Re: [請益] 資料科學與網頁後端領域的選擇

作者: SFMAndroid (安卓發送)   2019-09-21 01:18:56
※ 引述《b10130402C (Klay射手)》之銘言:
: 版上大大們好,如題,想請教各位的意見以及徵詢大家的看法,謝謝。
: 目前為自學 Python 兩個月半,從最基本的能力迴圈、def、class等觀念重新學起,學會技能列點表示:
: 1. 程式基本觀念活用 ( 迴圈 、陣列、 python 中的 class 類觀念、Dict 使用 、 csv.DictRead & DictWriter 使用、tkinter 按照課程操作一遍)
: 都是跟著 Coursera 學習,皆可完成課程作業。
: 2. Python 中的 Modules ( Numpy , Pandas DataFrame , Matplotlib 畫圖操作 ) 莫凡影片加上第三點的 Side Project 會頻繁複習 1 & 2
: 3. 爬蟲技巧 ( request , BeautifulSoup , Selenium webdriver 等操作 ) 有自己寫出兩個小小的 Side Project ( 爬 2019 電影版好雷的電影 & 爬簡單股市
: 存進 SQLite 練習操作資料庫)
: 4. Django MTV 系統練習,已成功作出小部落格跟 To-do-list ,也練習 heroku 上傳成功
: 5. 因為對資料科學有興趣,統計還算過得去,但是管院沒修過線代,重修李宏毅老師的線代跟買書瞭解機器學習概念
: 未來會花時間學習「資料結構」與「演算法」跟開始作 LeetCode ,自己對於網頁後端跟資料科學都很感興趣,自學兩個月還蠻開心每天都有進步。
: 後續要找工作,時間壓縮情況下,勢必只能往一個領域的技能樹點。
: 資料科學領域:發現要找資料分析工程師或是機器學習相關的工作,還沒辦法實戰 ( 還沒打過 Kaggle ),普遍好像對於學歷都蠻要求要博士或是工作經驗3年以上,對於這塊領域在業界的趨勢也不是很瞭解,如果求職此方面工作是否需要作品集? 想請教此領域在業界新鮮人的能力要求或是發展?
: 網頁後端領域: Django 後發現作網頁蠻好玩的,但我的致命缺點為前端能力 ( HTML 、 CSS 、 Javascript )完全沒有,HTML 只知道是標籤組成,寫網頁也是硬擠出來,後續往此領域勢必要將前端的洞補起來,有摸過 MySQL 跟 SQLite 作前後端串聯,想請問各位大大後端工程師相對於前端能呈現的作品集大致上呈現為何? 對於網頁後端的發展我的看法為比起資料科學相對成熟,也想聽聽看大大對於後端工程師的看法。
: 謝謝各位花時間看完,因為真的有點迷惘,所以跑上來詢問,有任何建議或批評也可以直接點出,非常謝謝你們!!
統計轉後端的來說一下心得
之前分別做過一個Data Analyst和一個Data Scientist的實習
全職後端大概2年
現在在唸資工碩班
作者: fyc22122 (阿興)   2019-09-21 01:47:00
Data scientist絕對很多都要兼你講的Data Analyst 尤其一些非lab跟非科技業的而且senior data scientist 很多也是要帶領團隊跟專案
作者: BignoZe (BignoZe)   2019-09-21 02:10:00
好文 推
作者: backprog (back-propagation)   2019-09-21 02:15:00
相當清楚推
作者: fishstay (小f)   2019-09-21 02:34:00
好文推
作者: Saaski (GreedIsGood)   2019-09-21 03:27:00
push
作者: chocopie (好吃的巧克力派 :))   2019-09-21 03:41:00
作者: olycats ( )   2019-09-21 03:55:00
本身做資料分析/資料工程各半 寫得不錯推推
作者: rainingmoon   2019-09-21 03:58:00
好文推
作者: DrTech (竹科管理處網軍研發人員)   2019-09-21 07:58:00
這叫好文?。資料科學家真的被亂用了不太需要跟業務打交道?那間公司阿只搞技術怎麼做資料科學家呢離開業務的資料科學,或建模怎麼做?真正工作時,又有多少時間在寫程式或訓練模型呢?
作者: Murasaki0110 (麥當勞歡樂送)   2019-09-21 08:26:00
算了啦,這邊不是剛畢業就是只需要default model的公司
作者: pk790127 (<>)   2019-09-21 08:31:00
好文推推
作者: vincentman (Vincent)   2019-09-21 08:54:00
還不錯的文,推一個
作者: sxy67230 (charlesgg)   2019-09-21 08:56:00
DS不只在台灣,在國外除非像google 這些巨頭公司,要不然其實做的工作一樣很雜,分析報告、研究新模型、甚至到後端架構、業務面向其實都會包到的。薪資差距也極高,強者就是越來越高,普通人就只能往另一邊靠攏。能進去巨頭的DS也是萬中選一的人才,當然挑戰也很高
作者: SFMAndroid (安卓發送)   2019-09-21 09:22:00
抱歉 DS的樣本只有2個 一個G一個MS我自己以前做DS也是全包所以我覺得很多公司的DS都不是DS所以後來就放棄DS了XDD
作者: gbd37 (我想抓波波)   2019-09-21 09:54:00
寫得不錯 某樓就別氣了 本來大家對DS的認知不一
作者: loveu8 (RA1-推廣)   2019-09-21 10:26:00
推!!~
作者: b10130402C (WinJamison)   2019-09-21 10:58:00
謝謝S大花時間回一篇文告訴我業界資料科學的狀況,真的很感謝你,含金量很高,可以幫助我們多了解DS這塊領域,我先把這篇收藏起來不過 Data analyst跟我想像差異最大,感覺被當作業務使用
作者: Hsins (翔)   2019-09-21 11:32:00
DA 很多缺是開給社科院的
作者: PoloHuang (黃保羅)   2019-09-21 11:34:00
受用了
作者: mirror0227 (鏡子)   2019-09-21 12:39:00
好文推
作者: joejoe14758 (KILE)   2019-09-21 12:40:00
業界不一定是這樣啦 至少台灣和美國還是有落差的
作者: zero11995 (囧)   2019-09-21 12:44:00
作者: judge1226 (淡然宇靜)   2019-09-21 13:52:00
推,雖然我覺得台灣真的是混用了QQ
作者: cougarboy (HAHA)   2019-09-21 14:43:00
作者: netburst (133 134 592)   2019-09-21 15:06:00
切版應設計師切吧應該說介於前端工程<>設計師
作者: wilson85771 (HOW)   2019-09-21 15:35:00
台灣純研究的 DS 缺真的太少了,不要過度美化 DS 工作
作者: g5637128 (幫QQ)   2019-09-21 19:16:00
推,希望之後有空的話能再講講前/後/全端的部份
作者: yupog2003 (屁股)   2019-09-21 20:56:00
推整理清楚
作者: a2768387 (how che)   2019-09-21 20:59:00
推推
作者: pipisn1024 (Jason)   2019-09-21 22:18:00
超詳細 推推
作者: Csongs (西歌)   2019-09-22 12:34:00
是不是有重複啊@@但還是詳細給推
作者: kuantingyu   2019-09-22 17:31:00
對於想踏進這領域的新手 很大的幫助 感謝
作者: casd82 (28dsac)   2019-09-22 21:04:00
感覺超多人想做DS
作者: lukelove (午睡)   2019-09-23 00:10:00
事實上看到的DS就是點不同技能的BE, leetcode刷一刷問你尻過什麼套件, 怎麼建product, etc由於最靠近產品, 動不動要你從頭追root cause追到尾
作者: w60904max (自宅警備隊員)   2019-09-23 01:22:00
台灣很多DS就只是後端 call的API變sklearn或keras XD
作者: ruokcnn (Dean)   2019-09-24 00:41:00
在台灣掛DS的沒想像中那麼神
作者: louner (louner)   2019-09-24 12:30:00
淚推把人累死那段 台灣就是丟一個問題 要你全包資料蒐集清理 設計feature 跑model 開發部署跟維運 同時還要你做其他backend的事 幹
作者: sxy67230 (charlesgg)   2019-09-24 18:39:00
其實這反應了一個現象,業界經理人對DS領域的了解不夠深。光是看到演講某些企業經理人拿套件出來講講幹話就知道了。我還看過拿三個分類,3000筆數據的量來說自己效果屌打一條街的,還有一堆在吹噓的大概就知道程度在哪邊了。很多企業就是拿有深度學習的技術椪風,套套模板就說自己有技術的那種程度。
作者: Hsins (翔)   2019-09-25 09:23:00
我也見過拿 SAS 跑一跑就說自己大數據,洋洋得意說只要匯入資料就好的。
作者: aaa12478 (asun)   2019-09-27 10:50:00
收藏
作者: pig22022 (宏)   2019-09-27 17:41:00
主要還是看team的組成,根據某在台美商現況,DS除了train model和寫pipeline外,要跟pm和BE依照業務需求調整和做系統整合。通常science team也不是人人做research,會有部分的人處理BE和pipeline的整合。

Links booklink

Contact Us: admin [ a t ] ucptt.com