机器学习在职研究生

数据科学家 ：21世纪最性感的工作，可以说是每个数据分析师的最终目标，既然拿到的Stack Overflow调查问卷中含有数据分析师和数据科学家的数据，那本次报告的任务就是横向对比一下数据分析师与数据科学家，让大家对自己的未来的技能树选择能有多一点的数据支持。▌假设问题目前处在或者即将处在数据分析师职位的朋友应该打磨自己的哪项技能？数据分析师为自己未来的数据科学家之路应该如何扩充自己的技能树？问题解析本次报告尝试横向对比数据分析师与数据科学家，将在两个职业的比较中回答假设问题，这样做的好处是使两种职业更饱满的展现在读者面前，因为问题的针对性比较强，对比的过程中也可以很清晰的解答问题，所以本次报告以这样的形式展现出来。▌数据分析师与数据科学家上图中的语言与学历均以占比从高到低排列薪资首先拿到这个数据，自然要从大家最关心的工资说起：首先可以看出来，两个职业在接触编程人员中都有中等的工资水平，数据科学家更是挤进了前十，总的来说是相当不错的薪资水平了。更细致的来看数据分析师与数据科学家的工资情况，科学家工资不管是均值还是中位数都稳超分析师，且高工资处分析师的离散程度远远大于科学家，也就是说数据科学家在高工资处的分布集中度更高。性别这两个职业的女性从业率都超过了编程行业的女性（4.8%）均值，且数据科学家甚至达到了两倍的样子，可以说是对女性非常友好的编程相关职业了，其中的原因有可能是很多专业是学习数学或者统计的朋友跨行业自学编程来到数据行业。从不同性别的薪资来看，首先对比其他职业可以看出这两个行业男女工资基本上已经持平，跟其他行业中男性比女性工资高很多的情况形成强烈对比；随后从两个职业的对比中可以看出，从数据分析师进阶到数据科学家，两个职业女性的工资上涨幅度远超男性，女性工资均值和中位数上涨了50%和70%，而男性上涨只有45%和16%。编程语言输出了数据分析师与数据科学家使用语言蝴蝶图，将目前比较火的R和Python标亮显示，从中可以得出的东西还是非常多的：首先看数据分析师这边，基本都是使用SQL和R，其次是使用EXCEL中的VBA，而python使用的情况只有不到6%，这和我现在了解到的数据分析师的情况大致相符，基本是多用SQL做数据提取工作，小数据使用EXCEL，数据量比较大的才考虑使用R或python，目前从数据看来，使用R的占了比较大的比重。再从数据科学家这边看，基本上使用python的比例激增到40%，大家应当熟知Python是机器学习的利器，多看中预测结果的准确性，而R多用作统计推断的语言，所以从语言使用占比来说，在科学家这边，机器学习一定是一个绕不开的技能，不然Python激增这么多很难有合理的解释。不难看出的还有一点就是，SQL在科学家中基本不在使用了，而VBA却仍有不小的比例，看来简单的取数据的工作要么科学家已经交给分析师来做，或者自己动手使用python爬虫，而小量的数据仍有可能使用VBA进行前期分析。目前来看处在分析师职位的朋友应当吧更多的精力放在SQL和R上，然后尽力不要丢掉EXCEL，毕竟这个是基础技能而且还非常耐用，然后在为数据科学家做准备的时候，Python是一定要深入学习的语言，同时深刻了解业务和机器学习，这些应该是从该数据集中展现出来的方向。学历学历柱状图最明显的一点莫过于数据科学家的博士学位明显高于数据分析师和其他职业，可以说是门槛超高的一个职业了，大部分的科学家都接受了相当好的教育，本科以上的学历高达91%。数据分析师的学历基本属于平均偏上的水平，可以看到在硕士学位处35%的占比也很高的。综上数据分析师的学历门槛比较高，而科学家的门槛更高，分析师准备转行科学家的时候，磨练自己技术的同时还需要加强自己的专业知识也就是提升学历，边上班研究业务知识，边申请在职研究生或者博士课程也是可以选在的方向。编程时间相关从两个行业在不同编程年龄的柱状图来看，编程时间在6年以下的以数据分析师居多，而接触编程语言超过6年后，当熟练掌握了算法和业务之后转行科学家的比例不断上升，看来6年之内分析师们是需要为自己的数据科学家做好技能规划。从上班使用电脑时间来看，基本两者相差不大，都属于业界平均水平，只不过在科学家在5-8小时的时候稍微多一点，超过12小时时候稍微少一点。▌总结与结论数据分析师对自己目前的规划与未来的计划：目前扎实掌握SQL与VBA，掌握业务相关知识与R语言，尝试对数据库有更多的了解；技能树深化Python的学习，机器学习或深度学习需要提上日程；有条件的情况下尝试在职研究生，学习统计学知识，掌握更全面、系统的理论知识；

作为一名从业多年的程序员，同时也在带大数据、机器学习方向的研究生，所以我来探讨一下这个问题。首先，目前整个IT行业依然处在快速的迭代过程中，包括产品迭代速度快、技术迭代速度快、模式迭代速度快等等，快速的迭代速度自然会使程序员的工作压力、学习压力和竞争压力都比较大，所以不少年龄较大的程序员会选择转行，这些现象在IT行业内也具有一定的普遍性。近些年来，随着云计算、大数据、物联网、区块链、人工智能等技术的发展，IT行业内的技术迭代速度出现了前所未有的提升，往往是半年左右就有一次新的技术风向。从云计算到大数据，从大数据到区块链，从区块链到人工智能，再从人工智能到AIoT，这些快速的变化，不仅让科技公司疲于应对，对于程序员来说，也正在遭受前所未有的学习危机，往往一个技术还没有搞清楚，研发团队就开始调整方向了，这种情况在近两年表现得尤为明显。关于如何解决迭代速度快的问题，不少互联网人士寄希望于人工智能技术的发展，相信在人工智能技术发展到一定程度的时候，产品的自适应能力能够满足市场的需求，同时能够在一定程度上解决目前快速迭代所带来的巨大研发成本。从这个角度来看，对于大龄程序员来说，要想延长自身的职业生命周期，可以重点关注一下人工智能技术的发展。程序员要想从事人工智能领域的研发需要具备两个重要的基础，其一是具备一定的基础学科基础，比如数学和物理；其二是具备一定的研发环境，能够培养起自己的研发方法。最后，如果条件允许的情况下，读一个在职研究生也是不错的选择。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

特许金融分析师难考吗？这也许是很多考生最关心的问题了，被誉为金融第一考的CFA认证，它的考试难度自然不会低。事实上，CFA的考试难度从历年CFA考试通过率上便能略窥一二。可能对于在职金融人士和金融专业的考生来说，难度会稍微低一点。但有一点要清楚的是：CFA考试的知识对于所有CFA考生都是全新的，所谓难度低一点也只是有金融基础上手会相对容易一点。所以千万不能掉以轻心，对于有金融基础的考生也要认真备考，毕竟CFA考试难度摆在那里。至于成为CFA持证人难度有多大，特许金融分析师很难考吗？可以一起去看一下。CFA全称特许金融分析师，是由美国“特许金融分析师学院”(ICFA)发起成立。想要成为CFA持证人需要顺序通过CFA全三级考试，然后认证四年相关工作经验才能成为CFA持证人，并不是简单通过考试就可以的。其中CFA一级考试每年的6月、12月各有一场，而CFA二级、CFA三级考试只有每年6月份开考。这就意味着CFA考试备考周期很长，即使CFA全三级考试每次都能一次性通过也至少需要两年半的时间。就CFA考试题型来看：CFA一级都是独立的选择题CFA二级是基于案例的选择题CFA三级是essay和基于案例的选择题CFA考试难度有多大呢？其实CFA各级别考察的知识点都比较独立，相互之前关联不大。其中CFA一级主要讲的是金融学的一些常识，难度比较低，金融专业的考生比较容易通过。二级主要讲的是估值，知识水平大概在金融学研究生课程难度，如果有固定收益、投资估值方面的知识，应该应付难度也不大。三级主要讲的是组合管理，这个知识的难度水准比较难描述，但我觉着过了二级，应付三级问题不大。其实特许金融分析师CFA考试主要考查偏理论偏内容比较多，少计算。其中CFA二级考试计算量是相对来说比较大的，所以高顿CFA老师提醒各位备考的考生对于CFA考试指定的计算器使用要熟练。特许金融分析师很难考吗？因为CFA是一门全英文考试，所以可能很多人会问到关于英文水平的要求。CFA考试对于英语水平的要求并不高，主要的是一些金融专业术语的英语需要熟悉。在CFA考试中，道德部分往往有较高的阅读要求，能不能快速准确地读“懂”题，必然是能不能快速准确的做“对”题的基础。教材和notes用词规范，语法简单，短句多，有六级水准完全应付绰绰有余对于一些英文基础不好的考生，强制自己每天保证30000-40000词的阅读，比如每天看原版书40-50页，本身就是最好的专业英语训练。CFA对于数学其实从来没有什么太高的要求，基础数学知识就够用了有的考生会咨询到CFA考试新加入的Fintech内容，这里也可以给诸位分享一下：Fintech是个广泛的科目，按照CFA部门主席Lisa Plaxco的说法，Fintech科技会被分成4个组别：第1组别包含：金融分析，大数据分析，人工智慧，机器学习与演算法证券交易。第2组别包含：科技对于投资组合与资产管理的影响，尤其是机器人建议系统的引用。第3组别包含：同侪借贷、影子银行与群众募资的崛起。专注于资金如何流入经济系统里。第4组别包含：市场基础建设、行动付款、区块链技术、高频交易、比特币等付款系统以及监管机构如何使用科技把关。”特许金融分析师很难考吗？其实不然。最后，高顿CFA老师预祝各位考生早日成为CFA持证人！来源：高顿

【TechWeb】近日，任正非连续签署2019新年017、018、019号总裁办电子邮件，针对研发体系2018年离职的82名博士员工和104名在职博士员工、制造部11名在职博士进行访谈与数据研究，详细阐述了华为为什么留不住高精尖人才。数据分析显示，华为公司博士类员工近5年累计平均离职率为21.8%，入职时间越长累计离职率越高，2014年入职的博士经过4年，只有57%留在公司。华为认为，博士人才留不住，主要有以下几点原因：第一，进入公司的博士工作安排随意，“用非所学”，浪费了长期累积创造价值的资源。第二，转岗难，内部转岗过程政策的不透明、种种的过程潜规则、部分主管人才的“私有化管理…”让他们心有余而力不足。第三，博士认为部分领导水平不行，有些“外行指挥内行”的意思，如果不能理解与指明技术发展的方向，将严重束缚了团队与自身技术能力的发挥。第四，华为本身存在的问题，公司层级太多、缺乏自由度、没有让高水平人才实现自我成就感。以下为三封电邮全文：打造引领战略领先的“华为军团”，怎样才能避免“叶公好龙”？之一作为公司创新主体的2012实验室及研发体系的博士员工群体为什么流失近期公司总裁办转发了《Google的秘密军团》一文，引发了网上热议，Google在发展初期为实现敢为人先、创新驱动、战略领先的溢价优势，在人才管理上实施了“杀鸡用牛刀”的策略，大量获取既能研究又能动手、既能创造又极富主动性的优秀博士，通过研究与开发一体化的过程，迅速地将人才优势转化为了技术优势、竞争优势和商业优势。从某种程度上看，这就是公司5年来一直在谈的“精兵战略”的一种实例。需要澄清的是，本文在谈精兵战略时，并不意图矮化当前硕士、本科以及一切为公司创造价值的员工对公司的积极贡献。只是聚焦我司从事研究工作的博士群体，见微知著，有利于我们更直接、深入地去分析该如何调整好人才策略与管理，让每个优秀人才能充分发挥其才智与创造的主观性，并促进我们相关部门日常业务与人力资源管理的改善。心声社区上的一个回帖给我们提供了研究的初始线索：“华为的土壤是否适合高精尖的博士的生存？其实每年公司都投入大量的专职人员在专职搞博士招聘，但是高精尖的博士入职进来的很少（待遇、口碑、岗位等因素），进来的博士留下来的也很少，留下来的博士是不是真正的有让其发挥的空间、岗位和机会？以我个人遇到的情况来看，我招的3个博士，进来一年后有两个离职了，一个就在研发干普通的开发和测试工作，很难形成独特优势。”为此，公司咨询委员会、人力资源秘书处和人力资源部人才管理部从不同视角进行了联合独立调研，选取研发2018年离职的82名博士员工和104名在职博士员工、制造部11名在职博士员工进行了一对一的深度访谈调研和数据分析，形成以下三份对比调研报告。本报告聚焦2012及研发体系从事研究工作的博士员工为什么离职。1、人才土壤“肥力”的持续流失，怎能沉淀出战略领先的基础数据分析显示公司博士类员工近5年累计平均离职率为21.8%，入职时间越长累计离职率越高，2014年入职的博士经过4年，只有57%留在公司（如下图表所示）。而其中更令人担忧的是特招博士的离职情况。特招博士主要来自国家重点实验室、已有成功项目研发实践经验的优秀博士或重点院校重点专业的优秀博士，在校招时定位为公司未来各领域内技术领军人物。但从下表数据看，33%-42%的离职率也很难说我们对这类优秀人才苗子的管理处于较好的状态吧。2、“英雄无用武之地”是人才土壤“肥力”流失的主要因素在愿意接受访谈的82名离职博士员工中，有56人反映离职的主要原因还是岗位与个人技能不匹配、主管技术能力弱导致自身发挥受限、自身特有优势无法发挥等。尤其是入职2年内的博士员工，满怀激情而来，而在一次次学无所用的心灰意冷中离去（参见下图所示）。3、华为这么大，英雄为何没有用武之地？——工作安排随意，“用非所学”，浪费的不仅是一个员工一段时间，更是一个已经完成长期积累的价值创造资源让我们来听听离职博士员工的心声：“原先说是硬件岗位的，来了却安排做算法”，“我研究的专业方向是图像及深度学习，入职后从事偏硬件和落地的岗位”，“学图像的博士转去做知识图谱，完全要重头学起”，“研究方向是系统架构/硬件/嵌入式，入职后从事内存测试算法”，“我的方向是偏算法和基础研究的、进去之后做的工作偏维护和运维”，“研究方向信号处理，进来做网络传输方向的创新和攻关”，“激光雷达是我的核心专业，来华为太偏数字集成，当前岗位只用了我硕士学习的东西，当前岗位再做下去，相当于我几年博士都白读了”，“我是安全方向的，新部门和安全一点关系都没有”，“我之前是做芯片设计的，进去后安排我做后仿，媒体仿真，完全将自己当成白丁开始做”，“我想分到一个和学校研究相似的架构组继续做，结果分到了另外一种架构，不太熟，失去竞争优势”，“博士方向是做激光通信的，入职后一直做信道估计，太窄了学不到东西，离职后现在在做系统架构，现在做的东西范围更广，成长更快”，“岗位偏测试偏验证，可靠性的验证，偏研究的东西少，这个东西不太适合学历太高或比较专研的人”，“我是做机器学习的，来华为做数据库，没有用到专业能力”，“我是学IC设计的，入职后让我做测试而且是操作类测试”，“华为分的太细，部门墙，部门领域就是这块业务，非自己部门的不能去涉猎。博士想要在自己所在的领域发挥，在华为挺受约束的，一直在找，2年也没找着” ，“事少人多，一件事好几拨人在做就会产生内耗（当前有5拨人在做同一件事），而且当前内耗很严重，不能为了招博士而招博士，不能因为不差钱就拼命扩招”……——转岗难，转岗难，人尽其才只是传说中的故事在访谈中离职博士员工也坦诚地说，其实他们还是非常希望能在公司内找到能学有所用、发挥一技之长的岗位的，但是内部转岗过程政策的不透明、种种的过程潜规则、部分主管人才的“私有化管理…”让他们心有余而力不足，一走了之成了无奈之举。他们反映：“2012内部是不能转的，据说有政策限制。但离职沟通时，HR又说没有这样的政策”，“部门主管明确和我说了，要么离职，要么留在这”，“在华为，申请转部门不是一件容易的事，一提就会留给领导的印象不好，后面会影响绩效”，“转部门很难，如果转不成，新的部门没去成，原部门就会进入资源池，风险太大，还不如离职了”，“入职不满1年，不符合内部人才市场的条件”，“我和领导提了，领导不想解决这个问题，说是技术负责人，不愿意放我走”…竞——“武大郎”的庙，无法提供“武二郎”的发挥空间很多离职博士谈到当前随着技术种类的增多、技术变化的加快，部分主管自身技术能力的南郭化，不能很好的理解与指明技术发展的方向，严重束缚了团队与自身技术能力的发挥。比如：“项目组空降了一个主管是做软件的，不懂算法，只是push进度，从赛马里找bug，跟踪是否符合规范，也把握不住重点，不懂业务，对我们的工作指导都是副作用”，“基层LM/PM能力参差不齐，没法对博士的能力做出客观的评价，包括技术方向的判断，但高层领导水平还是挺高的”，“内部导向风气不太喜欢，基本上领导说了一句话，大家一窝蜂的都说对，如果是用户导向或技术导向也行，但如果根据某个人的意志去行，我觉得不合适的。我离职的时候，私下交流，大家也都这样认为，部长的想法，基层PL,PM只会PUSH我们不计代价去执行，从下到上基本都这样”，“整个公司在软件模式，软件人才培养或未来方式上，水平不是很高，包括领导的水平，都比较落后，不管技术水平还是管理水平，和领导做朋友平时都挺好的，但在业务上技术上的水平一般，PL也有，包括4级部门主管在内也有，当前在A公司，感觉A公司在软件方面比华为高一大截”，“领导也不懂技术方向，感觉就是瞎指挥，他以前做的比较杂，从固网过来的，我们这开拓一些新方向新领域，他可能还是追求老一套的观念，技术上也不愿太多去了解，又要去指挥”，“因为要做岗位轮换，部分中层领导在技术方向判断上不是很专业，导致他们的施政方针上前后有不同，在项目的延续性和新项目的论证上，判断不专业，出现外行领导内容，对项目基本一拍脑袋，很多时候是无法实现的，为了所谓进度要求提出一个不切实际的要求，会加大项目难度，让下面疲于奔命”，“红蓝军变成彩虹军,很多团队在干同一件事，大部分人在做无效的事，资源浪费，外行领导内容，领导判断一件事不是基于技术或客户价值判断，而是看上级的脸色，我所在的部门至少有一半的博士处于精神离职的状态，有了机会肯定会走”……——富有挑战的机会、结果导向的简单氛围、相对宽阔的发挥空间、活跃的学习环境、能将技术想法变成实际贡献，是博士员工能真正发挥作用的组织土壤离职的博士员工不约而同地对当前与在华为时的工作环境进行了对比，提到了很多他们认为能真正发挥自身才干的组织氛围要求。比如：“现在在A公司，各部门各自创业发展的氛围比较浓，有挑战也有空间，可以自己尽力发挥。而华为类似庞大精确的机器，靠大量的人力物力投进去，大兵团，军队一般的纪律，将东西做出来。而当前公司虽然很大，但崇尚小兵团作战，在一个小团队内认为1个单兵能力强的可能顶的上3-4个能力不强的个体，可能每个组织都有各有优势吧！”，“在B公司做软件，工作比较有挑战，比较有前沿，软件比华为高一大截，包括预期收入和未来成长都比华为好一些”，“我在C公司，和现在差不多，以前在华为做平台，现在在交付线，和华为不一样，做虚头巴脑的事情比较少，领导所有的决策基于专家的技术判断。在华为没法接触到3级领导，但在这里，你交付的这个项目，交付的很有价值，你可以汇报到VP，甚至一级部门总裁，华为是3级部门要看2级部门领导的脸色，不是基于价值判断，不是看市场到底有没有需求“，“当前在D公司，更偏向落地，不会像华为一样，好多团队在争抢一个项目，这个项目交给你，认为你能做好，配套好，把相关的人都做这个方向”，“在E公司，从事现在的工作和华为一样，最核心是更自由一些，如果你觉得有问题，大家讨论后知会相关人就可以改，改完后上线测试，整个运营效率会非常高，你会感觉一直在往前推动，没有将时间花费在无用的流程，文档，一堆问题单，一堆对齐会议上，一旦事情很高效你整个工作状态就会不一样”，“华为制度比较完整，什么事都按照流程来，调研1个月，立项3个月，选择技术路径3个月，开发3个月；给个人发挥的余地不是很大，每个人都是制度下的螺丝钉，制度非常好，做什么事都经过评审，但对个人也就限制了范围，B公司偏自由，给你发挥的空间也更大，刚好是两个极端”，“在F公司很明显的不同，学习氛围不一样，华为研究院是一个比较闲的地方，没有业务压力，没有Deadline，但在F公司，我同学也在做很偏工程的事，学习劲头很足，学习新知识的氛围很浓厚，我觉得现在公司比较有自己的性格和坚持，对技术讨论更活跃，不仅仅是着手于眼前的工作，工作是暂时的，他们会挤出时间来学习，比如偏工程，因为缺乏学术的专业知识，比如几十年前就有研究过，他们就会去学，因为我是博士，他们就会来找我，他们看了之后，就会组织讨论会分享会，看这个论文的感想，做些改进，但都是自发的，自己都会有一种紧迫感，自主自发，看别人在做什么，看相关研究在做什么，即便这个研究不是他们的KPI，在华为研究院这个氛围不浓厚，可能也是太忙了，本身可能也没时间，当一个项目投入是朝9晚9的时候，你根本不会有心思投入去做别的事情”，“华为的博士招聘有点盲目的，G公司和我讲的非常清楚，来做什么、待遇是什么？包括能报销什么，你来了就是这些钱，包括你做的事是什么，都很清楚。我在华为工作几年，感觉华为真的很有钱，都浪费了，招的人都不能干活，招这些人干嘛，没想清楚就招进来，我来G公司干的活比在华为2年都做的多，但我也并不感觉到累”,“在H公司，我的技术想法能快速实现到产品上。但在华为，比如中软是预研，做的东西看不到要多久才能落到产品。”打造引领战略领先的“华为军团”，怎样才能避免“叶公好龙”？之二从制造部实践看如何用好博士员工群体的经验前文分析了当前公司创新活跃的2012实验室及研发体系博士员工的离职情况，那么是否华为就不善于使用博士员工呢？是否是华为严格的管理流程与作业规范，天然就限制了博士员工的创造性发挥呢？答案显然不是！在咨询委员会深入走访制造部、学习调研公司先进制造转型的过程中，我们却发现在最需要严格规程管理，传统上感觉创造性并不很强的公司制造部，所遇到的博士员工却都是两眼放光，精神面貌极好。我们看到一群来自各专业的博士员工，集中在先进制造实验室，有学图像处理的博士正在利用光照相技术研究如何让线路板上的机械手更好地完成器件自动化插拔；有学算法的博士，正在研究如何利用先进算法提供解像度来提高自动化设备识别板件的能力；有学机器人的博士，正在研究如何让机械手模拟人手柔和的动作，以保障机械手能进行更精密的装配…学有所用、用以促学，不仅是我们在与他们访谈时获得的信息，更是在现场看到的实际工作场景。这样的博士团队应该是被高度激励的团队，应该是稳定的吧？带着这个假设，我们立即调取了制造部的博士离职数据，果不其然，制造部博士员工的离职率很低，具体数据如下：制造部15-19年累计招聘博士54人（已离职4人、调岗2人、在岗48人），博士整体离职率仅为7.7%。到底是什么原因，使传统意义上并不是创新高地的制造部的博士能安居乐业，学以致用，不断做出贡献呢？有什么经验值得我们总结并可以给公司相关部门分享呢？带着这些问题，我们邀请人力资源部人才管理部的专家，随机抽取了制造部的11名博士员工，进行一对一访谈，实践案例与分析发现如下:一、典型案例：案例1：招聘前深入调查经历，入职后人尽其用，岗位职责很match我16年入职，刚好满三年。当时是公司制造部的副总裁专门去华科面试我，就是为智能制造专项项目。他说他们有几个项目，刚好跟我之前做的非常之吻合，我才知道他们招聘我之前，已经深入调查过我的经历，我本、硕、博包括在A国留学，一直学习智能制造方面的核心算法，我做了十几年的东西居然跟这个岗位职责这么match，然后有人可以这么的赏识我，我学到的东西是可以得到认可的，有一个好的应用，这一点其实是我一直想要做到的。有很多小一点的公司不愿意，或者没有必要引进这种很高深的算法去帮他做，小公司流程很简单，也没有那么多的复杂场景，反倒不需要这种人工智能，但是华为这个平台够复杂，足够的场景，反倒对我们学这种复杂算法的人提供了一个机会，我觉得公司这种应用场景跟我学的是很匹配。毕竟千里马常有伯乐不常有，所以我二话不说，想都没想，就来了华为，只面试了华为一家企业，也没有找过别的公司，也没有看其他的岗位。入职之后算是人尽其用吧，我做的那些算法就是他们项目需要的，我觉得特别好，就挺开心的，在读博士阶段开发的研发成果就可以很好的带过来用，这样的研发就会更快，不用从头开始起步。案例2：我觉得我来晚了我17年入职，我个人觉得在华为制造部感触最深的就是领导非常尊重知识、尊重人才，这是吸引我大部分的原因，我觉得我来晚了。我的领导非常支持我的工作，比方说有一个不良率，我参与进去分析这个原因。我提出来一个假设，然后领导说，你就是要坚持你的观点，要大胆假设小心求证，错了也没关系，错也能吸取经验教训。最后证明我的分析判断还是对的，我们把这个原因找出来，对其他的项目是非常有借鉴作用，我觉得领导的观念和眼光非常棒。案例3：增加博士群体并集群使用，可进一步提高效益，现在有价值的东西，缺人手，只能忍痛割爱我的团队只有一个博士，有很多项目缺人手，我实在负担不起，只能忍痛割爱，按照项目优先程度、项目时间紧急程度，把Top3或者Top5的先做。一些现场问题看着好像很小，但是很紧急，也是有需求的，只好先快速给一个方案，但是这个方案其实不够好，我只能先把这个不够完美的方案给出去，但我自己心里其实是很愧疚的….. 现在人的资源不够，如果有个帮手，至少不会像现在这样拖着别人，我希望专家和博士的队伍可以更壮大一些。还有，我们这边虽然也有一些博士，但都分散在各个领域，是一种单打独斗的模式，我一直都喜欢团队合作的感觉，因为之前在实验室、在学校里就是需要有一个team，大家在一起群策群力，然后也有很多思想的碰撞跟火花，更多的同仁加入进来，这样做事情效率也会高一些。案例4：要加大博士间的交流互助，武林高手要过招，功夫才有进步手机显示技术进步非常快，日新月异，我觉得再过一年我可能out了，就要落伍。因为这个行业进步太神速，我们P20、mate20现在卖的供不应求，马上就要P30了，如果我只吃过去的老本，却没有思想、知识的更新迭代，我很快就会落后，这也是我的危机感。我觉得多一些互动交流，有助于我们日常工作中遇到的问题的解决。现在博士聚在一起互动交流的机会还要增加，如果博士多一些交流互动和思想碰撞，即使不是同一个领域的，但是某一方法论或者一个借鉴的案例，也可能会帮助问题的解决。武林高手要过招，功夫才有进步。通过以上有益尝试及待改进场景的访谈与分析，我们试图小结出业务部门有效利用博士专业知识的一些经验。第一、要差异化理解博士所具有的典型专业特征，技能与责任匹配是用好博士员工的基础1、优秀博士敢于挑战未知、思考方式更系统全面，对学科前沿技术方向了解更多在学业研究阶段，博士接触的资源会很多、很好。我自己的导师是院士，能接触这个领域世界顶级的科学家。我觉得优秀的博士更合适做大系统的架构设计，因为博士是自己思考问题，自己解决问题，自己找资源做出来。我当时的导师跟我说过一句话我非常有感触：一个博士能不能毕业，不是老师觉得你能不能，而是你自己觉得你能不能。当你真正研究到达一定的阶段，你自己是有感觉的，你会觉得在这一块我自己已经是专家了才能毕业。博士多学了几年，而且是在这个行业里面浸染，参加行业交流，对这个学科前沿方向技术点了解地比硕士更多，面对工作的时候更加游刃有余；另一方面，博士受过系统的思维训练，在解决问题上更有优势。硕士一般大体知道有答案，去寻找答案，博士的难度在于，导师也不知道有没有答案，也可能找不到，找到就毕业，找不到就再找问题去找答案。所以博士在研究未知问题上更有优势，比如，我以前在北航的时候，参与一个国家级的“九五计划”的课题，编写一个可靠性的工具套件，当时我们实验室有5、6 个人参加，只有我一个人是博士，其他都是硕士，每个人负责一个模块，最后代码编完了，导师拿去演示，回来说只有我这个没出错，其他人都出错了，其实我就是在编代码的时候加了一些容错机制。2、制造部门的博士要懂产品，也要懂制造，才能提供更好的研究方法去实现产品的质量与可制造性制造部不做产品，但是我们提供更好的方法去实现产品。我们既懂产品，又懂制造。制造发现了研发没有发现的问题。我们要发出自己的声音，有理有据，倒逼前端思考，告诉前端设计产品按照我的路线设计，我让你信服！我们车间其实有很多的问题点，打个比方，这是一条河，研发是上游，制造在下游，鱼从上往下流，上游把鱼基本上捕的差不多了，下游量产阶段时候鱼已经很少了，但还是有漏网之鱼。这就是研发工作也有很多不太扎实的地方，还有可能改善的空间。我的工作其实就捡这个漏，有些比较疑难杂症，我们就介入进去了。制造部的博士日常既有研究，又有交付，解决生产工程师们遇到的问题，提高效率，改善质量，我的工作是搞优化算法。优化的概念就是针对我们制造交付成本跟质量方面的技术交付，提供算法优化，包括机器参数的对接调整都属于优化。主要目的就是在我们资源的调配上，找一个优化组合方案帮助改善业务，主要是帮我们解决一些比较复杂的决策逻辑。有些复杂的决策问题，需要决策的时候，可以用这些优化算法去做一个工具，辅助人去做一些快速计算。平时的工作需求主要是针对于生产工程师们遇到的复杂问题，或者是他们会想提高效率，或者是改善质量的一些问题，他们觉得有困难会提到我这里，然后看是不是用大数据的方式来解决。现在我们在建这个数字化的能力，还有就是一些大数据技术能力平台，那这些工作会有一些涉及到研究方面的工作。第二、从源头上保障博士员工使用的有效性。招聘时定位是很清晰的、了解需求的高管招高端，博士来后发挥作用，招聘过程体验好，自然就更能筑巢引凤。1、我们制造部招聘感觉首先是对人的定位是很清晰的，招人比较准，所以配合起来很不错。我在美国留学的时候，一直学习智能制造方面的核心算法…..招聘时候是根据项目，对照我的简历才把我招进来的，因为他是等米下锅，所以我一进来就直接进了项目组，负责算法开发，这个项目其实还跟我还蛮对口。当时是公司制造的副总裁，专门去面试我，就是为智能制造专项项目，入职之后的话也算是物尽其用。他说他们有几个项目，然后我一听刚好跟我之前做的非常之吻合，就挺开心的，因为毕竟千里马常有伯乐不常有。招聘面试要全面考察，重点看曾经的经历是否与岗位职责和工作内容相关。2、华为的大平台+有竞争力的薪酬应该是可以的，其实很多博士生的学科实践性比较强，所以也想来企业看看，自己在这里能发挥作用，所以也愿意推荐同学进来。今后建议进一步改进博士招聘的体验，比如当时华为去我们学校座谈，宣讲，后来不知道怎么，博士这块就没有下文了。后来问招聘那个人，回复说我们主要招硕士，后面等通知。我发邮件又问了联系人，才给我转过来。当时我们三个同学一块去看的，都等了很久，也没有消息，后来一个人出国了，一个人留校了。一直听说华为很多硕士都是随机分的，专业可能不对口，博士招聘也会受到这种口碑的影响。第三、博士员工的使用专业匹配，产出明确，工作就有价值感。而直接主管在专业上放手要让博士员工处理，在资源、组织、协调上给与帮助，这种赋能型而非管控型管理，更容易促进博士员工的产出。1、博士所学即所用，是最有利博士研究积累发挥的途径。比如有访谈者谈到，他当前在制造部，大部分博士的所学专业与工作匹配度相对较高，制造领域的博士大都是工程类专业，产出较为明确，工作有价值感。我博士时读的专业叫系统可靠性，现在的岗位与专业完全匹配，北航我当时所在的学院叫可靠性系统工程学院，来华为就做可靠性工程师。还有访谈者提到，他主要是承接制造部重大项目，通过做一些模型的算法开发，就会发现有很多合作点和机会点，刚好用到这个刀刃。2、直接主管并不一定在技术上很强，但是在专业上放手让博士处理，在资源、组织、协调上给与帮助，就能充分发挥博士的特长。在访谈中，很多博士提到，主管不一定要在技术上很强，当然博士在技术上也需要人指导和帮助。一个合格的管理者一定会发挥下面人的力量，主管对专业的部分基本上都比较放手处理，主要是在华为内部的资源、组织、协调、求助上来帮助下属。把下面的人搞定，不需要靠技术来压下属，虽然管理者大部分是技术高手，实际上，只要思路清晰，把下属能力发挥出来，不管是博士还是硕士做主管都可以。四、尊重专业、创新容错、沟通学习的团队氛围，是博士员工更容易发挥的组织土壤1、博士员工在专业研究方面的积累以及社会接触较多的现实，客观上使他们比一般员工更看重组织对个体及专业的尊重。比如访谈中，有博士提到：“制造这边对博士还挺高看一点的，在制造还是挺看学历的，比如昨天的制造部年会，博士还作为被邀请对象参加晚会，不管有没有获奖都列席晚会。作为制造部的博士，还是感觉到差异化对待的，比如在二级部门，即使没有到19级也是和19级专家作为一个群体来对待，参加晚会，列席一些业务的会议，是对人的关注和关心比较好。感觉比较被尊重，很多事情会尊重我的想法。比在台湾感觉好。在台湾T公司世界各地的人才很多，自己去了容易被稀释掉，去了就是听公司的。“，也有博士重点提到：”工艺工程部每年会组织团建，副总裁请我们吃饭。很佩服他的眼光，他的资源协调和分析能力很强，把握得很准，很有启发。感觉公司比较尊重人才，制造部会组织博士和专家团队，搞一些团建活动。制造部的各级领导都非常非常尊重知识，尊重人才，我觉得这也是吸引我的大部分原因”2、减少不必要的过程协调，让博士能专注工作，不同专业博士员工能更多交流，是博士员工有效管理需要进一步提高的方面。部分博士员工也谈到：“当前跨部门的项目、部门之间沟通协调花费时间较多，一个项目如果涉及多个部门，需要跟各方沟通；每个环节管理的段很短，超出这个领域一点点的东西，就需要跟相关部门去沟通，很多时间用来开会沟通。身边有个博士转到产品与解决方案去了，还有两个离职，感觉不同部门之间协助性差一点。”，很多博士也提到，希望不同部门的博士之间可以多一些非正式的交流。比如“在台湾T公司，当有新的议题涉及未来5-10年的技术发展，公司会找到相关领域的博士专家来讨论未来的方向，一起头脑风暴。组织头脑风暴的人是集团副总级别，他们都清楚博士的领域，对不同的议题能找到相关领域的博士一起讨论。但是现在的岗位比较偏制造，感觉很多是2012实验室规划，我们只是执行。我们跟2012实验室沟通很密切，但是我从业界过来我很清楚业界怎么做的，其实跟2012 不一定要是上下游，应该是平行的”，“在日本也有个模式，会定时把某个专业领域的人才聚在一起交流。每周比较轻松的时候（例如周五）一起举行非正式的交流，办一些内部的讲座，提供小点心喝咖啡，类似内部研讨会。上周在开一个会议交流时遇到一个南洋理工的博士，他的项目对他来说很有挑战，但是他后来通过他的主管，知道我很熟悉这个领域，才找到了我”。打造引领战略领先的“华为军团”，怎样才能避免“叶公好龙”？之三对于差异化管理，打造冲击领先的“华为博士军团”的大胆思考面对变化的营商环境，公司只有通过技术/产品/商业模式的战略领先、通过为客户与行业提供不可替代的价值，才能最终战胜挑战，赢得和平与发展的机会。为抢占技术制高点、补齐战略性短板，公司已连续数年投入大量人力物力进行博士招聘，优秀博士员工正在成为我司追求行业领先的精兵来源，或许在不久的将来，如谷歌那样，在华为战斗成长起来的优秀博士会成为公司在各专业领域向领先发起新一轮冲击的核心力量。从当前对于多个部门对于博士员工使用实践的经验与教训调研出发，我们需要进一步思考：优秀的博士员工到底与其他员工有什么样的差异？我们该怎样面向这个人群提供差异化的管理方案？又该如何优化我们的组织土壤，筑巢引凤，让凤愿意来，发挥得好呢？一、我们认为优秀博士员工的特点是，理论功底扎实、掌握独立的系统工程和研究方法，自驱力和学习能力强，更适合从事研究创新及验证性的探索引领工作1、博士的能力优势在于理论功底扎实，掌握一定的系统工程和研究方法，掌握最新的前沿技术和发展趋势，研究探索能力、系统思考能力、发现和解决问题能力强，而且有比较强的自驱力和学习能力。当前的院校体系强调博士的宽进严出，毕业要求很高，论文和创新若达不到要求，就不能毕业。正如我们访谈中发现的那样，很多优秀博士谈到在求学过程中，是在一路挣扎中走过来的，抗压能力要很强，必须沿着创新的方向去做；有韧劲，经受过持续在一个方向上去钻研长时间的训练，否则，有可能发不出研究成果和论文来。所以，博士做探索与研究的理论积累、过程耐心特征实际上是被磨炼而逼出来的本事。长期的积累让博士在一个专业领域有了完整的认识，专业理论积累比较丰富，这个技术到底是个好技术、坏技术，博士看一眼就大体心里有数。而过程的磨炼，让博士强在学习能力、架构建模能力和系统思考的能力，能够把简单问题先复杂化，抽丝拨茧，然后把复杂问题再简单化，一点一点地看出来，到底是应该从哪方面开始改进。独立的研究环境让博士在面对问题时，倾向于独立去思考，或者是搜索文献，或者自己去思考或讨论，自己闭环验证，其实有一套自己的工作方法论了，所以，在工作中，其实主管并不需要管太多了。当然，不是所有博士都是如上述那样优秀的，我们在招聘中也要注意识别滥竽充数的南郭博士。2、总体上看，博士员工更适合不确定性、需要研究探索的工作。以创新探索为龙头、端到端验证工作可能是最能发挥博士员工作用的场景。博士员工对于长期从事重复性交付工作是排斥的，因为对于确定性事情，做起来没有挑战，博士员工会感觉被荒废，不愿意继续待下去。他更希望能独立交给他一件事情，能体现自己的作用，一个人把它搞定了、把它闭环了。在工作内容上，需要一些带有探索性的不确定性，需要挑战性，但在工作中，能给予一定的自主权。比如在研发工作分配上，博士员工能在标准研究、算法预研和仿真上的各段上都有工作承载，而不是只做标准研究一个点，以充分发挥其善于探索，惯于建模分析、解决复杂问题的能力。调研发现，博士员工研究能力强、硕士员工工程能力强，工作时候分工合作就能高效产出。而优秀的博士需要有强的工程能力，好的硕士需要有好的研究能力，只有充分了解好每个人的知识背景、知识体系，以及做什么事情会让他很亢奋如打了鸡血，才能为他们安排合适的工作或搭好业务班子。当前由于我们管理的粗放，找了很多博士员工去做交付，不一定合理，浪费了人才，浪费了宝贵的投资。博士员工拥有隐形的学术资源优势，因为他连接学术圈和导师。我们要看到博士员工后面的导师是他的独特优势，博士导师的品牌、博士跟导师之间的联系，是有利于公司充分享用学术界的研究进展，以及接触到其他优秀的博士和行业俊才。优秀的博士员工将是公司追求战略领先的重要力量，那么人力资源该如何从人群特点出发，以发挥人才价值创造作用为基点，需要解决什么问题，形成什么样的差异化管理解决方案呢？二、围绕战略短板提升、技术制高点攻克，以差异化的人力资源机制，构建冲击战略领先的“华为博士军团”。当前从调研访谈中发现博士员工在我司各部门作用发挥各异，无论是有效使用的经验、还是遗憾流失的教训，都清晰地告诉我们，要充分发挥博士员工的价值，那么部门必须在以下几个方面有深入和成熟的思考：1、对于博士员工的使用原则，是入职后学历清零，纳入群体中赛马？还是作为特殊关键人才，针对性使用？显然让经过更深入研究探索训练，但年龄稍长的博士员工与本科硕士员工去单纯拼编码，拼交付，是能力与责任错位安排的一种体现。2、是否建立了“业务战略—>技术规划—>技术制高点与战略性技术短板—>针对性作战阵型—>博士员工获取与使用”的主动性人才规划路径。当前很多部门由于机械满足博士招聘要求，经常出现前端招聘与后端使用脱节的问题，导致博士员工岗位与专业方向不匹配，这已经是最影响其价值发挥和工作热情的因素。3、针对具有较为精深的专业理论水准、很强的探索钻研和工作主动性的博士员工，当前管理者自身的专业技术水平及擅长的管控型管理方式是否能领导好博士员工团队？要避免武大郎带领武二郎去打虎的情况。4、如何消除相互隔绝的部门墙、牵引短期的考核、复杂冗余的过多管理消耗，让博士员工有一个安静持续的研究空间，适应探索性工作的特点？研究探索工作更需要极简的工作关系和工作流程，繁琐管控不仅消耗着创新者的时间，更打击着创新者的动力。在此，我们大胆提出一种新的“华为博士军团”的使用方法，或许用这个新的脑洞，来给公司各部门及人力资源做些参考。1、避免为博士而博士的无效做法，将优秀博士定位为公司攻克技术制高点、提升战略短板的核心突击力量，充分发挥其专业积累深、研究探索强、自驱力足、业界资源广的优势。2、梳理好公司面向战略领先的技术制高点和战略短板清单。瞄准每一个“城墙口”，构建以少量顶尖人物为先头部队、以集群投入的优秀博士为主战队伍、以优秀硕士为支撑保障组织的战略攻击阵型，进行压强突击，争取用可能的最强力量和最短的时间来突破难点，形成战略领先的优势。3、战略攻击队伍采用极简管理。极简管理可以体现在激励方面，对于顶尖人物、全球或国内某领域业界公认的真正大拿或大牛，不惜代价地予以获取或合作,这方面我们可以大胆地学习欧美的企业如谷歌等的做法，他们招来的学术团队带头人，给的薪水非常高，然后他们会去吸引有才华的年轻人，就是说能跟到大牛学到新的东西。我司真正NB人才结构应该是任何一个技术或专业领域都有几个22-25级专家，这些专家都是行业里非常厉害、非常资深、让人心服口服的，这才能吸引优秀的年轻人来，愿意跟着他干，去解决一些真正的难题，而不是说仅仅靠钱来吸引的人才。然后围绕这个城墙口和大牛，获取并集群投入专业对口的优秀博士，这些博士员工可以采用年薪制，也就是一开始就按18或19级水平来确定年度薪酬水准，三年不动，三年后根据实际贡献来确定其个人职级，这样让博士员工在攻坚阶段不用去顾虑薪酬待遇，潜心研究攻坚，即使最后证明看错了，也就三年的薪酬代价；担任辅助支撑的优秀硕士可以是各部门的技术或业务高潜，一旦在项目中做出突出贡献，则可以破格提拔，让一代代年轻的精英尽快成长起来。极简管理还可体现在考核上，由于组建了具有高度自驱动力的优秀团队，打破了待遇按职级评定的惯有模式、采用按贡献评价的机制，因此，考核也就完全可以去除过程督促的考量，按项目里程碑来评估，聚焦在最后的突破价值上，极大地简化管理消耗。4、当然，这种模式对于部门及管理者最大的挑战首先就在于建团队、搭班子的能力，其次在于自身需要从管控型领导风格转向赋能型领导风格。根据人力资源管理实践的最新研究成果，针对不确定性的环境，越来越多的企业正在采用“优秀人才组团队+赋能型领导风格”的模式，这或许也是未来公司打造战略领先能力需要构建的新的组织能力。公司咨询委员会、公司人力资源秘书处、公司人力资源部人才管理部2019年2月

每到研究生入学考试出分的时候，网上都会有一波要不要读研究生的争论。争论分为正反两个方面，辩手包括本科在读学生、本科毕业生、研究生在读学生、职场人士......争论的焦点在于读研三年和工作三年哪种方式更能促进个人的发展。有人认为研究生学习就那的就那几本书，职场人士在网上学习也能获得个人技能的增长。另一部分人认为读研重要的不是知识，是思维，是关系，是平台。当然不同的专业、行业针对论点的论据不同，但围绕的几点无非是：资源、技术、人脉、钱。下面AI科技评论想谈谈：既然机器学习相关课程都能在网上学，那还有必要读研究生吗？技能获取：网课VS读研网课的定义是能用电子设备通过互联网学习知识、技能的线上课程，有视频、图片、音频等方式。这种定义本身就意味着知识学习门槛的降低，毕竟买一台电脑，连接一个快速点的网络的成本还是比较低的。另外，疫情下的这几个月，虽然在线网课遭受了很多吐槽，但这一定程度上也证明了此种教育模式的可行之处。所以，上网课学习知识并不是假命题。具体到机器学习相关专业，读研所接受知识的模式和网上学习模式两者唯一不同的是一个“面授”，另一个是网络授课。研究生如果想看网上的课程的门槛和非学生的成本一样，如果非学生想接受“面授”，即使是蹭课，往往也需要付出一定的成本。从技能进阶的角度来看，机器学习研究生的培养模式往往都是由本校学院制定，这些学生如果想自学网课，那么就先要完成学校规定的学分，老师指派的论文，有时候这些论文，学分很大程度上可能是与专业知识无关的思政教育。（雷锋网）南京大学AI本科培养体系而只进行网课学习的机器学习爱好者的技能进阶模式当前也是比较清晰，先从吴恩达教授的机器学习入门，然后可以看看李宏毅教授的深度学习，然后在啃一遍周志华的西瓜书巩固基本知识......如果仅仅不清楚学习课程的顺序，知乎高赞回答有一大把。（雷锋网）另外，在网上自学机器学习课程的人大多数都是在职从业者，其所选择课程也更有自主性、针对性，所以，如果不考虑毅力等因素，单从学习技能的角度，或许网上机器学习能够代替研究生教育。人脉获取：导师制度VS公司平台不同于人文社科，机器学习作为工科类目下的专业，更加要求实操经验。毕竟无论是相关从业者还是研究生都要求一定的编程能力。（雷锋网）研究生在校期间，学生一般都是跟着导师做项目，所能接触到的人脉和资源直接取决于导师的“咖位”，导师在学术界越有名气，学生身旁的师兄和师姐以及合作者就越优秀。另外，研究生学校所在的地方也很能决定问题，如果在北京，学校之间的交流肯定少不了，借着导师平台，能迅速接触到大牛，遇到更优秀的人。从网课的角度来说，去上网课不会和授课人做朋友。但是在大学，你就是导师的学生，有一位导师对未来职业发展会有好处，不管是直接给你一份工作，哪怕是给你提供一些建议，这都是很宝贵的。虽然说在公司，一个好的团队，学的东西并不比在学校少。也有可能本科毕业的你能力吊打同龄研究生毕业生。但关键是，国内的互联网巨头，明星AI创业公司，算法岗基本都是标配研究生，除非你是本科生里很强的那种人，例如ACM获奖者，或者有不错的算法比赛成绩。否则很难进去。除非选择小公司，但小公司入坑的概率比巨头高一些。[1]最后，我们考虑下极端的情况，一段有毒的硕士生历程，比一份有毒的工作，毒性更强。毕竟，读研期间换实验室、换专业，比在职场上换工作难很多。毕竟，对许多人来说，读研并没有那么有趣。待遇不高，就业前景未知，多个需求存在矛盾之处，不被尊重…..许多因素都可能影响到研究生的心理状态。在研究生中，体重波动、疲劳、头痛、胃痛、神经质和酗酒，也都不少见。金钱的获取：公司招聘更看重学历还是更看重项目和经历？从解决信息不对称的角度来看，公司在招聘的时候都会加大对学历的考察。毕竟在网上学习课程的门槛比较低，而从网上“毕业”的门槛也比较低，而不论研究生的进入门票，还是毕业限制，在企业心中都是衡量一个人能力的标准之一。虽然进入公司之后，才发现那些没读研究生的同事，生产力往往更强，也更能帮到其他同事。看看招聘要求，很多公司都希望从事机器学习工作的员工有硕士及以上学历。因为对于机器学习、人工智能之类的技术导向的工作，确实已经有了一些成熟的技术方法，但是这些技术方法还在持续改进发展，几乎每天都有无尽的新论文出现，每过一两个月各种新技术就会跑出来一堆……更何况很多很多领域之前并没有使用这一类AI技术，需要让既有技术适应新的应用目标，这也需要不小的实践与研究能力。而最简单能用来证明这种研究能力的方式，而且便于HR筛选的方式，就是硕士学历。也就是说，开发型工作、研究性工作，更多的是看重学历。而大多数人在网上学习的机器学习课程，也更多的是针对技术研究型的工作，所以如果没有“大公司”丰富的工作经历加持，仅仅依靠一套机器学习网上教程，或许很难拿到高薪职位。那么，除了读研就没有更加清晰展现自己能力的方式了么？肯定是有的！kaggle上的一些数据科学比赛，就是很好的切入点，如果在学完吴恩达的机器学习课程之后，如果能积极参赛，和别人交流经验，并且能够拿到名次，你的简历不比一些毕业研究生差。另外，阿里主办的数学竞赛也已经开始，据爆出来的题目，极大的考察了数学应用能力，而机器学习也比较看重数学的应用......不管是读研还是自学，都需要积极上进的心思，当前拥抱最新技术的“姿势”，还是读一些顶会论文，固定的做一些读论文的工作，然后把自己的心得体会开源出来，这对于自己成长的帮助不言而喻。不读硕士学位也能获得科研能力：读上面说了这么多，那么读个硕士学位有用么？答案是肯定的，但是考虑到时间成本和金钱成本等具体情况，每个人的选择都会不一样。例如，吴恩达教授曾在一次采访中说过，不是所有的机器学习都需要硕士、博士背景做支撑，但是如果能有机会去斯坦福，麻省理工的学习背景也是极棒的。而在国内，能去北大、清华等超一流高校有一份求学经验，能带给你眼界、金钱、机会的激励也会超出你的想象。那么，不读硕士学位如何快速提升自己的科研能力，答案是读论文：5-20篇论文(在选择的领域，比如语音识别)=>这可能是足够的知识，你可以实现一个语音识别系统，但可能不够研究或让你处于前沿。50-100篇论文=>你可能会对这个领域的应用(语音识别)有很好的理解。如何高效的读论文？在 CS230 课程中，吴恩达对于研究规划与如何读论文也提出了他的一些建议。（雷锋网）课程地址：https://www.youtube.com/watch?v=733m6qBH-jI1、阅读文章标题、摘要和图：通过阅读文章标题、摘要、关键网络架构图，或许还有实验部分，你将能够对论文的概念有一个大致的了解。在深度学习中，有很多研究论文都是将整篇论文总结成一两个图形，而不需要费力地通读全文。2、读介绍+结论+图+略过其他：介绍、结论和摘要是作者试图仔细总结自己工作的地方，以便向审稿人阐明为什么他们的论文应该被接受发表。此外，略过相关的工作部分(如果可能的话)，这部分的目的是突出其他人所做的工作，这些工作在某种程度上与作者的工作有关。因此，阅读它可能是有用的，但如果你不熟悉这个主题，有时很难理解。3、通读全文，但跳过数学部分。4、通读全文，但略过没有意义的部分：出色的研究意味着我们发表的东西是在我们的知识和理解的边界上。参考资料：[1] https://www.hu.com/question/62482926/answer/2105313863[2]https://www.youtube.com/watch?v=733m6qBH-jI

关于人工智能技术领域这块，目前还算是比较火热，这个概念也有年头了，一些与时俱进的人士都开始向这方向靠拢了，但是呢，从目前来看，人工智能领域还是未开发出来，好多技术还为成熟，目前市面上还没有出现特别让人眼睛一亮的产品，这方面的技术还是摸索阶段，至于未来前景如何，会发展到什么样的程度还是一个未知数，关于这方面的争论还是不断，近期一名百度员工向网友们分享了他的一个个人规划。据这名百度员工说，他今年28岁了，从事了5年的后端开发工作，目前想转型机器学习，他打算考一下中国科学院的人工智能在职研究生，我个人对他的想法还是挺佩服的，有目标，有具体行动和措施，而不是只是想转就盲目的去转，而是准备深造一下，武装一下自己在往这方面转，感觉这名网友是挺有思想的一个人，不过，他对自己的这一规划也没有十足的把握，他想向大家征求一下意见，想看看这样的规划是否靠谱，针对他的想法，让我们一起看看其他网友们都是怎么说的吧！ 字节跳动员工：感觉不是很有必要，机器学习的前景没有想象中那么好，后端研发5年经验浪费太可惜了，而且后端也很吃香啊上世是朵花：至于前景如何，不好说，不能只看眼前的状态去评估未来，因为未来总是会给人意外，后端开发5年经验浪费谈不上，一些思想经验都是可以借鉴的，而且快30岁的程序员考虑以后的规划也是正常的事情了，没有谁一直是做后端的。阿里巴巴员工：你发现读完研进不了百度上世是朵花：没有好好审题啊，人家是在职研究生，也就是说边工作边学习改造，以后在百度里面转型人工智能方领域相关岗位。百度在人工智能方面也挺超前的呀，人家为啥要去其他公司。商汤科技员工：有什么必要呢 你真的适合吗 上世是朵花：我想这名网友是提醒一下，多考虑一些因素再做决定吧，当然，我想楼主也不是一时之兴致，也会考虑了很多，并且还怕有漏，这不找大家来给点建议。网友四：看你考哪个研究所，好点的所难，差点的没意义，浪费时间上世是朵花：是这样的，选一个好点的，尽最大努力去学习就行了，用心就行了，既然能进百度相信能力也差不到哪里去，相信 你能成功的。网友五：看哪个所的。国科大本部的别去了，这个方向电子所自动化所计算所都不错。在职研究生的情况不太清楚。上世是朵花：这名网友的建议可以参考一下。网友六：后端可以做架构啊上世是朵花：没错，后端转架构是一个方向，也是最常见的一种发展方向，楼主网友的选择也是一种发展方向吧，他看好未来人工智能。网友七：在职学历一般就是为了镀金…你这没必要…而且感觉互联网也不认在职学历吧上世是朵花：这种说法有点片面了吧，这也要看是哪所学校啊，另外看是否学到了真本事，如果是真才实学，确实学到了本领，又能胜任这方面的工作，为什么就不可以呢。网友八：机器学习会慢慢平台化，像云一样上世是朵花：这名网友的观点我赞同，不过，不论以后这个领域发展成什么样的形态，都还是需要相关的人才啊！人工智能是未来的一个发展方向，至于未来发展成什么样的形态，发展到什么样的一个程度都是未知的，正因为是未知的才让人充满了神秘感，让人去向这方面奋斗，正因为是未知的，未来才充满了机会，好多事情，不去试试怕遗憾，如果去试了又怕走错方向，如果选择了又一味的去患得患失，这种做法是最不可取，正确的做法是，在选择前充分的去分析，去思考，根据自身的情况去做出选择，只要选择定下来了，那就什么都不用去想了，只去做一件事，那就是用心去做出行动，让自己这个选择成为最正确的选择，不要让自己为自己的选择而遗憾，只去想一件事情，那就是一定要成功，这样足矣，有的时候本来方向是正确，可往往因为在行动的过程中还在纠结，患得患失，导致了一个失败的结果。因此，我想楼主只需要遵从自己的内心想法去走出第一步即可，千里之行始于足下，行动的过程不必纠结，勇往直前，最后祝福楼主能够顺利转型。 以上所有图片均来之互联网 大家好，我是“上世是朵花”。如果你有什么好的看法或者观点可以在评论区展现你的才华，互动交流，如果想进一步了解我，那就关注我吧！

对于Java程序员来说，如果想充分利用自己的业余时间，客服自身的学习惰性，可以采取以下几种学习方式：第一：读一个在职研究生。对于Java程序员来说，如果想在软件开发的道路上走得更远，一定要注重不断提升自身的岗位级别，而通过读研能够在很大程度上促进自身的岗位升级。读研会有较为充实的时间安排，这会在一定程度上克服自己的惰性，在职研究生的考核要求也是非常严格的，如果不能保证学习时间，往往会导致延期毕业。第二：加入一个开源项目。目前不少程序员会利用业余时间参与某个开源项目，这也是提升自身开发能力的常见方式。目前采用Java语言的开源项目还是比较多的，可以根据自身的知识结构和兴趣爱好进行选择。目前大数据、机器学习等领域的开源项目具有较高的热度，可以重点考虑一下。第三：加入一个技术协会。目前不少程序员也会通过加入各种技术协会的方式来与更多的行业专家进行交流学习，这也是一个促进自身不断进步的重要方式。目前各种技术协会还是比较多的，通过参加技术协会不仅能够及时把握行业动态，同时也能够获得更多的资源整合能力，对于未来的职场发展也会起到一定的促进作用。最后，一个详细的自主学习计划往往也是能够坚持持续学习的重要动力，自主学习计划可以基于自身的工作岗位来制定，目前采用Java从事大数据开发是一个重要的方向，可以重点关注一下。另外，重视一下自身外语能力的培养。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

首先，从当前的就业形势来看，如果条件允许的情况下，读研是个不错的选择。按照历史经验来看，读研一方面能够进一步丰富自身的知识结构，另一方面也能够获得更高的职场起点和薪资待遇，在产业结构持续升级的大背景下，研究生人才的需求量将陆续得到释放，近些年来考研人数屡创新高就说明了一定问题。对于计算机专业而言，大部分本科生会从事比较基础的开发工作，通常都会从应用级程序员开始做起，这与本科生的培养目标（具备初级科研能力）是相一致的。而研究生往往会获得研发级岗位，从而获得更多的发展机会，在职业生命周期方面也具有一定的优势。不少本科程序员在工作一段时间之后为了突破岗位发展瓶颈会选择重新回学校读研，通常大部分人在读研之后都会得到岗位提升，也有一部分人选择继续读博，从而走上了专业的科研之路。当前正处在大数据时代，以大数据、云计算和人工智能为代表的一众技术得到了广泛的关注，这些技术也将随着产业互联网的发展而逐渐落地到传统行业，为传统行业的创新赋能。由于应用领域广泛，大数据相关人才的行业缺口还是比较大的。以人工智能的人才培养为例，长期以来只有在研究生阶段才会有人工智能方向的人才培养计划（包括机器学习、计算机视觉、自然语言处理、机器人学等方向），而且人工智能人才培养的周期相对较长，这是导致人工智能人才短缺的重要原因。虽然部分双一流高校陆续开始在本科阶段设置人工智能专业，但是在人才培养的层次定位方面与研究生还是有一定的区别。由于当前研究生培养资源比较有限，只有一小部分本科生有机会继续读研，但是参加工作也会有继续提高的机会，也可以通过在职读研的方式获得提升。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网方面的问题，或者考研方面的问题，都可以咨询我，谢谢！

重要知会：根据国务院学位委员会(2013)36号文件，原“在职研究生”更名为“在职研修”，在职人员申请硕士学位流程及要求不变!2020年7月11日至12日，中国人民大学即将迎来统计学院的最新课程。此次邀请了中国人民大学统计学院孙怡帆副教授，为学员带来《多元统计》的精彩讲解。请各位学员提前安排好工作和时间，务必准时上课，精彩课程不容错过，现将具体事宜通知如下：中国人民大学统计学院上课时间：2020年7月11日-12日(上午9:00-下午4:30)上课形式：在线学习（千聊平台）讲授课程：《多元统计分析》授课老师：孙怡帆(中国人民大学统计学院，副教授)参考教材：高惠璇，《应用多元统计分析》，北京：北京大学出版社，2005。[美]Richard A. Johnson, Dean W. Wichern著，陆璇 叶俊译，《实用多元统计分析》（第6版），北京：清华大学出版社，2008。师资简介孙怡帆，中国人民大学统计学院，副教授。研究方向：高维基因数据分析方法，机器学习算法，社交网络结构和功能分析中国人民大学统计学院简介统计学院始建于 1950 年，是新中国经济学科中最早设立的统计学系，2003 年 7 月，成立中国人民大学统计学院。多年来，本学科一直强调统计理论和统计应用的结合，不断拓宽统计教学和研究领域， 成为统计学全国重点学科。教育部人文社会科学重点研究基地“应用统计科学研究中心”也设在统计学院。在教育部最新一轮学科排名评比中，中国人民大学统计学科排名全国第一。统计学院拥有统计学和风险管 理与精算学两个博士点，统计学、概率论与数理统计、风险管理与精算学、流行病与卫生统计学四个硕士 点，应用经济学下设统计学博士后流动站。学员感受中国人民大学课程研修班正在热招中：★课程优势教育部直属985、211重点高校，世界“双一流”大学国家重点学科，全国排名前列教育部应用统计科学研究中心国家统计局重点研究基地师资量量雄厚★热招专业：经济金融、大数据、管理类、行政管理、人力资源、政治外交、统计类、心理学、医学类、房地产等，每个专业都是限额招生，欲报从速!全部是校本部权威师资莅临授课，具有丰富的学习资源，保证授课质量，让学员无后顾之忧。报名条件：1、大学本科以上学历，要求具备本科的学士学位；2、不具备上述条件者，报名放宽到具有专科学历者。证书发放1、由人大研究生院颁发结业证书（钢印、红章），注明达到同等学力水平。2、获得学士学位的学员可按我校的有关规定申请国家认可证书（钢印、红章、全国统一编号）。联系方式：010-59648234