Re: [閒聊] 物理系畢業後在做什麼工作呢？

[louis925 (稚空)]

※ 引述《sputtering (水煮青蛙全球暖化)》之銘言：
: ※ 引述《louis925 (稚空)》之銘言：
: : 最近也在苦惱這樣的問題，所以分享一下
: : 本人是做理論物理的，所以可能不太適用你的 case
: : 物理系畢業，看你選擇待學術界，還是要去業界。然後有沒有出國念，也差很多。
: : 如果是台灣畢業的話，
: : 業界很多人是去台積電 (享百萬年薪，不過你可能待不久XD)，也有一些去寫程式
: : 如果對教書有興趣，可以修教程，去當高中老師之類的
: : 學術界則比較難，通常是必須出國做一兩輪 postdoc 才有機會回台當教授
: 幹嘛要回來

因為 postdoc 才出去，在國外很可能找不到終身教職

雖然在國外念也很難找到就是了

: : 如果是出國念博班的話，機會比較多
: : 如果你做理論物理業界的選擇有
: :   1. Programmer 矽谷寫程式 (年薪 USD 100k+)： Google, Facebook,
: :   2. Quant Finance Researcher 華爾街算股票 (年薪 USD 100k+ ~ 300k+)
: :   3. Data Scientist (年薪 USD 100k+): 分析各種data, Machine learning
: 1.and3. 有不一樣嗎

不太一樣，
Programmer 只是會寫程式，熟悉演算法、各種軟硬體架構
但不一定會統計，對比較物理的數學也不懂

而 Data scientist 只需要一些 progrmming 的技能，
但須要有處理複雜數學的能力和 modeling 的能力
很多 CS 的人是無法走 data scientist 的

在 Google，Data Scientist 的薪水是比 Programmer 要高的 (150k+)
因為他們要求的 Data Scientist 同時具備 Programmer 和數理分析的能力

而一些小公司的 Data scientist 缺對 programming 能力比較沒有這麼要求，
雖然薪水跟 Google 的比稍低，但因為需要具備數理分析和 Modeling 的能力，
這對物理出身的人來說相當適合

: : 做實驗的我比較不熟，應該也是可以去半導體廠 Intel 之類的
: : 學術界的話，相當競爭，跟國內一樣也是做一兩輪 postdoc，
: : 然後看哪裡有終生職的缺。
: : 如果有幸找到的話，助理教授薪水也是 USD 100k+，正教授 USD 200k+
: : 工作有沒有趣的問題，我還沒有開始，所以不清楚
: : 但是去台積電的人好像抱怨都滿多的
: 把抱怨的時間拿去學做雞排啊
: : 而在外國工作的人似乎比較少抱怨工作無趣這樣
: 把抱怨的時間拿去檔案室找資料 上網去看技術論文工作就不會無趣
: 機器人都會做的事幹嘛讓你做
: : 不過這些只是聽說而已
: : 真正還是要看你喜歡做什麼!
: 挺有挑戰的
: 作理物的人要有點骨氣 不是為了追求真理幹嘛唸理物 經濟問題是可以克服的
: 現在有能力的人就想跳槽 而不知道自己是站在巨人的肩膀上 滿腦子 錢錢錢

我部份同意

物理不是宗教，物理所找到的所有理論，都是有適用範圍的，
當然你要說是在這些範圍內的真理也是可以

另外，你可能對金錢有奇怪的誤解，
錢只是社會資源的一種表現
賺錢是因為你對這社會有貢獻，收入越多代表你貢獻越多
當然，這是建立在正當合理收入的情況下，很多時候狀況沒有這麼理想(炒房、內線交易)
但這不代表賺錢本身有問題

--

            新愛因斯坦還沒出現, 現在上場的都是羅倫茲.

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 169.232.156.87
※ 文章網址: https://www.ptt.cc/bbs/Physics/M.1488920216.A.325.html
※ 編輯: louis925 (169.232.156.87), 03/08/2017 05:32:40
→ noonee: 美國的話 很難找到終身職跟科研經費縮水有關
→ noonee: 跟是不是postdoc才出去無關
→ noonee: 歐洲的話 很多地方的學閥狀況嚴重 沒進學閥圈子 是不是外
→ noonee: 國人都很難
推 skaia: 錢是手段而不是目的，但很多人把手段及目的弄混
我完全同意你
但是有時候，做出相對應的工作也需要有適當的回饋或報酬，工作才做得下去

→ doom8199: 我覺得原po你的分類有點奇怪，軟硬體架構這部分是
→ doom8199: SW/HW architect/engineering 在負責的
→ doom8199: 只要有在寫程式，人人都可叫 programmer，只差在你
→ doom8199: 用甚麼 tool 解決甚麼事情、面對哪些客戶群，以及
→ doom8199: 須具備哪些知識。例如:
→ doom8199: 某些人想分析大數據，那可能就是跑一些 simulation
→ doom8199: 用來估計某些參數給演算法的人使用
→ doom8199: 某些人負責寫 app/benchmark，可能用到 OpenCL 之類做一
→ doom8199: 些加速，用來做軟硬體上的驗證與評分
→ doom8199: 只要相關知識到位，做甚麼都可以，沒有甚麼做 A無法跨 B
是，我這樣分可能不太清楚，畢竟我也是最近才蒐集到這些資訊
如果有人更清楚可以出來講更好

我主要是想把 data scientist 和其他 software engineer 分開
這兩種職缺對 CS 專業 (演算法、作業系統、網路 ...) 的要求不太一樣
做的事也不是都是寫程式這麼單純

software engineer 的工作會很要求你有 CS 專業背景，
工作可能是要寫網頁、寫 app、後台或伺服器之類的
做的是建設的工作

而 data scientist 比較不會要求你有很強的 CS 背景 (當然這也是看公司)，
data scientist 反倒是比較要求統計和數理分析能力
主要是用程式處理蒐集到的 data，
然後藉由 model 或 machine learning 給出某種現象的預測
做為企業決策的重要資訊。
公司可能會依此決定怎麼廣告，或是市場在哪裡。
甚至是汽車保險業要計算風險是多少，各種因素會不會是高風險的指標
這些技能，CS 出身是不會有的
物理出身的人反倒會比較適合一些

不過這些都是我去業界的同學跟我說的，如果有誤歡迎更正
※ 編輯: louis925 (104.175.196.67), 03/08/2017 17:14:31
推 jjsakurai: 我百分百同意你 物理的訓練能做的事比CS要廣多了
→ jjsakurai: 但找工作的第一關通常是HR 這些人能瞬間讓物理訓練變成
→ jjsakurai: 什麼都不是 因為CV上找不到那些特定的專有名詞match
→ jjsakurai: 我在美國時也找過業界 只有少數recruiter見識過物理轉
→ jjsakurai: 行的人所建立的口碑 才會找上我 不然也一無所獲
→ jjsakurai: 我現在不想多說太多 唸物理博我不會太不鼓勵 畢業前好
→ jjsakurai: 好的找業界 30多歲機會還是有 但要做postdoc最好想清楚
→ jjsakurai: 一做下去 身價是像石頭掉到水裡
→ jjsakurai: 對一個研究室的PI而言 好用程度是從postdoc往研究生下
→ ThePttUser: 這篇講得沒錯啊，我在的物理實驗室，有一半畢業後在做
→ jjsakurai: 修 所以在研究室裡都不會有人去提醒你自己身價的問題
→ ThePttUser: 數據分析，另外四分之一在做財金資料分析。
→ ThePttUser: 反而本科有夠難混飯吃，做資料分析每個都年薪百萬
→ ThePttUser: 不過我這實驗室可能是特例吧，電腦比實驗儀器多的地方
推 doom8199: 我覺得原po有點把 data scientist 捧太高
→ doom8199: 若只是單純拿 ML/DL 作數據分析，上網抓 GoogleNet
→ doom8199: 或 SqueezeNet 就能玩了。而且會走 DNN 的路
→ doom8199: 代表要取代舊有已知數學模型，完全不太需要甚麼背景
→ doom8199: 只需要大量的資料和你想解決問題的基本知識就夠了
→ doom8199: 光這點 我不覺得物理人在這方面的優勢在哪?
→ doom8199: 而且進職場，很多領域都是要重學，連 EE/CS 也不例外
→ doom8199: 不懂的東西請教別人或是多上網survey，懂了知識就是你的
→ wohtp: 所謂優勢就是相對沒有劣勢吧，反正大家一樣都不懂
→ saltlake: 樓上 跟大家"一樣" 怎能稱為優勢?
→ noonee: 我到是很希望有多一點搞物理的進入政治界爬到高位
→ noonee: 政界 全世界都一樣 的nonsense政客太多了
推 sukeda: 有業界需要搞解析解的嗎QQ
→ saltlake: 解析解多半用在協助理解複雜問題的一些特質 像解存否
→ saltlake: 解的上下界與趨勢等等
→ saltlake: 更厲害的人可以從解析解的形式發展出數值近似解
→ wohtp: 沒有劣勢跟念什麼生科、社科的比起來當然就已經是優勢了
推 sputtering: 比方說以前的蒙地卡羅法 現在都用量子退火法 嚇死人
推 lovepork: #19LR0z_B  這是我約快十年前Po的文章
→ lovepork: 結論: 現在的紙和筆和100年前根本沒有差別
→ lovepork: 但電腦的進步可是幾萬倍以上  如果你在10年前就投資在
→ lovepork: 學習程式 現在的回報可是難以想像的
→ lovepork: 樓上舉的就是常好的例子 模擬退火  進化成 量子退火法
→ lovepork: 本質上的程式邏輯應該相差不大 但電腦硬體上的進化讓你
→ lovepork: 能夠輕易地解決問題
→ linbryan: 讀物理，在其他行業很成功，原因不在讀物理，在於很聰明
→ j0958322080: 樓上自肥
推 sputtering: 雖然讀書讀輸電腦幾乎成定局 但是還是要抓到時間就讀
→ sputtering: 書
→ sputtering: Even we have no quantum computing training
→ sputtering: But we have Spirit training.
→ sputtering: Amen.