data scientist 的 code test是不是集中在数据寻找上# DataSciences - 数据科学
z*n
1 楼
P*6
2 楼
很遗憾听到斑竹被layoff的消息。希望斑竹能借此更上一层楼。我看了一下斑竹和他人
的面试经验，感觉code test是不是集中在数据寻找上？ 比如数据库，树。这个看起来
比较合理。当然范围也很大，不过，果然如此，刷题可能更有针对性一些
的面试经验，感觉code test是不是集中在数据寻找上？ 比如数据库，树。这个看起来
比较合理。当然范围也很大，不过，果然如此，刷题可能更有针对性一些
z*e
3 楼
刷题只能刷本科的算法和数据结构
简单说是单机算法和内存中的数据结构
data science则涉及cs的方方面面
分布式，数据存储，网络，应用统计，线性代数
ai，全部都用
就可视化稍微弱点，其他的都用上了，只会觉得自己会的太少
简单说是单机算法和内存中的数据结构
data science则涉及cs的方方面面
分布式，数据存储，网络，应用统计，线性代数
ai，全部都用
就可视化稍微弱点，其他的都用上了，只会觉得自己会的太少
P*6
4 楼
说的对，我的意思是不考虑统计，线性代数，就计算机方面而言，data science 是不
是只（或主要如70%）涉及数据提取相关。这样至少有所侧重。当然如你所说，要扩大
到计算机集群上（比如并行计算对算法的改变）。这个范围就又扩大了。正因为这样，
才不得不有所选择。说实话，我怀疑有谁会是所有方面的专家（我的意思是专家，而不
是基本考题能过的水平， 比如说就算能回答上nerual network back propagation, 也
还谈不上是这方面的专家）。作为一个团队来讲，每个人精通一个或几个方面，然后别
的也都懂，相互补充和backup比较可行。我觉得又大又全，什么都会的思路是底层打工
或小作坊的思路。就是图找工作面广。如果说错了，欢迎指正。
【在 z****e 的大作中提到】
: 刷题只能刷本科的算法和数据结构
: 简单说是单机算法和内存中的数据结构
: data science则涉及cs的方方面面
: 分布式，数据存储，网络，应用统计，线性代数
: ai，全部都用
: 就可视化稍微弱点，其他的都用上了，只会觉得自己会的太少
是只（或主要如70%）涉及数据提取相关。这样至少有所侧重。当然如你所说，要扩大
到计算机集群上（比如并行计算对算法的改变）。这个范围就又扩大了。正因为这样，
才不得不有所选择。说实话，我怀疑有谁会是所有方面的专家（我的意思是专家，而不
是基本考题能过的水平， 比如说就算能回答上nerual network back propagation, 也
还谈不上是这方面的专家）。作为一个团队来讲，每个人精通一个或几个方面，然后别
的也都懂，相互补充和backup比较可行。我觉得又大又全，什么都会的思路是底层打工
或小作坊的思路。就是图找工作面广。如果说错了，欢迎指正。
【在 z****e 的大作中提到】
: 刷题只能刷本科的算法和数据结构
: 简单说是单机算法和内存中的数据结构
: data science则涉及cs的方方面面
: 分布式，数据存储，网络，应用统计，线性代数
: ai，全部都用
: 就可视化稍微弱点，其他的都用上了，只会觉得自己会的太少
j*n
5 楼
所以说单纯的问 data science 面试什么是没有意义的。 你应该结合你自己的背景，
看自己的强项在哪里，然后投对口的职位。data science 里面有纯码工类型，那就上
来就刷题，没啥说的；有 数学 背景，上来就是推公式；也有传统的 BI 背景的，那就
是上来就写 SQL 数据库.
data science 是个很虚的概念，没有必要追究 data science or not.
【在 P*****6 的大作中提到】
: 说的对，我的意思是不考虑统计，线性代数，就计算机方面而言，data science 是不
: 是只（或主要如70%）涉及数据提取相关。这样至少有所侧重。当然如你所说，要扩大
: 到计算机集群上（比如并行计算对算法的改变）。这个范围就又扩大了。正因为这样，
: 才不得不有所选择。说实话，我怀疑有谁会是所有方面的专家（我的意思是专家，而不
: 是基本考题能过的水平， 比如说就算能回答上nerual network back propagation, 也
: 还谈不上是这方面的专家）。作为一个团队来讲，每个人精通一个或几个方面，然后别
: 的也都懂，相互补充和backup比较可行。我觉得又大又全，什么都会的思路是底层打工
: 或小作坊的思路。就是图找工作面广。如果说错了，欢迎指正。
看自己的强项在哪里，然后投对口的职位。data science 里面有纯码工类型，那就上
来就刷题，没啥说的；有 数学 背景，上来就是推公式；也有传统的 BI 背景的，那就
是上来就写 SQL 数据库.
data science 是个很虚的概念，没有必要追究 data science or not.
【在 P*****6 的大作中提到】
: 说的对，我的意思是不考虑统计，线性代数，就计算机方面而言，data science 是不
: 是只（或主要如70%）涉及数据提取相关。这样至少有所侧重。当然如你所说，要扩大
: 到计算机集群上（比如并行计算对算法的改变）。这个范围就又扩大了。正因为这样，
: 才不得不有所选择。说实话，我怀疑有谁会是所有方面的专家（我的意思是专家，而不
: 是基本考题能过的水平， 比如说就算能回答上nerual network back propagation, 也
: 还谈不上是这方面的专家）。作为一个团队来讲，每个人精通一个或几个方面，然后别
: 的也都懂，相互补充和backup比较可行。我觉得又大又全，什么都会的思路是底层打工
: 或小作坊的思路。就是图找工作面广。如果说错了，欢迎指正。
P*6
6 楼
我也是这么认为，如果面试问题多样化，就强调自己的优势，然后表明其它的大部分也
基本能马上跟上，与人合作就行了。
【在 j*****n 的大作中提到】
: 所以说单纯的问 data science 面试什么是没有意义的。 你应该结合你自己的背景，
: 看自己的强项在哪里，然后投对口的职位。data science 里面有纯码工类型，那就上
: 来就刷题，没啥说的；有 数学 背景，上来就是推公式；也有传统的 BI 背景的，那就
: 是上来就写 SQL 数据库.
: data science 是个很虚的概念，没有必要追究 data science or not.
基本能马上跟上，与人合作就行了。
【在 j*****n 的大作中提到】
: 所以说单纯的问 data science 面试什么是没有意义的。 你应该结合你自己的背景，
: 看自己的强项在哪里，然后投对口的职位。data science 里面有纯码工类型，那就上
: 来就刷题，没啥说的；有 数学 背景，上来就是推公式；也有传统的 BI 背景的，那就
: 是上来就写 SQL 数据库.
: data science 是个很虚的概念，没有必要追究 data science or not.
j*n
7 楼
关键是有一样能出众. 半吊子多的很，精通一样就足够拿offer, 不会SQL学一学1个星
期就能和熟练手差不了多少了。 你是啥背景?
【在 P*****6 的大作中提到】
: 我也是这么认为，如果面试问题多样化，就强调自己的优势，然后表明其它的大部分也
: 基本能马上跟上，与人合作就行了。
期就能和熟练手差不了多少了。 你是啥背景?
【在 P*****6 的大作中提到】
: 我也是这么认为，如果面试问题多样化，就强调自己的优势，然后表明其它的大部分也
: 基本能马上跟上，与人合作就行了。
z*e
8 楼
这种时代，想做螺丝钉，风险很大
以前ibm就以培养螺丝钉著称，什么都不懂，就懂他做那一小块
离开了ibm就不行了，搞得很多猎头都不喜欢去ibm挖人
以前ibm不裁员，有纯蓝的说法，就是在ibm干一辈子，然后退休
但是后来不行了，ibm年年都裁员，it不是一个混日子的地方
唯一不变的就是改变，ds这块严格说来是以前db和分布式的延伸
或者再精确一点，就是数据挖掘的一个发展
也许我们不指望一个人什么都会，这是一个绝对理想的状态，可能永远都实现不了
但是从这个理想状态出发，选择最逼近这个状态的候选人
这应该是所有公司雇人的基本思路
对个人来说，这也是一个发展自身新技能的机会
比如对于以前做分布式的同学来说，他们看到了hadoop编程框架
对于以前做dba的同学来说，他们看到了cassandra, hbase等db和hive这个dw
对于以前做bi的同学来说，他们看到了pig
所以各取所需，但是你要说以前搞嵌入式的看到了啥……
这个我真不知道，也许有吧
【在 P*****6 的大作中提到】
: 说的对，我的意思是不考虑统计，线性代数，就计算机方面而言，data science 是不
: 是只（或主要如70%）涉及数据提取相关。这样至少有所侧重。当然如你所说，要扩大
: 到计算机集群上（比如并行计算对算法的改变）。这个范围就又扩大了。正因为这样，
: 才不得不有所选择。说实话，我怀疑有谁会是所有方面的专家（我的意思是专家，而不
: 是基本考题能过的水平， 比如说就算能回答上nerual network back propagation, 也
: 还谈不上是这方面的专家）。作为一个团队来讲，每个人精通一个或几个方面，然后别
: 的也都懂，相互补充和backup比较可行。我觉得又大又全，什么都会的思路是底层打工
: 或小作坊的思路。就是图找工作面广。如果说错了，欢迎指正。
以前ibm就以培养螺丝钉著称，什么都不懂，就懂他做那一小块
离开了ibm就不行了，搞得很多猎头都不喜欢去ibm挖人
以前ibm不裁员，有纯蓝的说法，就是在ibm干一辈子，然后退休
但是后来不行了，ibm年年都裁员，it不是一个混日子的地方
唯一不变的就是改变，ds这块严格说来是以前db和分布式的延伸
或者再精确一点，就是数据挖掘的一个发展
也许我们不指望一个人什么都会，这是一个绝对理想的状态，可能永远都实现不了
但是从这个理想状态出发，选择最逼近这个状态的候选人
这应该是所有公司雇人的基本思路
对个人来说，这也是一个发展自身新技能的机会
比如对于以前做分布式的同学来说，他们看到了hadoop编程框架
对于以前做dba的同学来说，他们看到了cassandra, hbase等db和hive这个dw
对于以前做bi的同学来说，他们看到了pig
所以各取所需，但是你要说以前搞嵌入式的看到了啥……
这个我真不知道，也许有吧
【在 P*****6 的大作中提到】
: 说的对，我的意思是不考虑统计，线性代数，就计算机方面而言，data science 是不
: 是只（或主要如70%）涉及数据提取相关。这样至少有所侧重。当然如你所说，要扩大
: 到计算机集群上（比如并行计算对算法的改变）。这个范围就又扩大了。正因为这样，
: 才不得不有所选择。说实话，我怀疑有谁会是所有方面的专家（我的意思是专家，而不
: 是基本考题能过的水平， 比如说就算能回答上nerual network back propagation, 也
: 还谈不上是这方面的专家）。作为一个团队来讲，每个人精通一个或几个方面，然后别
: 的也都懂，相互补充和backup比较可行。我觉得又大又全，什么都会的思路是底层打工
: 或小作坊的思路。就是图找工作面广。如果说错了，欢迎指正。
P*6
9 楼
首先，我觉得data scientist 确实要比较全面一点。 但是在此基础上，我更同意
jetchen的观点。以现在的世界杯举例，如果队里都是老马这样的全才，当然好。（其
实老马也不全，头球不行，后卫干不了，只是举例）但是实际不可能，去招各方面都逼
近老马的绝不是最好的选择。很可能最后招来的是什么都是平庸的。最后团队也是平庸
的。比如data scientist需要三种技能，最好是3，最差是0。对团队而言，招3，1，1
得分通常好过2，2，2的，虽然总分较低。因为团队可以合作达到最后整体各方面3分的
最佳效果。而都是2，2，2的最后也就是2的水准。当然如果是3，0，0会造成沟通欠佳
，难以整合。好比后卫最好是卡洛斯，能助攻，一点不能助攻，就不能跟肥罗配合了。
所以我的意思是面试的时候，最好有点有面，突出优点，面上的东西有些不是很会也没
有关系，强调合作能力，和快速学习能力可能混过去。
【在 z****e 的大作中提到】
: 这种时代，想做螺丝钉，风险很大
: 以前ibm就以培养螺丝钉著称，什么都不懂，就懂他做那一小块
: 离开了ibm就不行了，搞得很多猎头都不喜欢去ibm挖人
: 以前ibm不裁员，有纯蓝的说法，就是在ibm干一辈子，然后退休
: 但是后来不行了，ibm年年都裁员，it不是一个混日子的地方
: 唯一不变的就是改变，ds这块严格说来是以前db和分布式的延伸
: 或者再精确一点，就是数据挖掘的一个发展
: 也许我们不指望一个人什么都会，这是一个绝对理想的状态，可能永远都实现不了
: 但是从这个理想状态出发，选择最逼近这个状态的候选人
: 这应该是所有公司雇人的基本思路
jetchen的观点。以现在的世界杯举例，如果队里都是老马这样的全才，当然好。（其
实老马也不全，头球不行，后卫干不了，只是举例）但是实际不可能，去招各方面都逼
近老马的绝不是最好的选择。很可能最后招来的是什么都是平庸的。最后团队也是平庸
的。比如data scientist需要三种技能，最好是3，最差是0。对团队而言，招3，1，1
得分通常好过2，2，2的，虽然总分较低。因为团队可以合作达到最后整体各方面3分的
最佳效果。而都是2，2，2的最后也就是2的水准。当然如果是3，0，0会造成沟通欠佳
，难以整合。好比后卫最好是卡洛斯，能助攻，一点不能助攻，就不能跟肥罗配合了。
所以我的意思是面试的时候，最好有点有面，突出优点，面上的东西有些不是很会也没
有关系，强调合作能力，和快速学习能力可能混过去。
【在 z****e 的大作中提到】
: 这种时代，想做螺丝钉，风险很大
: 以前ibm就以培养螺丝钉著称，什么都不懂，就懂他做那一小块
: 离开了ibm就不行了，搞得很多猎头都不喜欢去ibm挖人
: 以前ibm不裁员，有纯蓝的说法，就是在ibm干一辈子，然后退休
: 但是后来不行了，ibm年年都裁员，it不是一个混日子的地方
: 唯一不变的就是改变，ds这块严格说来是以前db和分布式的延伸
: 或者再精确一点，就是数据挖掘的一个发展
: 也许我们不指望一个人什么都会，这是一个绝对理想的状态，可能永远都实现不了
: 但是从这个理想状态出发，选择最逼近这个状态的候选人
: 这应该是所有公司雇人的基本思路
z*e
10 楼
从我的经历来看，螺丝钉是没有活路的
我本科学软件工程的，这些理论我太熟悉了
但是我不认同这种说法，做成螺丝钉会被阿三或者外包所替换
迟早的事，而现在新趋势是连外包都不用了，直接上开源
如果你真的了解市场，就应该知道，现在一个人要做多件事是常态
我要是老板，就喜欢招古德霸这种来干活，因为他什么都做
现在没有多少职位是说你就搞这个，然后搞一辈子，其他什么都不用搞
如果要搞，招其他人来搞，越来越少，对多面手的需求越来越多
因为软件工具自身越来越简单，尤其是同一个领域的软件工具
各种傻瓜化可视化的工具越来越多，性能越来越强大
然后做得好的工具直接开源，这样就不需要受过训练的工程师来做了
直接从网络上down下来，安装一下，就可以用了，还雇人做什么？
这不是踢球，踢球一定是11个人，没有也得补齐，但是工作不是这么说得
老板能让10人搞定的事，往往不会掏钱去雇另外一个人，补齐11个人
没有意义，外包一样死，因为外包好歹是收钱的，跟开源没法竞争
这就是所谓的startup文化，搞it唯一不变的就是改变和发展
停在原地踏步，迟早被淘汰，就像某人说的
以前学了corba，后来都rmi了，庆幸没白学，结果过几年一看
都web service了，corba的知识就彻底没用了，现在会corba根本没有人要
没有意义，以前还有很多公司做os，做db，现在去哪里找，都是开源的直接上
从it角度看，data science其实跟sde差别没那么大
可以说就是分布式的合理延伸，很多时候ds就是sde在做，title都是忽悠
1
【在 P*****6 的大作中提到】
: 首先，我觉得data scientist 确实要比较全面一点。 但是在此基础上，我更同意
: jetchen的观点。以现在的世界杯举例，如果队里都是老马这样的全才，当然好。（其
: 实老马也不全，头球不行，后卫干不了，只是举例）但是实际不可能，去招各方面都逼
: 近老马的绝不是最好的选择。很可能最后招来的是什么都是平庸的。最后团队也是平庸
: 的。比如data scientist需要三种技能，最好是3，最差是0。对团队而言，招3，1，1
: 得分通常好过2，2，2的，虽然总分较低。因为团队可以合作达到最后整体各方面3分的
: 最佳效果。而都是2，2，2的最后也就是2的水准。当然如果是3，0，0会造成沟通欠佳
: ，难以整合。好比后卫最好是卡洛斯，能助攻，一点不能助攻，就不能跟肥罗配合了。
: 所以我的意思是面试的时候，最好有点有面，突出优点，面上的东西有些不是很会也没
: 有关系，强调合作能力，和快速学习能力可能混过去。
我本科学软件工程的，这些理论我太熟悉了
但是我不认同这种说法，做成螺丝钉会被阿三或者外包所替换
迟早的事，而现在新趋势是连外包都不用了，直接上开源
如果你真的了解市场，就应该知道，现在一个人要做多件事是常态
我要是老板，就喜欢招古德霸这种来干活，因为他什么都做
现在没有多少职位是说你就搞这个，然后搞一辈子，其他什么都不用搞
如果要搞，招其他人来搞，越来越少，对多面手的需求越来越多
因为软件工具自身越来越简单，尤其是同一个领域的软件工具
各种傻瓜化可视化的工具越来越多，性能越来越强大
然后做得好的工具直接开源，这样就不需要受过训练的工程师来做了
直接从网络上down下来，安装一下，就可以用了，还雇人做什么？
这不是踢球，踢球一定是11个人，没有也得补齐，但是工作不是这么说得
老板能让10人搞定的事，往往不会掏钱去雇另外一个人，补齐11个人
没有意义，外包一样死，因为外包好歹是收钱的，跟开源没法竞争
这就是所谓的startup文化，搞it唯一不变的就是改变和发展
停在原地踏步，迟早被淘汰，就像某人说的
以前学了corba，后来都rmi了，庆幸没白学，结果过几年一看
都web service了，corba的知识就彻底没用了，现在会corba根本没有人要
没有意义，以前还有很多公司做os，做db，现在去哪里找，都是开源的直接上
从it角度看，data science其实跟sde差别没那么大
可以说就是分布式的合理延伸，很多时候ds就是sde在做，title都是忽悠
1
【在 P*****6 的大作中提到】
: 首先，我觉得data scientist 确实要比较全面一点。 但是在此基础上，我更同意
: jetchen的观点。以现在的世界杯举例，如果队里都是老马这样的全才，当然好。（其
: 实老马也不全，头球不行，后卫干不了，只是举例）但是实际不可能，去招各方面都逼
: 近老马的绝不是最好的选择。很可能最后招来的是什么都是平庸的。最后团队也是平庸
: 的。比如data scientist需要三种技能，最好是3，最差是0。对团队而言，招3，1，1
: 得分通常好过2，2，2的，虽然总分较低。因为团队可以合作达到最后整体各方面3分的
: 最佳效果。而都是2，2，2的最后也就是2的水准。当然如果是3，0，0会造成沟通欠佳
: ，难以整合。好比后卫最好是卡洛斯，能助攻，一点不能助攻，就不能跟肥罗配合了。
: 所以我的意思是面试的时候，最好有点有面，突出优点，面上的东西有些不是很会也没
: 有关系，强调合作能力，和快速学习能力可能混过去。
g*5
11 楼
码工的工作要长久，最简单的做法是：在解决一个问题的同时，制造出1.1个问题。
P*6
12 楼
这个也是永恒不变的铁律，呵呵
【在 g****5 的大作中提到】
: 码工的工作要长久，最简单的做法是：在解决一个问题的同时，制造出1.1个问题。
【在 g****5 的大作中提到】
: 码工的工作要长久，最简单的做法是：在解决一个问题的同时，制造出1.1个问题。
P*6
13 楼
这个要细谈，估计我们没有什么大的差异。说话侧重不同。我其实是喜欢各种都会的。
就是发现不能样样精。
【在 z****e 的大作中提到】
: 从我的经历来看，螺丝钉是没有活路的
: 我本科学软件工程的，这些理论我太熟悉了
: 但是我不认同这种说法，做成螺丝钉会被阿三或者外包所替换
: 迟早的事，而现在新趋势是连外包都不用了，直接上开源
: 如果你真的了解市场，就应该知道，现在一个人要做多件事是常态
: 我要是老板，就喜欢招古德霸这种来干活，因为他什么都做
: 现在没有多少职位是说你就搞这个，然后搞一辈子，其他什么都不用搞
: 如果要搞，招其他人来搞，越来越少，对多面手的需求越来越多
: 因为软件工具自身越来越简单，尤其是同一个领域的软件工具
: 各种傻瓜化可视化的工具越来越多，性能越来越强大
就是发现不能样样精。
【在 z****e 的大作中提到】
: 从我的经历来看，螺丝钉是没有活路的
: 我本科学软件工程的，这些理论我太熟悉了
: 但是我不认同这种说法，做成螺丝钉会被阿三或者外包所替换
: 迟早的事，而现在新趋势是连外包都不用了，直接上开源
: 如果你真的了解市场，就应该知道，现在一个人要做多件事是常态
: 我要是老板，就喜欢招古德霸这种来干活，因为他什么都做
: 现在没有多少职位是说你就搞这个，然后搞一辈子，其他什么都不用搞
: 如果要搞，招其他人来搞，越来越少，对多面手的需求越来越多
: 因为软件工具自身越来越简单，尤其是同一个领域的软件工具
: 各种傻瓜化可视化的工具越来越多，性能越来越强大
r*d
14 楼
高级的ds是有行业经验的，见多识广。
比如hedge fund里面做algorithimic trading research and development的就有金融
经验，
看心脏病的医生有临床经验，
要不然永远就是一个洗菜的。
比如hedge fund里面做algorithimic trading research and development的就有金融
经验，
看心脏病的医生有临床经验，
要不然永远就是一个洗菜的。
S*y
15 楼
Ding!
【在 z****e 的大作中提到】
: 这种时代，想做螺丝钉，风险很大
: 以前ibm就以培养螺丝钉著称，什么都不懂，就懂他做那一小块
: 离开了ibm就不行了，搞得很多猎头都不喜欢去ibm挖人
: 以前ibm不裁员，有纯蓝的说法，就是在ibm干一辈子，然后退休
: 但是后来不行了，ibm年年都裁员，it不是一个混日子的地方
: 唯一不变的就是改变，ds这块严格说来是以前db和分布式的延伸
: 或者再精确一点，就是数据挖掘的一个发展
: 也许我们不指望一个人什么都会，这是一个绝对理想的状态，可能永远都实现不了
: 但是从这个理想状态出发，选择最逼近这个状态的候选人
: 这应该是所有公司雇人的基本思路
【在 z****e 的大作中提到】
: 这种时代，想做螺丝钉，风险很大
: 以前ibm就以培养螺丝钉著称，什么都不懂，就懂他做那一小块
: 离开了ibm就不行了，搞得很多猎头都不喜欢去ibm挖人
: 以前ibm不裁员，有纯蓝的说法，就是在ibm干一辈子，然后退休
: 但是后来不行了，ibm年年都裁员，it不是一个混日子的地方
: 唯一不变的就是改变，ds这块严格说来是以前db和分布式的延伸
: 或者再精确一点，就是数据挖掘的一个发展
: 也许我们不指望一个人什么都会，这是一个绝对理想的状态，可能永远都实现不了
: 但是从这个理想状态出发，选择最逼近这个状态的候选人
: 这应该是所有公司雇人的基本思路
P*6
16 楼
这个没错，计算机，Machine/statistic learning, 行业经验我觉得是DS的三根支柱，
有两个不错，再会第三个就可以了。三项全能很难。但是zhaoce说的也不错，由于最近
大量数据的快速积累，造成处理大数据的需求要远高于后两者。这个形势跟不上，至少
做DS很危险。
【在 r*****d 的大作中提到】
: 高级的ds是有行业经验的，见多识广。
: 比如hedge fund里面做algorithimic trading research and development的就有金融
: 经验，
: 看心脏病的医生有临床经验，
: 要不然永远就是一个洗菜的。
有两个不错，再会第三个就可以了。三项全能很难。但是zhaoce说的也不错，由于最近
大量数据的快速积累，造成处理大数据的需求要远高于后两者。这个形势跟不上，至少
做DS很危险。
【在 r*****d 的大作中提到】
: 高级的ds是有行业经验的，见多识广。
: 比如hedge fund里面做algorithimic trading research and development的就有金融
: 经验，
: 看心脏病的医生有临床经验，
: 要不然永远就是一个洗菜的。
r*d
17 楼
理解你的想法，不过我还是觉得行业经验是本，其他两个是工具。
计算机那边，推陈出新那么快，前浪沙滩上的倾向性很明显；
统计这边虽然技术相对稳定，但如果没有行业经验指导，也不得其神。
我们大家加油就对了 ：）
【在 P*****6 的大作中提到】
: 这个没错，计算机，Machine/statistic learning, 行业经验我觉得是DS的三根支柱，
: 有两个不错，再会第三个就可以了。三项全能很难。但是zhaoce说的也不错，由于最近
: 大量数据的快速积累，造成处理大数据的需求要远高于后两者。这个形势跟不上，至少
: 做DS很危险。
计算机那边，推陈出新那么快，前浪沙滩上的倾向性很明显；
统计这边虽然技术相对稳定，但如果没有行业经验指导，也不得其神。
我们大家加油就对了 ：）
【在 P*****6 的大作中提到】
: 这个没错，计算机，Machine/statistic learning, 行业经验我觉得是DS的三根支柱，
: 有两个不错，再会第三个就可以了。三项全能很难。但是zhaoce说的也不错，由于最近
: 大量数据的快速积累，造成处理大数据的需求要远高于后两者。这个形势跟不上，至少
: 做DS很危险。
相关阅读
物理phd真心请教转行做dataA position of Marketing Analyst基于DS的startup究竟都申请些什么专利？都用了spark了吗？datascientist几个基本问题big data－大纽约地区聚会高大上的公司里的data scientist都做什么样的project？DS是不是需要数学基础很强有人面过kwantera新鲜面经龙泉寺 zzHadoop Spark 学习小结[2014版] (转载)要不要继续当ds？建模过程中对于outlier的处理问题Bioinformatics Position in a Genomics Center in a University in the Southern California有没有人上过stanford data mining 或者bioinformatics graduate certificate 的课推荐引擎的职位大数据时代和金融--- 海量数据，"大数据"和高频数据，从"Big Data"谈开去之二Google CasualImpactNational Big Data Events