Re: [問題] 統計與資工在資料科學的差異

[dryman (dryman)]

在FB上面看到有朋友分享這篇文章
這才第一次知道有這個板
我的經歷還算特別，應該可以給板友當作參考


我現任美國Google AI research SWE
有跟其他RE以及product SWE合作
我專攻的領域還算廣泛
從實做SIMD加速的計算、設計符合CPU cache size的資料結構、
多執行序程式設計、分散式程式設計、到比較數學的凸優化(convex optimization)、
簡易線性回歸分析、優化kmeans、以及最近在研究的混沌理論及計畫要讀的測度理論

把這些領域打出來自己都覺得有點像是唬爛
不過我自己做工程還有學習的態度，就是有什麼不會就去學
即使是程式部分，這也非我本科（我本來是機械系）
數學部分我是加入google AI部門之後才重新去學的
從最基本的大一微積分和線性代數重新學...

因此我想我應該有資格說，理論和實做都重要
至少我兩者都看重，並不會因為自己只有一方專業，就輕視另一方
不過若板友是以就業取向來看的話，我還是會投資工專業一票


我踏入軟體業已經是七年前的事
在那時還是大數據走紅，軟體人才供不應求
即使沒有本科背景也能入行的時代
現在沒有專科背景，要入行真的困難的多

不過相對起CS的入行困難度
我觀察到的（高階的）機器學習RE入門門檻，還要再更高
我們大組下SWE還有只有大學或碩士的人，而RE就只有本科博士
很多RE的候選人，至少名校博後起跳，挑到最後很多還是先有名校教職才跳槽進來
即使是實習，競爭也極其激烈
名校博士生是基本，很多都是在著名的ML期刊上發表三篇以上的論文來競爭

以上是google的資料科學競爭情況，其他公司的我就比較不清楚
畢竟我轉入AI/ML領域是我軟體開發已經比較熟練之後的事情了


以職涯發展來說，能穩定的開發並實做產品還是相當吃香的
即便在擁有更多自由來專心研究的google研發部門
我們研究型SWE還是比純RE更容易升等
畢竟我們推出的實作可以直接用在內部的產品中，而不只是簡易的python prototype
以我個人的技能樹來說，實作能力佔90%
剩下擠出來的時間才是放到長遠的理論學習

殘酷的是，真的得應用理論的時候，通常得先證明
「這個問題太過困難，純實作硬幹已經到達極限了」
這時養兵千日的理論才有機會派上用場
不然的話，兩者兼通的人材
實作更多功能或在CS層面上優化效能帶來的效益，通常大於推出新理論


為什麼對我們而言做CS帶來的效益較高呢？
因為如果我們投入理論，其他的SWE大多沒有那個能力去理解並轉換成產品
即便是超高等級的工程師，他們也早就忘記最基本的數學、線性代數、或是微積分
能將理論轉換成（穩定且高效能）產品的工程師，是非常稀少的存在
至少以我們在做的題目來說，非常少


我的經驗由於大幅偏向CS，因此只能提供CS面向的職涯觀察
我對RE的觀察也相對淺薄，因為我們團隊有不會的理論是自己學，而非與RE密切合作
期待有板友/網友也能分享較為偏向統計或是資料科學方面的觀點

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 67.247.60.167 (美國)
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1592101591.A.2E6.html
推 bruce3557: 推
推 ap954212: 推
推 yoshonabee: 推
推 Starcraft2: 推
推 fsuhcikt1003: 推
推 filialpiety: 推～
推 min86615: 推
推 bowin: 推
推 summerleaves: 快推 不然人家以為我看不懂
推 AmibaGelos: 媽媽問我為什麼跪著用電腦
推 st1009: 推推
推 goldflower: 推分享
推 bearching: 推
推 allen1985: 推
→ patrickchou: 推好文
→ blackmaninEE: 推
推 hahaxd78: 推
推 patrickchou: 沒推到補推
→ rayu: 感謝分享！
推 joe120519: 推
推 velaro: 神人！
推 ruokcnn: 在估狗當SWE真的是台灣很多人的夢想了
推 NOYUYU: 推