盲目跟風轉碼熱,我後悔了。

盲目跟風轉碼熱,我後悔了。

盲目跟風轉碼熱,我後悔了。

純文科出身、程式設計零基礎的 Coli 剛開始轉碼碩士生活沒多久,已經苦不堪言:

數學統計基礎遠遠不夠

別人已經在蓋樓,我卻連地基都搭不好。R 語言裡單拎一個 function 出來,我都不知道是啥!

需要在短時間內速成多種程式語言

同學大部分都具有相關本科背景,甚至已經有較高的水準。而我因為缺乏基礎,需要短時間內快速掌握 Python、R 語言、SQL、AI 等知識,甚至還要掌握 JavaScript 和 html 這些……

拼命想跟上大家的進度,卻依然很吃力

老師會預設很多知識點大家都已瞭解,因此上課的進度非常快。即便我在課前課後花了很多的時間預習和複習,這些東西依然在我腦子裡糊成一團!

盲目跟風轉碼熱,我後悔了。

真的太痛苦了,感覺上課就是聽天書,時刻擔心自己能不能畢業,並且徹底打消了畢業從事程式碼工作的想法!

其實,並不只有 Coli 一個人遇到這樣的困境。

在倖存者偏差的作用下,我們總是看到轉碼成功人士的勵志故事。

但在轉碼的大熱潮之下,很多不瞭解、甚至不喜歡、不擅長這個方向的人,也選擇跨領域去學習 Computer Science、Data Science、Business Analytics 等專業。

且不說純文科背景在數理基礎上就遭遇難題,生化環材想要轉碼也同樣存在巨大的跨度。

包裝一下經歷和文書拿到了 offer,讀起來吃力

,真是誰難受誰知道_(:з」∠)_

盲目跟風轉碼熱,我後悔了。

Business Analytics

(偏 Business 類,通常開在商學院下)

常見分支:

Customer Analytics, Healthcare Analytics, Supply Chain Analytics, Financial Technology Analytics, Marketing Analytics

參考院校

:UT Austin, Rochester, MSU, GWU

BA 專業核心是資料探勘和資料分析

,與現在的網際網路及大資料(Big Data)相聯合,主要是利用高深的技術、模型和演算法進行資料探勘和商業分析。

主要是由 MS in Statistics 下的 Applied Statistics 分支發展進化而來

,其理論基礎是統計學,也包含了 Data Mining 和 Regression Model 的運用。

總課時數大約

12-16 門課

1-2 門 leadership/project management,還有 7-8 門是資料分析相關的核心課:

• 一門結合程式語言的統計課

會涉及 Python、R、SAS 三種語言中的一或兩種。

• 提供一門入門的程式設計課

為背景不夠強的學生開設。

• Database Management

主要用到的語言是 SQL,有些學校也學 MS Access,學習資料錄入、抓取、filter、排版、獲取均值最大值。

• Data Mining

在統計和程式語言學習之後,針對不同的資料型別分類、預測(這是兩種最常見的分析手段)。兩種分析手段下有不同的模型,結合不同的資料應用不同的模型。

• 機器學習/高階資料探勘

基於資料探勘,但是學到的模型更加複雜一些。針對的資料多樣性更多,資料量更大,資料本身的計算方式更加複雜,對資料要求更高。

• 時間序列

內容包括 Arima,預測時間序列,應用在金融、天氣氣候的資料。

• 更高階、predictive 的 model

時間序列中有 distribution,結合 data mining,有專門的 predictive analytics 的課程。

• Optimization 模型的最最佳化

涉及隨機過程,包括 Stochastic Process。Optimization 中有不同的方式,不同的模型有 ES 不同的最優解。

統計學相關先修課:

Calculus I and II

Linear Algebra

Statistics

Probability

Econometric

Tools:

SAS, Stata, MatLab, R, S-Plus, Mathematica。 Python, etc。

學校希望你

具有一定程式設計基礎,會用一些資料處理軟體

,但相對 CS 或 DS 來說要求是低的,不必熟練掌握 programming;甚至很多學校的 BA 專案十分包容,即便沒有程式設計或資料處理軟體的相關知識,

讓學校看到你的學習能力也是可以的。

Business Analytics

(偏 Tech 類,通常開在工程學院或資訊學院下)

常見分支:

Analytics on the Cloud, Algorithms and Data Analysis, Systems Analysis and Design, Machine Learning

參考院校:

Northwestern(工程學院),CMU(資訊學院)

設定在工程學院或資訊學院下的 BA 專案相對偏 tech,更貼近 Data Science 方向,

對數學背景和計算機背景要求都很高。

BA 專案的核心課程大同小異,但選修課卻各具特色:BA 是跨學科的專業,師資來源於不同部門,因此

選修課往往依賴於商學院或者學校本身的強勢學科。

例如 CMU 的 CS 方向很強,選修課就主要以 CS 和 Stat 為主,例如 neuro network, natural language processing, information security,側重在 analytics 和 tech,更有技術含量。

除了前文提到過的統計學背景和基礎資料處理能力,

最好也要掌握Computational Programming 方面的內容:C/C++, Java 等。

投行、四大、諮詢、科技公司

等。回國發展的畢業生髮展更加多樣化,

可以去技術崗,也可以做諮詢或市場,去 VC / PE 的也不少。

熱門職位:

1。 金融:可以成為前臺 model tester 或者後臺 risk control;

2。 諮詢:非常典型的就業方向解決不同行業的問題,著重 problem solving 的能力,翻譯成資料能夠解決的問題,反饋給客戶;

3。 市場營銷和市場分析:比如淘寶使用者資料分析;

4。 IT,網際網路:網站維護,使用者瀏覽等 hidden insight 資料。

Data Science

資料科學主要是

學習一些成熟的資料分析方法和工具,學習跟資料分析相關的程式設計技

,在工作中幫企業分析商業資料、市場資料、運營資料,或者幫金融機構分析金融資料,做投資決策等。

主要研究內容分以下

三類

1。

描述性分析(Descriptive Analytics)

:分析資料找出過去事件的特徵和正在發生事件的趨勢。

2。

預測性分析(Predictive Analytics)

:分析資料來預測未來可能發生的事情。

3。

決策建議性分析(Prescriptive Analytics)

:分析資料來找出最佳措施、取得最最佳化的結果。

大部分 Data Science 專案都

設定在 Engineering 學院下或獨立成院

,相比於 BA 更像一個完整獨立的學科,

集統計學、資料分析、機器學習等學科為一體

,並且正在迅速發展形成體系。

以哥大的 DS 專案為例,必修課程如下:

• STAT W4203 PROBABILITY THEORY

• CSOR W4246 ALGORITHMS FOR DATA SCIENCE

• STAT W5703 STATISTICAL INFERENCE AND MODELING

• COMS W4121 COMPUTER SYSTEMS FOR DATA SCIENCE

• COMS W4776 MACHINE LEARNING FOR DATA SCIENCE

• STAT W4701 EXPLORATORY DATA ANALYSIS AND VISUALIZATION

• ENGI E4800 DATA SCIENCE CAPSTONE AND ETHICS

涉及方向:algorithms, machine learning, computer systems 等

如果沒有程式設計基礎,讀起來會很吃力

;但相較於傳統的 CS 專業,DS 對於程式設計的要求沒有那麼高,主要差別在程式碼量以及對系統的理解。

資料科學一般編的程式不會太長,很少有那種一個模組幾萬行程式碼的專案,一般都可以劃分為比較清晰的小功能模組,很多時候幾百行程式碼就可以幹很多事情,而且不涉及到底層作業系統、檔案系統、伺服器這個層面的程式設計。

對於擅長數學和邏輯的跨申黨,還是比較友好的。

而且,在資料科學領域,大家比拼的一般不是誰的程式執行效率更高,而是誰能提出更好的利用資料解決問題的方案,因此程式本身的實現一般不是重點。

盲目跟風轉碼熱,我後悔了。

這些專業的申請者更有優勢:

Computer Science/Technology, Information Systems, Engineering, Math, Statistics, Economics, Business Management, Finance, etc。

先修課:

計算機課程和技能

:計算機導論, SQL, Database, Programming, C/C++等;

數學背景

:微積分,數學建模,線性代數,機率論等。

有的學校還有特殊要求

,比如西北大學希望申請人上過 Java 課程等。

大多數專案傾向於錄取

數學或者統計等計量學科背景

的學生,同時希望申請人有軟體程式設計基礎、會寫程式分析資料。

如果僅上過高數、線性代數、機率統計這三門理工科基礎課程的話,那你的背景是不夠的

(儘管有機會拿到錄取)。

如果懷疑自己的能力是否足以應付課程,

強烈推薦你在國內的小象學院或國外的 Coursera、Udacity 等平臺先修讀一下 DS 方向的網課

,親身體驗更有說服力。

製藥業、計算機軟體、網際網路、科研、IT 技術服務、生物技術

,都是對大資料專業人才需求最為旺盛的行業。

主要的職業方向有以下四種:

a. 資料科學家(Data Scientist)

就業領域:雲端大資料及企業大資料分析

崗位需求企業:資料分析研究所,亞馬遜,IBM,谷歌,Cloudera,微軟,Facebook,Bloomberg等

b. 資料工程師(Data Engineer)

就業領域:雲端大資料及企業大資料分析系統運營商、資料分析軟體開發公司

崗位需求企業:亞馬遜,IBM,谷歌,Cloudera,微軟,Cymer,Uber,3D systems 等

c. 資料分析師/統計師(Data Analyst/Statistician)

就業領域:雲端大資料及企業大資料分析

崗位需求企業:亞馬遜,IBM,谷歌,Cloudera,微軟,Cymer,Uber,3D systems 等

d. 商業/金融分析師(Business/Financial Analyst)

就業領域:企業商業、金融大資料分析

崗位需求企業:亞馬遜,IBM,戴爾,四大,微軟,Cymer,Lytx,Insurance,Uber,沃爾瑪等

Computer Science

計算機涉及的領域非常廣泛,其分支學科也是非常多。目前中國學生申請美國研究生主要方向有以下這些:

1。 System Security, Information Security 系統,資訊保安

2。 Software Engineering 軟體工程

3。 Artificial Intelligence 人工智慧

4。 Computer Vision 計算機視覺

5。 Machine Learning 機器學習

6。 Database 資料庫

7。 Human Computer Interaction (HCI)人機互動

8。 Computer Network 計算機網路

9。 Theoretical Computer Science 計算機理論

瞭解

LIST、ARRAY、TREE

等計算機基本知識,同時掌握一些基礎入門課程,包括

資料結構,計算機組成原理,C++/Java

等。在此基礎上可以根據自己的能力和情況補充其它的相關課程,比如

networks, operating systems, database, Software Engineering

等。

CS 專業就業方向較為廣泛,例如進入 IT 行業擔任

軟體開發工程師、資料庫開發工程師、演算法工程師

等;金融等行業的

演算法工程師、分析師

等也是常見的選擇;其他很多公司或機構都需要招收計算機背景的學生,

提供各種技術支援

不過,計算機任何方向畢業之後的最大出路

基本就是去寫程式碼做軟體開發

,雖然工作的 title 可能各有不同,但是工作性質都是類似的,基本屬於殊途同歸。

除此之外,具備計算機相關背景知識,可以一樣去做

商業分析、管理資訊系統、人工互動和資料科學

這類新興方向。

盲目跟風轉碼熱,我後悔了。

總而言之,

轉碼這條路沒有你想得那麼光鮮,道阻且長。

你如果選擇了這個方向,勢必要比別人付出更多的努力、經歷更艱辛的留學生活,未來更是要在這一領域長遠地發展下去。

所以,別管父母、中介、朋友再怎麼勸你“轉碼”,我建議你提前問問自己:

我是否真的喜歡需要寫程式碼的工作?

是否真的喜歡每天和資料打交道?

是否真的對日復一日的建模和挖掘抱有熱情?

希望你不要盲目跟風轉碼熱,每一個決定都不後悔,因為——

做合適的選擇,我們的努力才有價值。

盲目跟風轉碼熱,我後悔了。

如果你:

依然堅定且明確想轉碼

想了解哪些專案最適合我?

如何充分準備?

or

打消了轉碼想法

想知道還有什麼方向,發展前景一片光明?

更多內容

請關注微信公眾號

“棕櫚大道”

頂部