前言:
当前兄弟们对“opt算法是否具备实用性”大约比较关怀,小伙伴们都需要了解一些“opt算法是否具备实用性”的相关资讯。那么小编也在网络上收集了一些关于“opt算法是否具备实用性””的相关资讯,希望小伙伴们能喜欢,姐妹们一起来学习一下吧!STEM 项目。
OPT 签证。
高高的收入。
很多朝阳行业抢着要。
每一句都像在向我说明:
要成为一个大数据打工人 。
这次,我们采访了在大数据岗位上工作了 2-3 年的导师,如果你对这个行业感兴趣,想知道:
一定要看下去。
01
做大数据工作的我现在怎么样了?
@EJ
哥伦比亚大学DS硕士毕业
目前在北美知名的招聘互联网公司任职
申请 DS 项目的同学,很多都来自传统工科和理科,比如物理、化学、数学、统计等专业, DS 相对 CS 来说门槛还是会低一些,这些同学在做好先修课、成绩等方面的准备后基本都可以成功转入。
如果你本科不是学计算机语言或者数据、统计相关的专业,可以到互联网上找到一些学习的渠道,学习一些基础的统计和 coding 知识,如果想要进入比较好的企业做相关工作,那么通过硕士项目学习的内容在工作中基本都是够用的。
数据类的工作范围比较广,比如数据分析、建模 、调研甚至偏向计算机框架的都有,简单点可以分为两类,像偏建模类的就比较“硬核”,对员工的编程能力有更高的要求;而像数据分析、产品类的岗位门槛就稍微低一些,更适合一些转专业、CS 背景不太强的同学。
所以收入其实也和职能挂钩,如果你选择后者,自然收入(以及工作内容和强度)会更贴近软件工程师,对计算机知识的要求也都更深入和广博,统计、AI、编程的基本概念和技能都要掌握;前者尤其在入门阶段收入会相对低一到两个档次。这两类工作对员工的能力要求也稍有差别,数据分析、产品类的岗位其实对统计、数学、编程方面的能力要求也不是很高,相对应的它会需要员工具有更强的沟通合作能力、Product sense 等等,往后升职也更多的走向 PM(项目管理)等管理岗位。
因此,如果你们在 master 期间就对发展方向有明确的构想,那么可以在选课上做好功课,某些 DS 项目允许学生选择 CS下的课程,能一定程度上满足你们对技术的追求。
还有同学们可能比较关心的数据类岗位的工作强度,这取决于所在项目组的工作内容和公司文化,我们组工作不是很忙、公司文化也没内卷,整体上强度不大,但相对来说数据类岗位比开发工程师们的工作强度要低一些。
DS 确实是个十分受欢迎的专业,很多同学希望在硕士期间转向这个方向,甚至会有文科的同学通过参与数据分析项目、补充先修课来进入到一些门槛相对较低的 DS 项目。想申请的同学越来越多,数据类岗位的人才供应也逐渐出现饱和的趋势,也就导致了公司招聘的门槛越来越高、毕业生们面临的求职压力在逐年增大。
对于想要进入这个行业的同学们,我最重要的建议是:不要因为“好就业”“火”而冲动地选择这个专业,除去就业压力的问题(如果单纯考虑就业 CS 专业需求量更大,或许更容易就业),我觉得数据类的工作还是技术性略强、需要一些兴趣才能完成,在决定要投身大数据前,先通过参加一些项目(如竞赛)了解一下这个专业到底都在做什么,可能对很多想转专业的同学来说才是首先要完成的。
最后分享一下我的就读体验,哥大的 DS 项目给我的感觉其实挺好的,选择的自由度比较高、课程内容难易度也适中,一些选修课还有机会接触到业界的大小牛,含金量我觉得还是不错的,不过这个项目确实人数比较多,也许是有些同学会介意这一点。
@Lance
哥伦比亚大学 DS 硕士毕业
毕业后先后在顶级投行和资管公司工作
金融公司专注的行业和数据的应用上不是很一致,就我个人来说,现在主要工作内容是投资方面的 data research,例如用一些侧面的数据去判断是否需要投资一个公司。
由于工作中要涉及到很多“奇怪”的数据,通常数据量比较大而且工作也会很复杂,所以公司会倾向于招收理工科背景例如统计、数据科学、物理、CS 的硕士或者博士。
整体上求职者的数据分析、编程的能力要够强,而金融、商业相关的知识是加分项,如果实在没有金融背景,也可以在之后的工作中逐渐积累知识和经验。
当然也会有一些对数据处理技术要求相对稍低的工作,比如商业分析、传统 equity/fixed income research,这类工作的求职压力就会比较大一些,作为国际生如果想留在美国,可能会面临更多来自 native 的竞争。
我从哥大 DS 硕士项目毕业,身边的同学去到互联网科技公司的约占一半,金融公司、咨询服务类大概各占两成,剩下的就不太具有代表性了。
就我所处的岗位来说,我觉得项目经验非常重要(当然技术能力必然也很重要),所以应届本科生或者项目经验不太多的硕士生可能比较难找到类似的数据分析工作,而且近年来各大院校也在纷纷设立数据分析、数据科学类似的项目,毕业生也越来越多,所以在我们这一行,应届求职确实是一个“坎”。
虽然毕业生越来越多,但我觉得大家无需气馁,就美国市场而言,其实公司方面对这种类型人才的需求也在不断增长,供需整体上处于一个双向动态增长的状态,只是应届生面临的“如何留下、并快速提升项目经验”的问题,还是比较棘手的。
所以我建议大家从本科开始就要抓紧每一段可以用来补充背景的机会和时间,在拿到学校 offer 后不要放纵自己,可以尽快的在校内外找到一些项目机会(实习科研之类的),海外高校也会有一些类似 RA 的机会,比如哥大会定期发布项目信息,大家可以踊跃申请参加面试。
还有,作为应届毕业生,找工作的时候建议尽量不要把目标定的太“死”,例如我身边的同事很多是一开始在咨询公司的数据分析相关岗位上(例如风险管理)积累经验,慢慢才能找到类似的工作的,在求职伊始要尽量拓展面试机会,积极增长经验,工作几年后再去选择更接近理想的职位,也会是一条比较好的路线。
02
如何申请到这些项目?
如果通过上文,你了解到这个行业,并且对它还抱有兴趣的话,我们整理了一些棕榈学员的真实申请案例,看看他们都如何申请到数据科学项目的吧。
@Skye
哥大 DS 硕士项目
本科物理专业毕业后,我不打算搞科研,所以选择投身数据分析行业。
理科背景对我的申请来说是个重要的加分项,我的本科课程对统计和计算机语言的基础课程都有所涉猎,因此想达到大部分学校要求的量化背景并不难。
但是毕竟不是相关专业出身,学习的内容会比较浅层,申请 DS 专业我会根据需求补充一些统计的高阶课程和计算机的算法课程。
课程之外,实践方面也需要补充,可以让你迅速了解这个行业,让简历更加好看,而且它可以帮助你“试错”。
@Z
宾大 DS 硕士项目
转专业申请 DS 的人挺多,我也是从一个自然科学类专业转来的。
首先,最基础的工作就是了解项目概况,尤其是先修课的要求,比如统计、微积分、线性代数等等基础课程,然后是补充学术背景,目标在比较偏理工的项目,那么可以采取科研的方式,也便于找导师写推荐信。
实践经历我觉得 2-3 段比较好,科研经历 1-2 段,最好比较深入,有成果、发论文当然最好。然后就是三维得够硬,也不能因为转专业就放下原来的课程,GRE 和语言成绩也得尽量高,如果想申请美国 TOP 30 和英国 G5,那硬件和软件两边都得做的很出色才行。
@Cynthia
Nyu DS 硕士项目
哥大生统硕士毕业后,我工作了一段时间后发现,现在人工智能、数据科学行业中蕴含的机会,所以后来选择去 NYU 读 DS 的硕士项目。
申请硕士是一个转专业最好的时机,你有足够的时间去找到一个你喜欢的专业并且为之做提升准备。申请大数据相关的专业,首要任务是修完所需的先修课,比如转 CS、DS、统计相关的专业必不可少的概率论、线性代数、微积分这些先修课,建议不仅要修完,而且成绩要好。
DS 专业对同学们的先修课背景要求比较详细明确,计算机编程基础、统计学等等先修课一定要修完,想拿证书的话 Coursera、edX 之类的大型开放式网络课程平台就是不错的选择,如果不想拿证或者想试水学习,Bilibili 是 yyds。
03
DS是转专业者的“天堂”么?
从上面的案例中可以看到,DS 作为一个新兴、热门、门槛高度适中的专业,吸引了很多想要转专业的同学的目光。
很多传统工科、理科的同学希望能更适应目前大数据时代的就业要求,会纷纷选择转申相关专业,一是部分先修课他们会在本科接触到,二是思维方式比较有连续性,这也为他们带来了很明显的优势。
但这并不意味着数据分析、数据科学专业是很容易接受转专业学生的。@EJ 老师也向我们提到,多数 DS 项目对先修课有明确要求,这是项目录取时的“硬性”指标。
但文科生就没有机会了么?也不尽然。除了可以通过参与竞赛、实习、科研补充数据处理能力,通过先修课达到背景要求,文科的同学还可以着重考虑交叉学科项目,比如乔治城大学的 Master of Science in Data Science for Public Policy(DS 和公共政策相结合的项目),可能会比较方便你把大数据技术和本科背景结合起来,申请成功的几率就更大了。
如果你对申请数据类专业感兴趣
想了解如何申请、offer案例、项目申请要求
请关注微信公众号“棕榈大道”
标签: #opt算法是否具备实用性