874127+00:00","2026-04-08T07:12:34.585+00:00",{"tags":26,"relatedLang":34,"relatedPosts":38},[27,28,30,32,33],{"name":19,"slug":19},{"name":20,"slug":29},"github-職缺板",{"name":21,"slug":31},"2026-求職",{"name":17,"slug":17},{"name":18,"slug":18},{"id":15,"slug":35,"title":36,"language":37},"2026-data-science-jobs-new-grads-en","2026 Data Science Jobs for New Grads","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"d3ec03a8-a805-4a21-9826-72a74a72b625","databricks-model-serving-llm-deploy-guide-zh","Databricks Model Serving 讓 LLM 部署變簡單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525998117-7ur8.png","2026-06-03T22:32:51.005996+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"4dd225a8-bf6c-4768-a486-a27956c7033d","opencode-digitalocean-model-freedom-zh","OpenCode+DigitalOcean 讓你切換模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525116428-1q7g.png","2026-06-03T22:18:06.969758+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"4bdcf208-fb80-484e-b4b6-06af035a6df1","modulate-aws-voice-chats-into-signals-zh","Modulate 用 AWS 把語音聊天做成訊號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780519733892-rxue.png","2026-06-03T20:48:22.697917+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"f44a28d3-2305-43de-b5fa-21217d561054","amazon-rekognition-content-moderation-filter-zh","Amazon Rekognition把審核變成過濾器","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780517005409-bxfc.png","2026-06-03T20:02:57.634353+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"80f6f40b-3217-45e4-acff-7b2f6d261779","codex-workspace-limits-tell-you-why-zh","Codex 讓工作區限額錯誤說人話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780514293711-ltqa.png","2026-06-03T19:17:41.340056+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"daa3d568-4bc5-4f29-aa64-225928ace9b4","book-2-turns-sneaker-drop-into-merch-zh","Book 2 把球鞋發售變成周邊系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780513400116-8jeh.png","2026-06-03T19:02:49.03795+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":82,"slug":83,"title":84,"created_at":85},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]