Interview · Career
在昨天的数据科学就业讲座中，Jason老师就湾区最近一年来数据科学行业的现状做了一个简单的概括。讲座中，Jason老师对同学们在找工作中的两大误区以及五大对策做了全面的分析。
两大误区
误区一
同学们的找工作中的第一个误区就是过分依赖刷题。有的同学总想着在面试前找一些机经面经的题目刷一刷。但是，很多情况是找不到合适的机经面经，或者，即使找到了相关的题目，却没有非常好的答案或者答案不全面，这反而增加了同学们找工作上的困扰。
误区二
第二个误区则是和基础知识有关。很多同学在面试前想要巩固一下基础知识来提升自己的能力。但是打开资料一看，发现要记忆的公式很多，难以记忆。对于面试的时候会考察什么公式，提问什么内容，对知识的深度角度和广度都不了解。在这样没有复习方向的方向下复习会做很多无用功。
五大对策
第一，要了解职位的要求
在图上，我们可以很清楚看到根据不同能力情况，所对应的职位也不一样。
第二，要有丰富项目经验的简历
很多同学在写自己简历的时候描述太过于学术，这其实对于找工作是不利的。对此，Jason老师建议大家使用三点论的方式来描述自己简历里面的项目。
第一部分，讲故事。要说做了什么事情，解决了什么问题。
第二部分，描述模型。要说自己用了什么样的模型什么样的方法解决什么样的问题。第三部分，写效益，要说最后的结果如何，对公司效益有了怎么样的提升，对自己的雇主产生了什么样的收益。这样的三点论述才能让HR了解你是否能用你的知识解决实际上的问题，毕竟学员们要竞聘的是公司的职位，而不是在实验室里面的工作。
第三，Coding能力
数据科学方面的职位专注的是对基础知识内容的掌握，虽然对Coding能力方面并没有特别硬性的要求，但是对Coding的基础还是要有非常充分的理解才行。不过在面试中遇到的与Coding相关的问题很多还是经典题型，不会有什么偏题怪题。
第四，机械学习模型的掌握
在机械模型方面虽然硬性要求不多，但是也不轻松，因为会多两场面试。而在面试中，很多是对模型的基础知识考察，所以我们要从公式入手了解模型，然后延伸，着重在应用方面的操作。
第五，案例分析
案例分析是面试中必考的内容，或者我们可以称之为考察Communication的一环。在这过程中，HR会提出真正要解决的问题让你解决，这时候，脑中要有套路地一步步解决问题，关于这点我们在课程中会详细讲解。
最后Jason老师还强调了一点，同学们在申请职位的时候一定要看清对方的要求是什么，千万不要因为对自身的能力过于自信而盲目申请，结果只会欲速而不达。在讲座结束后，同学们的反响很热烈，并根据自身的情况向Jason老师提出了不少问题。针对同学提出的疑惑，Jason老师在微信上一一做出了解答。
提问环节
Q1：Jason老师，我是一个转专业的学生，如果我想走Machine Learning Engineer做AI相关的产品，而不只是分析处理数据的工作。老师建议我先从General Software Engineer做起还是Data Scientist做起?
Jason老师：根据我的经验，建议还是从Engineer做起，然后转到机械学习方向会更加容易一些。现在很多数据科学公司都是偏统计的，所以重点还是要看你最后能拿到的机会是什么。而在湾区，机械学习方面的工程师职位现在几乎不招收新人，门槛较高。所以从软件工程师入手再转到数据科学方向会更加简单一些。
Q2：Data方向的Engineer对学历或者专业有没有什么要求呢？
Jason老师：这个问题很多同学都问，关于学历方面，其实只有少数比较极端的一线职位才会要求PHD，一般的职位Master甚至本科都能胜任
Q3：我基础差，对Data的课程比较感兴趣，请问这个课程有什么要求吗？达到什么水平才可以报班上课呢？还有，Data Analysis 对于哪方面技巧更看重呢？
Jason老师：对于基础差的同学，我们的课程会帮你查缺补漏，将你不熟悉的内容先补起来。我们并不是死板的教科书课程，而是有迭代的，从浅入深的学习过程。只要学过大学数学基本上就能满足报班的需求。同时，我们对coding能力并没有要求。重点是学会如何做case study，学会怎么将一个数据转换成一个可以和别人communication的项目，这样才能充分展现你技术的含量。
Q4：我想问下老师Machine Learning Engineer 和Data Engineer有什么区别吗？哪个机会更多点
Jason老师: Machine Learning Engineer更难一些，它对Modeling的要求比较高。而Data Engineer的要求就比较低，他专注的是在数据放入Model前的操作。不过，在不同的公司里面即使是相同的职位也会有不同的标准。而在机会方面，这个就要看个人的背景如何了。
Q5：做kaggle是不是有所帮助?
Jason老师：这个问题要从两个方面来回答，因为他既有有帮助的地方也有有缺陷的地方。首先，有帮助的是我们做任何的学习都是需要练习的，通过练习，我们可以把学到的知识巩固起来。但同样这也是有缺陷的，因为我们是要对模型有深度的理解，而不是重复的刷题，特别是对于模型这一块，重复刷题不如将一个问题做深做全面，尝试用不同的方法解决，才能扩展自己的思维提高自己的能力。
Q6：我现在是Data专业的学生，有一定编程基础，想往Data Engineer方向发展，课堂学过Machine Learning和Data Mining，请问适合上面试系统班还是数据班？
Jason老师：这位同学看起来基础不错，所以选择哪个班还是看你个人的兴趣。因为两方面你都需要作出努力才能更好的满足职位的要求。对统计的要求不高，不过只要你掌握了我们课上所讲内容的90%，就几乎覆盖了大部分职位的要求了。
Q7：想问Jason老师，还是很纠结这些岗位数学到底要学到多深。是不是要搞清楚model的推导才行。谢谢！
Jason老师：这个要根据不同的公司不同职位的要求来判断，不过他们更加追求你所了解的广度而不是深度，因为在面试的时候他们更加希望了解你对模型有没有自己的理解。
本次讲座非常火爆，很多同学都没来得及加入到我们的讨论中。来offer会在今后的活动中安排更多的讲座，让Jason老师再次和大家交流，请大家提早报名，不要错失良机。