发布了笔记 4天前

data 应届如何转变学生思维，学生vs职场

hi大家好 我是JC我是在三年多以前 本科毕业的就直接在美国工作了 兼是在金融行业 现在呢是在科技行业做data scientist啊 那今天呢 主要是想和大家分享一些 从学生身份转换到职场身份 这样的一个过程当中 我们主要需要提高哪些素质和技能 算是给data应届生的一个职场第一课 我们先从heart scales开始说起啊 首先 对于已经拿到offer的小伙伴来说呢 我觉得大家应该有信心 因为面试的基本目的 就是通过heart scales去筛选候选人 呃那如果说你已经拿到了offer 就证明了 其实你已经具备了公司所期待 你所拥有的大部分hard skills 那对于还在找工作的小伙伴来说 其实data相关的岗位呢 主要就是要求以下的一些hard skills 比如包括Python啊 统计知识 以及一些knowledge 像a be testing machine learning 还有product sense啊 那大家也可以把找工作 准备面试这样的一个过程 当做是一个 夯实和提升自己heart skills的一个机会 另外一个Tips其实是呃 我觉得大家在入职后的头1到2个月内 应该去尽快的 熟悉内部的工具和技术站 了解清楚背后的细节和原理 尽管我们可能没有一个 立即需要去做的一个任务 或者项目 呃这样做好处是 呃这些工具和技术站 其实是我们长期需要依赖的东西 那在刚入职的1到2个月内呢 我们会有这样一个新人光环 那这样的一 个情况下 我们多问问题 往往会获得更多的包容和帮助 那么说完了hard skills 我们再来说一说soft skills 首先我觉得对于职场新人来说 最重要的一点就是要做到踏实靠谱 那这里呢 其实有两个比较核心的素养 第一个就是责任心啊 那作为学生的话 我们更多只是为自己负责 我们考试成绩好坏 GPA高低主要是影响自己的发展 但是在工作当中 我们的产出可能会影响一个团队运行 甚至是一个产品走向 所以说我们要有很强烈的意识 就要为自己的产出负责 第二点呢 其实是学习能力 尽管在工作当中呢 我们不再有来自考试 或者成绩这方面的压力 但其实我们也需要不断的去学习 新的知识和技能 就包括我刚刚提到的 掌握公司内部的工具和技术站 以及呢当行业和世界 发生了一些大的改变的时候 我们需要及时 敏锐的去学习新的知识和技能 就比如说大家最近都非常关注的LM 以及根据体的一些工具 像拆HPT等等等等 除了做到踏实靠谱以外呢 新人如果想成长的更快 也需要去体现出 自己可以独当一面的能力和潜质啊 那这里 其实也是有两个比较核心的素养 第一个呢 是我们的时间管理和prioritization 这样一个能力 尤其是在Deta相关的岗位上 我们日常工作中会遇到很多的ATOP request这些临时的要求或者问题 往往是我们无法提前预知的 但很多情况下 有非常的紧急或者重要 如何更好的去分配时间啊 给不同的任务设立优先级 就是一个非常关键的能力 那第二点呢 就是我们deal with Ambiquity 这样的一个能力 换句话说 我们能否比较有效的去处理一些模糊 复杂电量很多的这样的问题啊 尤其是在data的岗位上呢 我们很多stakeholder 都是来自于其他部门的合作伙伴啊 比如PM engineer designer等等 所以很多来自他们的问题或者诉求 都是比较方向性 比较笼统的 那其实是我们自己的责任 去clarify他们究竟想要什么 了解清楚整个事情的来龙去脉和背景 这样 我们才能有更好的一个计划和策略 帮助他们去回答或者解决他们的问题 那最后一个小的感悟想分享给大家啊 就认为作为data scientist 我们其实是一支产品团队当中 最适合也最应该去做深度的 理性思考的这样一群人 呃那在具体的工作当中 我们其实多应该想一想why 而不仅仅是局限在 或者沉迷于去研究how 或者what 当我们有一个新的任务 或者一个新的project需要去做的时候 我们应该多想一想 为什么要做这样一件事情 它对我们的产品和用户 究竟意味着什么 那至于我们具体使用什么样的模型 什么样的工具 什么样的技术手段 其实只是为了去更好的帮助我们 回答这个问题

发布了笔记 4天前

risk

哈喽同学们好 我是篱笆教育的Zara导师 今天我们来和大家聊一下 风险管理这个话题 大家都知道 风险是无处不在的 尤其是在企业的发展过程中 各种潜在风险可能会随时出现 那么如何才能最小化损失 并提高企业的效率和稳定性呢 答案就是风险管理啦 风险管理 是其金融领域中不可或缺的重要环节 就业的前景也在变得越来越好啊 下面我们就来为同学们介绍一下 risk management的工作内容 技能要求和就业前景 首先呢risk management的核心工作之一 就是评估和监控风险 那评估就是要识别 分析和评估 可能对公司造成影响的各种风险 比如市场风险信用风险操作风险等等 而监控则是指在经营过程中 时刻跟踪 发现和管理 可能发生或已经发生的风险 比如当公司想进入一个新市场时 risk management团队会评估市场前景 政治环境竞争情况等各种因素 以决定是否该进入该市场 并制定相应的风险管理策略 后续呢 也要不断监控风险情况是否发生变化 其次 日思management还要为公司提供咨询 服务和建议 这包括制定和实施风险管理策略 制定适当的风险报告和分析 评估新产品业务的风险等 比如公司要推出新的金融产品是 risk management团队 要评估该产品的潜在风险 制定合理的策略 确保该产品符合公司的风险承受能力 和监管的要求 之后呢 risk management还要跟公司其他部门 和外部利益相关者协调合作 确保公司的风险管理策略有效实施 比如risk management团队要和法 财务法律合规等部门密切合作 确保公司风险管理策略的全面覆盖 和合规性 同时呢risk management还要与监管机构 客户 投资者等外部利益相关者建立联系 及时回应其关注和提出的问题等等 那想要成为一名合格的risk 完成上面我提到的这些核心工作内容 就要求同学们掌握一些关键的技能 那我把这些技能呢概括为5点 第一啊 同学们要了解行业的规范和行业知识 第二要有深刻的市场分析能力 第三要强大的数据分析能力 第四要有准确的风险评估能力 最后呢就是优秀的沟通和协调能力 我特别说明一下 拥有强大的数据分析能力 是非常重要的 你需要熟悉SICO Excel Python等技能 可以 用来对大量的数据进行分析和处理 那有些岗位 甚至还要求 掌握数据挖掘和模型构建等技能 此外你还要具备较强的presentation能力 以便向其他人员传 传递这个复杂的风险和建议 那好啦说了这么多 风险管理的就业前景到底怎么样呢 我的答案是前景非常的广阔 但随着金融市场的不断扩大和复杂化 越来越多的金融机构和企业 开始重视风险管理 并设立了专门的风险管理部门和岗位 啊 无论是传统的银行投行还是分泰公司 都非常需要风险管理专业的人才 这些岗位的待遇非常丰厚 移民政策也是对留学生友好的 所以risk management 也是留学生求职越来越热门的方向 那其次呢 随着大数据的呃 这个 和人工智能等技术的不断发展和应用 啊风险管理的方式和方法 也在不断的创新和改进 各大公司也在争先寻找 拥有先进技术和创新能力的人才 来不断提高风险管理的方式和方法 总之有啊 金融数学统计商业分析 数学分析 等相关专业背景和经验的人才 在这个行业中 有非常大的机会和发展空间 同时 不断提升了自己的技能和创新能力 才会有更多的机会 在这个行业中脱颖而出 那如果你觉得对你有帮助的话 就给逍遥老师点赞收藏 留言支持一下吧 我们后续也会给同学们提供更多更好 更优质的干货内容哦 我们下次再见拜拜

发布了笔记 4天前

老师从个人经历分享一下 如果想要去北美留学的话 我们应该如何申请呢 呃OK啊 那么如果就是比如说你是啊高中毕业 或者说你刚开始上这个本科 然后你打算去申请北美这边的留学 那么首先第一点我觉得很重要的是 嗯就是要要做一个提早 一定要提早进行规划 并且是一个做一个长远 长期的一个规划 那么举个例子 首先啊因为呃 我们大家都知道这个 首先它这个英英语是非常重要的 因为你要经历各种的呃 经历一些语言的考试 语言的测评 然后比如说你呃 那么英语这块是怎么怎么样去克服 克服这个难关呢 我觉得首先从比如说从大一开始啊 你们呃大家肯定会有这个英语课 那么就是要尽早的开始呃 打好自己的英语基础呃 首先呃 然后首先就是自己的英语课上可以呃 更加投入更多的时间跟精力 然后不仅仅是对最后的这个GKA而言 还是在平常的这个内容课课程 平常的课时内容当中 就是真的要去用心的去学习 这个英语课 然后不仅仅是以英式的角度啊 然后可以跟老师做更多的互动啊 更加积极的去参与一些 英语相关的一些活动啊 去打好自己的原基础 那么此外就是说啊 要尽早开始准备这个vs托福啊 雅思啊AGR e 就是各种语言考试 一定要及早开始准备 那么对于这一块他如何准备 如何备考的话 我觉得啊 首先是要把这个背单词呃 形成把它养 成一种习惯 呃就是说 你要每天或者怎么样的 每周去固定的背一定量的单词 就是不要说我今天怎么的就偷懒 就不想背了 但是我每天背一大堆就是这样的话 其实是不规律的 而是说我一定要嗯 形成一个固定的习惯 然后固定的量这样去背啊 然后可以用一些APP啊什么的 现在我可能都这样做 阻碍的话如果你专门要去备考这个 比如说托普雅斯这样一样 然后你可以去报一个网课 然后平常刷刷网课 然后考前一定要刷真题啊 这个是因为是你 有可能你有可能是会看到原题的 所以一定要去刷真题 阻碍就是呃要啊 其实考试的时候是非常紧张的 因为我自己也是 然包括你考前的考试当天 考前前几天你可以考 这个过程中是比较紧张的 那么你就是这个时候 你要调整好自己的心理素质 心理的状态啊 不要因为说你因为紧张 而影响自己的发挥 就是在这个过程中 其实心理素质 也是一个非常重要的一个点啊 尤其是你口语考试时候 有的同学就是开导教我 真的没有说好啊 这个只是不太希望出现了啊 那么说完这个英语 那么此外的话 还有留学申请呃比较影响GPA啊 呃呃就是这个是除了语言成绩以外 另外一项他会看重的一个硬性的条件 那么GPA的话 呃就是 怎么去尽量的去保持 或者提高自己的GPA呢 我觉得 呃首先这个嗯也是有一定技巧的吧 我觉得啊首先你在大 一大学一些基础的一些高学分的课 一定要好好的把握住啊 那么然后呃除外 然后比如说到大三大四里 有一些可以选 可以自己选一些课的时候 你可以去提前的去了解一下 这门课他的一个给分情况怎么样 如果说这个老师他普遍给的分比较低 那么你这个时候可以稍微考虑一下 如果北方人科学啊 然后此外的话 因为杨杨清楚他是呃他的这个呃 PK的那个分的制度是什么 因为我当时是用一个1%个5分制 我们学校大家呃更多用的是5分制 但是在留学的时候呃 国外的学校看的可能是百分之 那么这个时候你就可以去了解下 书肯定有的了 有的教书他对于门课 他的五分制给的不高 但是他百分之的成绩给的很高 那么这个时候反而是我不是OK了 就是说我想还清我这个百分之就行了 所以你要去弄清楚 到底海外这个院校他看的是什么 什么制度 是5分还是百分 还是什么什么分的制度 然后去再去了解你要选的课 他是怎么样的一个情况 呃然后此外的话 还有像一些呃软性的一些条件 像比如说你的一个呃 你的简历上面的一些一些项目的经历 啊啊 还有一些推荐性啊 那么像项目的经历的话 呃我呃 我觉得这样可以一直讲 就是首先呃可以在大二 大一大二的时候 因为你会接受荣耀的教授嘛 然后那么他会就是一些讲课的老师 如果你觉得他讲的特别好 或者说呃他 了解到他的态度是很大的 就是在一个 在这个业内是非常有一定知名度的 那么对于这样的一些老师会教授呢 就是特别留意下 如果你真的对他很感兴趣 你可以去呃 在首先在学好这个课的 基本上就是在课下都给他 就是进行一些沟通 然后最理想情况就是问问他 比如说哎 老师 你有没有手中有没有什么项目在做的 就是我可不可以这样的加入啊 或者说帮个忙啊 怎么样怎么样 一般的话我觉得教授都会啊 都不会说呃 因为你是怎么的比较呃 就是一些你厉害呃 就是说你 你比如说你才当一半 缺少一个经历 我就不要你 我觉得一般的不会这样 他都说他会愿意你帮助你去学习 或者说拿到这个更多的 一个项目的经历啊 然后这个时候 就是多跟他做一些项目上的一个呃 然后这个是一种方法 可以拿到你这个金币啊 然后在这个结束之后 你就可以问他需要这个推荐信啊 就是他啊 这个就是同时一箭双雕 能够拿到这个金币和推荐信啊 此外的一种方式 另外一种方式 就是说我暑期参加这个向善 你要的事项 那么这个的话 就是要需要你去提前的去准备啊 因为一般是大暑假啊 从就从6月七月开始 这个不是说你5月或者是4月 你想开始找这个夏令营或者实习 你就能找得到了 因为这个时候很多大部分都已经满了 可能最早我觉得比较合适的点就是 你一放了寒假 呃这个学期 新的学期刚开始就 要开始找了啊 因为他这个过 他一般都是很早会开放这个报名 或者开放这个呃注册啊 或者甚至面试啊什么的啊 就是一定要提早开始准备啊 就是你早肯定比晚要好 然后你愿越早你能拿到越多你选择的 自己选择的机会也越多 把握住这个暑期的时间 去拿更多的一个精力啊 或者说有很有价值的实习 还有一种就是 除了你去借用这个资源啊 去找这个实习 或者说各种呃别的一些项目经历 除了刚才说到的教授以外 也可以找你上课的教授以外 也可以通过像你自己说的 一些学长讲解啊 或者各种开开通你的人脉 去找帮你呃找这个 做做一些内推啊什么的方式 拿到这个经理啊 对这个是这些 是我觉得可以呃帮助到的一些点吧 对于这个申请跟规划去留学

发布了笔记 4天前

文科生如果成功转行数据分析

哈喽大家好 我是妮娜 是一名有着3年工作经验的daviscientist 又到了一年一度的找工高峰季 最近 我在抖音上收到不少小伙伴的Richard 询问我 有关数据分析求职的经验和建议 其中 有不少小伙伴和我的背景比较类似 本科专业没有数据分析相关的实习 也没有在美国工作的经验 他们也都有相同的困惑 数据分析的门槛到底有多高 我到底适合数据分析吗 以及如何扭转0认识0 offer的局面 鉴于 我已经在这条路上摸爬滚打很久了 今天我很想给大家分享一下 文科转数据分析的经验和干货 如果你也感兴趣的话 就继续看下去吧 在开始之前 我想先跟大家简单介绍一下我的背景 我的本科 是新闻学院项目的广告学专业 研究生 是商学院项目的市场营销分析专业 和商科理科专业数据分析的人不同 我是纯纯文科背景 没有任何数学基础 其次我的实习 大多数是传统媒体 和市场营销方面的实习 我没有任何数据分析相关的经验 拥有这样的地域式开局 求职的过程非常非常艰辛 但是一切并不是不可能的 只要我们准备的方向是对的 准备的非常充分 我们也一定可以斩获offer 在了解了 数据分析的主要公司内容之后 接下来我们要了解一下 文科转数据分析的最大阻碍在哪里 对于我个人来说 我最大的阻碍莫过于我的数学 尤其是统计 在认识到这一点之后 我就开始了大量的网课 学习我学习了google的a b testing课程 还有harvard的非常著名的cs幺零课程 其次 会看了大量的和统计相关的书籍 比如说introduction to probability 比如说practical stats for data scientists 还有time series analysis 在这个过程中 我也同时阅读了大量有DS相关的job description这些JD告诉我 他们非常看重a b testing 和predictive modeling的经验 如果你有neural network 或者是处理大数据的经验 是非常加分的 因此我也着重加强了我在a b testing 和deep learning方面的学习 也为我丰富简历 开拓思路 在完善这一切查补缺之后 接下来我们就要学习如何包装自己 让自己成为一个非常合格的DS candidate 在这个过程中 首先我会在简历里 列举我学过的所有和数据 和数据分析相关的课程 其次对于我的实习经历 我会着重强调和数据分析相关的经验 而弱化其他方面的经验 比如说我之前有一段 在欧莱雅市场部门的实习 我就会弱化我在sales和campaign brainstorming这一块的经验 反而强调我是如何用数据分析工具 去分析和处理campaign和sales performance的 并且在这一过程中 我会强调数据量级分析工具的使用 以及最后的campaign表现 至此如果我们的实习经验过于单薄 不够cover所有的JD上的要求 我会在额外添加我和JD一些关键词 强相关的project performance 然而文科者数据分析并不是 只有困难没有优势的数据分析 不只是简简单单处理数据 business非常关键 也是我们作为人不可被取代的一点 因此 我们一定要好好利用自己的背景优势 对于我来讲 我有着广告和市场的背景 在处理数据问题过程中 我会着重利用自己的市场分析 的思维优势 我会把注意力放在定位问题 多角度分析问题和给出合理化建议上 这里我比较建议大家找工作的时候 去找和自己的专业比较相关的行业 或者是在面试之前 对这家公司 以及所属行业进行更加深刻的了解 同时我也推荐一本书叫DST空challenge 这对训练我们解决问题的思维 是很有帮助的 记住没有任何一个数据分析问题 是可以脱离business context的 我们一定要好好利用的 是自己的思维优势 最后我想说 文科转数据分析并不是天方夜谭 只要我们学会查漏补缺 合理包装自己 并且充分利用自己的背景优势 我们最后一定都会上岸 掌握心仪的offer

发布了笔记 5天前

Cathy-“商科留学”没实习＝没上过学❓你怎么看

网络上有一些声音说 商科留学没有实习就等于没有上过学 老师对此有什么看法 然后我们同时 也请老师给出一些找实习方面的建议 我觉得对于上课留学来说 实习经验确实非常重要 我觉得相比起有工作经验的人来说 确实没有实习经验会比较难找 但是也不代表找不到 因为我身边有很多没有实习经验 或者实习经验比较好的同学 也通过自己的努力 包括就是networking 然后海豚 最后找到工作 我觉得就是 当然我觉得上学也很重要 因为上学的时候 一是你可以就是上比较专业的课程 来提高自己的专业知识的技能 二是学校也会举办很多 就是帮助你找工作的那些活动 我觉得这个说法就是没有那么准确吧 然后在找工作方面 找实习方面 当然我觉得海投肯定是最重要的 因为有时候可能别人你跟别人在working 然后别人帮你就是refer进去 但是它的作用并不一定有那么大 它可能只是帮你过HR看简历这一关 所以我觉得最重要的还是要靠自己 就是多投 就是我觉得要扩大搜索范围吧 对一个是 就是比如说 你可以找更多的求职平台上去投简历 然后二是你也可以参加很多线下的 呃 一般学校都会举办线下的networking session 校招活动 我觉得这个也是非常重要的

发布了笔记 6天前

Cathy-商科就业逐渐形成疲态，但申请难度为什么依旧那么高

商科的就业逐渐形成疲态 但是申请难度依旧是很高的 我们可以请老师分析一下这个矛盾点 我觉得商科就业市场出现疲态 主要还是跟大环境不景气关系比较大 就是 因为现在整体的宏观经济都不是很好 所以很多企业可能会裁员 而以来降低自己的成本开销 但是申请难度在增加 我觉得可能是 很多企业 对于自己员工的专业需求也越来越高 就尤其是像国内很多企业 就是对于 比如说对于求职者的学历要求很高 很多同学可能就会想要呃 通过申请国外的研究生 来提高自己的专业程度 和提高自己的学历 这样子他们在这个求职市场上 或者是就业市场上也会更有竞争力 所以 我觉得申请申请的人数才越来越多 然后导致申请难度也会逐渐增高

发布了笔记 1星期前

AI热门就业有哪些

哈喽 大家好今天我想和大家分享一下 关于我对北美的同学 在北美公司吧 也是还有中国大陆 或者其他一些像新加坡呀 或者欧洲一些科技公司 想在AI方面找岗位的同学 一些建议吧 一些面试上面的建议吧 我在国内 或者说在美国 都有过实习以及工作的经历 所以这方面的话 我可以结合我的一些真实的经历 来述说一下我自己的理解吧 AI方向分很多种 有器学习 传统技学习也有 像commitment vision也有 像LP也有做技学习平台的 也有做做推荐算法的 其实他有很多面板 然后我建议是 你的简历都是在其中的一点 不要什么点都去cover 这样子的话会让你的简历没有重点 其实很多公司他在上演奖励的时候 尤其是一些初创型公司 或者些中型公司 其实他会把经济学习分成比较 按照你的特长或者说按照公司的需求 会把它分成几大类 基本上会分成NLP方向和视觉方向 经济学习系统方向 还有到经济学习平台服务啊 或者说一些积极学习的应用型方向 对于想要跳槽同学来说 你那你就需要针对特别的岗位 或者说你特别想去的一些职业方向吧 去对你的简历进行着重的润色 你所细分的领域 去着重的描述一下你的项目 以及你的之前的工作经历 对对啊 刘爱海还是case by case吧 基本上现在机器学习方向的话 大热门的会有几个方向吧 但我个人认为比较 大概这件事情比较好的是一个是NLP 一个是这个机器学习系统 LP的话因为大家都知道 全LNM这个大模型出来之后 很多公司都需要这方面药品人才 当然多谋太也是一个比较好的方向 所以有多谋太经历的同学 其实也是可以去申请一些 比如说像强化学校 或者说一些嗯 其他的一些创业公司 非常有竞争力岗位的这种职位的 懂动态的人 目前我觉得经过 会成为一个比较大的热门方向 虽然目前的话 大家都往这个LLM赛道上跑 但是LM赛道 可能NLP只是是一个起点吧 然后LM会跟动模态相结合 这样子的话 市场爆发起来的潜力也是无穷的 对这是我个人理解 所以动模对动模态懂的同学的话 可以好好的在这几年准备一下吧 应对今后几年的这种招聘 我觉得还是很有意义的 当然现在市场上 另外一些比较急缺的人才吧 就是进学系统 进学系统分数量和推理和意思这样 主要是训练和推理 当然后面的服务呢 其实也是精确平台的一部分 对训练 基本上就是说我们是需要帮助公司 或者说帮助业务方 把我们训练大模型的 无论是大模型还是一些其他模型 它的训练成本给压低 另外就是推理 推理的话 基本上跟上下服务有很大的联系 也是公司对大的利润来源吧 你提高1%的速度 对某些模型 如果你的应用场景比较大 接受的就是这个DSO的用户比较多 的话你能够提升1%的速度 对公司的利润都是一个非常大的提升 所以分理方向的话 其实也是现在市场上 比较急缺的一些的岗位 他对编译 硬件底层以及体系架构背景知识 对我们都需要很深的了解 他不单单需要对算法比较了解 他对整个计算机系统以及体系架构 都需要一个很好的了解 而且要对硬件有很深的认知吧 这样子的话 才能够写出比较好的底层代码 从而能够让你的认识 这公司运行的模型 还是一些其他各种元的模型 能够跟硬件相匹配 然后跑出比较好的类特色 或者说能够达到 能够帮助这套这套模型 在上线服务的时候 达到比较高的吞吐 对不对这样的话 对公司的利润也是一个比较大的提升 这也是给大家大家一点建议吧 对之后的话 如果有机会 可以分享些其他的一些思考 OK 谢谢

发布了笔记 3星期前

CS技术电面的小tips

哈喽大家好 我是篱笆老师开心 最近秋招进入了火热的阶段 很多小伙伴都成功通过OA 拿到了面试啦 但是很多同学都会有疑问 为什么题目刷了那么多 在面试的时候一紧张却还是做不出呢 为什么有的时候感觉题目做的很好 但是结果还是挂了呢 那么今天 就给大家分享几个cstap面的小技巧 首先呢是关于简历以及behavior questions 简历上的经历呢 一定要在面试前好好的自己过一遍 并且在面试官问到的时候 可以两到三句话简短的把做了什么 有什么样的impact 展现了自己 什么样的技能都说清楚 至于behavior questions呢 网上有很多面筋 每种题目也要准备好自己的回答 着重突出例的是communication collaboration等一系列软实例 事例呢 也不一定完全是学习方面相关的 像我当时呢也会说关于sports啊 或者各种活动的事例 然后呢就是coding的题目啦 在面试官提出问题以后 不用急着先回答 一定要先去clarify所有的input output格式和corner cases的情况 特别是有些题目像矩阵 字符串数组这一类 甚至可以举几个例子去确认 然后呢 可以请求一两分钟的思考时间 想好后和面试官阐述 你打算用什么样的算法去解题 那有的时候 小伙伴们 可能没有一下子想出很好的算法 怎么办呢 那可以先尝试用暴力解法 为自己去争取更多的时间 在其中一步一步的想 怎么可以继续优化自己算法 有些同学可能在tag面试中运气很好 遇到了自己做过的原题 但千万也不要太激动 还是要按照上面的步骤来 让面试官充分的去理解 你怎么得出这样的算法的过程 然后说一下关于corner CASES 有什么可以注意的呢 首先tag面试的时候 很多都会assume没有none啊 Zero overflow的这种情况 但是一定要和面试官去表明 你考虑到了这样的case 然后请问是否可以忽略这种情况 在良好的corner CASES的考虑习惯 也一定程度上 决定了 面试官对你工作能力的第一印象 而且看到题目的时候 就要考虑这些情况 千万不要等到后期 面试官指出了这样的bug 再去考虑corner cases 在coding的过程中 很多小伙伴都会忘记 非常非常重要的一点 就是communication 这是北美面试的一个重点 同学们在正式面试前 可以多去参加几次猫interview 练习一下自己一边去写代码 一边解释代码的算法的multitask的能力 在面试的过程中呢 也要及时去和面试官沟通 并且把选择这样写的好处都说出来 在编制中的命名也很重要 一般用比较简短但是明了的取名法则 面试官可以更好地理解 每一个变量存在的意义 写完之后呢 一般会去选择一个common case 和一个corner case 和面试官去一起go through 你的答案 让面试官更加去相信 你的算法是正确的 那么关于BUG的影响呢 如果自己在勾思路中发现了 就要及时去修改 并且承认当时没有考虑到这个情况 的原因 比面试官再去指出这个bug要好很多 就算自己一下子没有想出优化的算法 好好按照上面的步骤用暴力解法 也比什么都没有写出来好太多了 毕竟现在Newborn面试 更加考核的是你的编程习惯和潜力 在面试中最后呢就是反问环节啦 这也是最后 给面试官一个好印象的机会 像我自己用过的问题有like how much freedom do you have in the workplace 只要呢 让面试官觉得你去在乎这个position 并且不要太过常见太普通就好啦 那么最后就祝大家都面试顺利啊 拜拜

发布了笔记 3星期前

DE VS AE数据工程师和工程分析哪一个适合你

哈喽大家好 我是篱笆老师艾瑞斯 我之前呢做过一期视频 聊一聊关于数据分析工程师 analytics engineer到底是做什么的 希望能够让更多的小伙伴 了解到这个比较新的数据岗位 随着越来越多的同学们 在申请工作的时候 开始注意到了这个岗位 我会经常收到关于这岗位的一些问题 其中大家最好奇的就是 AE和DE data engineer到底有什么区别 Aries老师 曾经做过两年左右的数据工程师 之后转换方向 从是analytics engineer到现在 已经大概有一年半左右的时间了 今天呢我就想分别从职能 技能要求 以及薪资状况三个方面 比较一下这两个职位 希望在现在的这个就业行情下 能够让大家更多的了解到AE这个岗位 如果你对这个岗位感兴趣 或者你的背景符合AE的要求的话 不妨尝试拓展一下自己的申请面 如果你对这个话题感兴趣的话 希望大家能在下面点赞收藏 留言支持一下 首先呢从职能上来看 analytics engineer的服务对象 主要是数据的使用者 包括数据分析师 数据科学家和业务人员等等 在之前讲AE的视频里我也提到过 AE工作的核心内容呢 是产出可复用的 以及高质量的数据指标以及分析工具 我们会根据数据使用者的需求 提出不同的解决方案 可能会产出的内容就包括啊dashboard 高质量的数据集 以及业务指标Matrix等等 Analyx engineer还需要和data engineer 合作在数据仓库中建立ETL管道 负责从各种数据源中提取数据 并将数据产出到数据仓库中 他们需要和数据科学家 业务人员和其他团队紧密的合作 以了解分析的目的和目标 以确保数据质量的准确性 data engineer呢 则是负责涉及建立和维护数据架构 和数据仓库的工程师 他们负责管理和处理大量的数据 并将其转化为可供分析和应用的格式 data engineer 需要熟练掌握 多种数据处理工具和技能 例如Hadop Spark hide等等 他们需要了解数据仓库 和数据壶的设计和架构 确保数据能够被正确的存储 提取和使用 那么在Airbnb呢 AE往往负责了解下游数据使用者 对数据的要求和分析目的 用来设计数据集需要包括哪些数据 以及背后的逻辑等等 d e则负责把AE设计好的逻辑落地 用Scala写成数据管道 从而产出最后的数据 再举一个比较实际的例子 假设一个电商公司 想要跟踪其在线广告的ROI analytics engineer可以设计和实现 一个交互式的dashboard 显示每个广告的销售额 广告费用和ROI指标等等 这个仪表盘 可以让公司的市场团队 更好的理解其广告活动的效果 并做出更好的商业决策 由此可见 analytics engineer 不仅需要深入了解公司的业务需求 还需要熟练掌握各类数据分析 和可视化工具 为不同的stakeholders和项目 去提供不同的数据解决方案 那么从技能要求上来看 两者有一些共通的地方 Analyx engineer需要具备以下技能 熟悉机构查询语言 能够对数据库进行操作 熟练掌握数据可视化工具 比如Tablet等 熟悉ETR流程 和数据仓库的设计和架构 熟悉Python等编程语言 以便在分析中使用 具备团队合作和沟通的能力 数据熟悉 数据管理和数据质量控制 而data engineer呢 则需要则需要更熟悉分布式系统 和大数据处理平台 比如啊Hedoop和Spark 他们需要熟悉core 和其他数据查询语言 熟悉至少一种编程语言 例如Python或者Scala 了解数据仓库设计和数据建模 熟悉数据存储和处理技术 例如关系型数据 NOCO数据库啊和ETR工具呃 例如Airflow等等 那么从薪资状况来看 analytics engineer和data engineer的薪资状况 都非常不错 而且根据我个人的了解 两者的薪资情况其实比较接近 我在这里呢 推荐大家一个查看真实薪资的神器 就是h ONEB data dot info 这个网站 上面有美国工作签证 申请时候用到的薪资 非常准确 不过要注意的是 网站上列出的薪资只包括底薪 而不包括股票和bonus等等 以美国的薪资状况为例 搜索data engineer 2022年的纪录 我们可以看到 在3,000多个data point里 data engineer的薪资的中位数 是10万美元左右 51%的岗位低于10万 37%在10万到15万 13%的data engineer岗位在15万以上 analytics engineer作为一个比较新的 岗位数据点比较少 2022年一共有48个 数据中位数略低于data engineer 在9万五左右啊 56%低于10万美金 29%在10万到15万美金 15%的analytics engineer的薪资 可以达到15万以上 大家可以看到这个范围非常的宽 最低少于10万 最高可以达到20万以上 具体的薪资呢 则完全取决于行业 公司以及公司所在的地点等等 好啦总结一下 Analyx engineer和data engineer 都是企业数据团队中 至关重要的角色 它们的职能不同 但都需要掌握数据管理 和数据处理的技能 AE和产品业务更接近 data engineer呢 在更多的focus在和数据 和数据管道打交道上 好了我们今天就聊到这里 希望内容对大家有所帮助 如果你对数据分析工程师这个岗位 有其他想要了解的问题 欢迎大家留言告诉我哦拜拜

发布了笔记 3星期前

CS面试遇到不会的题怎么办

大家好我是篱笆教育的导师Justin 同时呢也是谷歌的资深面试官 这一期我想要跟大家聊一下 程序员在面试的时候 遇到不会做的题目应该怎么办 平时经常会有人咨询我 说Justin 我面试时候遇到不会的题目怎么办 有的人可能会说 那看到不会的题目就自认倒霉呗 争取下次再努力了吧 但是其实会有很多可以挽回的余地的 这里呢我要给你们传授3大诀窍 如果你掌握了这些诀窍 完全有可能反败为斥 拿下这场面试 第一点沉着冷静 请求适当的安静时间 在你没有很好的想法的时候 可以沉下心 跟面试官讲let me think for a while 仔细把题目重新一遍 你一开始不会做 很有可能是因为你过于匆忙或者紧张 并没有看清题目中的每一项要求 安静时间能够帮助你集中精神 找到答案 第二点提出一个解决方案 并咨询面试官的意见 有的面试者一碰到不会的题目 第一句话一般就是could you give me some hand 这是一个非常大的项目 让面试官觉得 这个人完全没有动脑筋的欲望 只会做一个伸手道 就算最后给了你大概率 你这一轮面试也算失败了 一个更好的方式呢 是你完全可以讲一个你知道的答案 即使他可能是错的 然后在这个基础上和面试官进行讨论 面试官what do you think 面试官都会很乐于去帮助你 改进当前的答案的 如果你还能指出自己的单位为什么 是错的或者有哪些地方需要改进 反而会给面试官留下一个好印象 第三点在时间耗尽之前 尽可能把自己当前的想法写出来 有的面试者遇到不会的题目 最后真的是一行代码都没有写 这其实是一个很糟糕的表现 因为哪怕你的思维过程再坟墓 你离正确答案再近 只要你一喊没有醒 这轮面试是100%失败的 当你在面试过程中 发现你确实没有能力找到正确答案 并且面试时间已经所剩不多的时候呢 能写多少写多少 有很多的面试 并不是强求 面试者一定要把题目做出来 而是要求面试官 去考察面试者的数据结构 算法知识 如果你写下的部分答案 能够体现出这些的话 你也是能够在面试官那里 拿到一定的分数的 这就是我今天要跟大家分享的内容 感谢大家收看拜拜

发布了笔记 3星期前

CS面试遇到不会的题怎么办

大家好我是篱笆教育的导师Justin 同时呢也是谷歌的资深面试官 这一期我想要跟大家聊一下 程序员在面试的时候 遇到不会做的题目应该怎么办 平时经常会有人咨询我 说Justin 我面试时候遇到不会的题目怎么办 有的人可能会说 那看到不会的题目就自认倒霉呗 争取下次再努力了吧 但是其实会有很多可以挽回的余地的 这里呢我要给你们传授3大诀窍 如果你掌握了这些诀窍 完全有可能反败为斥 拿下这场面试 第一点沉着冷静 请求适当的安静时间 在你没有很好的想法的时候 可以沉下心 跟面试官讲let me think for a while 仔细把题目重新一遍 你一开始不会做 很有可能是因为你过于匆忙或者紧张 并没有看清题目中的每一项要求 安静时间能够帮助你集中精神 找到答案 第二点提出一个解决方案 并咨询面试官的意见 有的面试者一碰到不会的题目 第一句话一般就是could you give me some hand 这是一个非常大的项目 让面试官觉得 这个人完全没有动脑筋的欲望 只会做一个伸手道 就算最后给了你大概率 你这一轮面试也算失败了 一个更好的方式呢 是你完全可以讲一个你知道的答案 即使他可能是错的 然后在这个基础上和面试官进行讨论 面试官what do you think 面试官都会很乐于去帮助你 改进当前的答案的 如果你还能指出自己的单位为什么 是错的或者有哪些地方需要改进 反而会给面试官留下一个好印象 第三点在时间耗尽之前 尽可能把自己当前的想法写出来 有的面试者遇到不会的题目 最后真的是一行代码都没有写 这其实是一个很糟糕的表现 因为哪怕你的思维过程再坟墓 你离正确答案再近 只要你一喊没有醒 这轮面试是100%失败的 当你在面试过程中 发现你确实没有能力找到正确答案 并且面试时间已经所剩不多的时候呢 能写多少写多少 有很多的面试 并不是强求 面试者一定要把题目做出来 而是要求面试官 去考察面试者的数据结构 算法知识 如果你写下的部分答案 能够体现出这些的话 你也是能够在面试官那里 拿到一定的分数的 这就是我今天要跟大家分享的内容 感谢大家收看拜拜

发布了笔记 3星期前

data投递一百次拿offer不容易

v+xiaopixiong99 data投递100次拿offer不容易 100分里面可能是五五到10分 应该得一个 得到回复 不管是笔试啊面试啊 或者那个用出面的一个封号任何的 只要没有被拒的5到10分 我觉得 已经是一个比较优秀的一个简历了 这个的时候我觉得就是没有问题 你只要继续投 你只要你就会能一直拿到 这样的面试机会 这种应该是很很有机会能够伤害的 一个有趣的说法 说是面10次好像可能不必定是面试 就是得到10个回复里面最后能成一个 但是我觉得 但是我觉得 这个可能稍微有那么一点点太夸张 就是我觉得 因为呃我 我觉得在在简历那一步 被刷掉的这个概率是会不 不说概率 是说它的一个比例 可能是会比你拿到面试 最后到offer这个要更高的 也就是说其实你拿到了面试 代表这个公司已经愿意付出 呃比如说好好几轮 好几个很多人力的这个资源 来考察你这个人才 已经是说明你这这个已经是很有希望 当然这个很很很大取决于就是每个呃 每个同学 他自己的水平 有的人可能就是面试技能非常强 他可能只是简历就是没有找 好好的修改 但是他其实个人技能是非常强 到面试的时候 口顶啊什么的问题都能对答如流 那么他拿到offer其实是非常容易的 我只是说 就是一个比较大概的一个秘密 可能会是最后1到2分吧

发布了笔记 3星期前

risk信用风险求职前景和岗位解析

哈喽大家好 我是篱笆教育的cell导师 目前在美国一家银行担任cry risk manager 那从今天开始 我要和大家来聊一聊这个cry risk management 也就是信用风险管理 那它听起来呢 可能有些抽象 实际上 它与我们每个人的生活是息息相关的 同时也是一个潜力巨大的求职市场 首先我们先来聊一聊信用风险是什么 那信用风险也可以称为违约风险 也就是说 借款人或者这个交易对手 不能履行合同义务的时候 就像你借钱给别人 结果他不还一样 那对于银行来说 这就是他们两大核心业务领域 贷款和交易业务都会面临的问题 所以query risk management就显得非常的重要 那了解什么是query risk之后 我们来看一看 这个领域的这个求职情况 那在过去的三年中 queries相关岗位的平均增长率超过15% 远高于许多其他的行业 那对于职场小白来说 可能是一个不错的选择 一来他在银行的这个部门中地位非凡 岗位数量多 未来的发展空间也比较大 二来他的work life finance也不错啊 薪资待遇也不错啊 所以非常推荐大家投递 那接下来大家可能会问 那core risk部门呢 有哪些常见的岗位 并且哪个岗位更适合自己 接下来我就给大家来介绍一下 core risk部门的4大常见的岗位 那第一就是这个underwriting和pricing 那这个岗位简单来说就是制定策略啊 来决定是否发放贷款和贷款的利率那 这就要大家懂得 如何评估这个借款人的金融状况 财产状况 并且预测他们的还款能力 从而最终确定 是否通过这个贷款的申请 那除此之外 你还需要熟悉啊 这个贷款利率的制定方法 计算方式 市场标准和这个调整因素 确保的风险水平 和贷款利率能够相互匹配 从而能够让银行的投资回报率最大化 那这个方向呢 也是市场上by risk analyst risk manager非常这个主流的方向之一 那第二呢 就是loss focusing 也就是损失预测 是用于评估和预测 可能发生的信用损失 那loss focusing呢 就要利用历史数据 经验模型和统计的一些方法 并且要考虑到行业和市场环境 经济前景等很多因素来的分析和建模 从而预测不同情境下的这个违约率 违约的损失和整体的信用风险水平 那这个就要求大家拥有数据分析 统计建模 金融数学等方面的这个知识和技能 那总体来说也是新手比较友好的啊 那第三个呢 是counterparty credit risk 就是交易对手信用风险 那这个岗位 主要负责评估 银行和交易对手之间的信用风险 可能会和capital Markets里面的Trading desk 合作 来计算Trading activity中产生的风险偿扣 及提供相应的这个风险评估 那嗯这个岗位 需要求的这个综合技能就比较高 你需要熟悉CICO Python啊 了解这个股票债券演示 验商品和金融市场 还需要很强的Quantive skills和沟通能力 那相对来说 它可能就没有那么的这个新手油耗 那最后呢 是啊model development和validation 也就是模型的开发和验证 那这个岗位负责开发 验证和管理信用风险模型啊 那主要的这个工作内容就包括建模啊 并且验证这个模型符合监管要求 完成model documentation啊 并且要根据市场的情况和反馈的结果 来改善你的模型啊 那这个组呢 就要求啊比较强的这个框的背景啊 熟悉统计 建模Excel排放 3C CO等技能 包括掌握这个常见的回归分析啊啊 分类算法 决策术随机森林等技术啊 以及一些这个深度学习 神经网络模型等等 那由于这个内容呢比较technical 可能通常会在这个啊 应届生中招大量的 这个analyst 也是大家可以重点考虑的方向之一 那总的来说呢 core risk领域啊 求职情况是比较好的 岗位的选择比较多样啊 空间很广阔 大家可以根据自己的兴趣和技能啊 来选择最适合自己的岗位 来追逐自己这个职业梦想 那如果大家有什么这个感兴趣的啊 关于这个Christ求职啊 发展的问题包 或者是想问一问自己适合哪些岗位啊 欢迎大家点赞关注和留言 那接下来视频中呢 我也会一一为大家解答的 那我们这期节目就到这里 我们下次再见拜拜

发布了笔记 3星期前

2024是否还适合转码？

哈喽大家好 我是篱笆导师开心 今天呢我想和大家聊聊 关于2024年转马情景的一些看法 现在在AI热潮推动下 2023年的马农就业形势 确实变得非常的严峻 也相信大家对于大厂裁员的消息 也不绝于耳 在这样的背景下呢 很多人开始质疑转码是否还值得一试 不过经过综合分析 我认为2024年 转码依然是一个值得去考虑的选择 当然 这并不是说盲目转码就一定可以成功 而是需要根据自己的一些情况 去做出明智的决策 那么接下来呢 我将从为什么推荐转码 以及哪些情况下并不适合转码 两个角度 为大家进行详细的分析 1为什么在不景气的环境下 转马依旧是个不错的选择 那么从整体的就业环境来看 虽然当前的市场经济并不乐观 但这并不意味着 只有技术的岗位受到了很大的影响 事实上许多文科专业类的就业空间 也相对有限 相比之下 转马作为一条转行的途径 还是具有一定的优势的 尤其是现在在AI技术的推动之下 许多传统行业 都在加快数字化的转型进程 也就为程序员 去提供了更多的就业机会 然后呢就是岗位需求方面 根据美国劳工统计局的统计预测 从2019年到2029年 软件开发者的工作需求量将增长22% 这一增长速度呢 也远远超过了其他的行业 也就意味着 市场对于程序员的需求 依旧非常的旺盛 尤其是在chargpt等AI技术的冲击下 传统技术战略的码农正在逐渐 被淘汰 而新兴领域比如说像云计算啊 大数据量子计算等正在崛起 那么这些领域 也是需要大量的后端技术人才的 未来也会去开辟出 不断的开辟新的岗位空缺 然后呢就是在技术发展趋势方面 未来的世界呢将在AI 5G 量子计算 AR等领域发力 那么这些领域的发展 都离不开后端技术的支持 例如说随着5G技术的推广实施 数据处理和分析的需求将急剧增加 然后呢AR也可以作为为数据展示 提供更直观的方式 而数据安全方问题方面 也变得日益重要 因此呢去掌握一些后端技术的人才 将在未来具有很大的竞争力 然后呢就是跨领域人才方面 那随着各行各业 都在积极拥抱高科技变革 也就是意味着 未来的人才需求 将不再局限于单一领域 而需要跨领域的人才 在具备计算机科学背景的同时 还拥有其他领域知识的人才 将更具竞争力 例如说呢 像生物信息学农业信息化 建筑智能化等领域 都需要具备跨领域背景的人才 因此呢 转马不仅可以帮你拓宽就业的领域 也可以提升你的个人价值 最后呢就是从薪资待遇上来看 程序员的收入 依旧相对处于比较高的情况 平均年薪呢 可能可以轻松超过全美平均水平 那么对于刚刚想要转行 成为马路的朋友来说 虽然挑战是实实在在的 但只要你足够努力 去提升自己的技术和经验 未来经济前景还是很可观的 虽然说转马具有一定的优势 但并非所有人都适合盲目转马 下一些情况下 你可能需要谨慎去考虑 你是否适合转马 第一个呢 就是辞职转码 转码呢并没有想象中那么简单 而且也非常考验人的心态 在现在形势下 如果你没有足够的存款 或者备份计划的话 辞职了 也是要面临的风险还是比较大的 到时候面临的就是不知道能否上岸 和没有收入上的双重压力 特别是一些没有理科专业背景的同学 会压力更加大一些 那么然后呢 就是对于编程缺乏热情的同学 转码是需要投入大量的时间和精力 去学习编程语言和相关技术的 而且后期还要花一定的时间 去找高质量的项目 做一些实习 去分布简历 还有一些找内推啊 networking等等 单靠刷题是非常难上岸的 所以如果同学本身 你对编程本身没有兴趣的话 那么这个过程就会变得非常的枯燥 乏味难以坚持下去 而且学习过程中的编程 和实际工作中面对的编程 还是有一定差距的 如果有机会的话 也可以去找一些项目啊实习 去实际感受一下 你是否对编程充满了热情 然后呢就是 当下转码的难度相较于前几年 还是提高不少的 许多科班出身背景的朋友 尚且感到非常吃力去上岸 那如果你的背景知识 与这些要求相差甚远的话 转码的难度可能会大大的增加 需要付出更多的努力去弥补一些不足 比如说像数学上啊 逻辑上还有计算机知识 这些都是 必不可少的 所以如果只是跟风转码 并没有非常坚定的目标 整个过程会更加的耗时耗力 所以一定要想清楚了再出发 那么综合以上分析 2024年转马是否值得一试 这个问题并没有一个固定的答案 它取决于你的个人情况 career path的规划 还有以及兴趣爱好等多个因素 但是无论如何呢 我都希望大家能够保持开放的心态 和积极的态度 去根据自己的实际情况 做出明确的决策 并且不断的去学习和提升自己的能力 相信呢 你只要付出足够的努力和坚持 就一定会在未来的职业道路上 取得成功 如果你还有其他问题或者想法 欢迎沟通交流 也祝大家前程似锦 未来可期 有需要相关辅导的 也可以找篱笆老师哦 谢谢大家

发布了笔记 1月前

中国大厂科技公司更偏爱什么样的留学生

目前中国的大厂或者科技公司 会更偏爱什么样的留学生 OK这个问题 我觉得首先第一个是留学生的话 就是本身有优势 就是他有国际化的视野 和跨文化交流的能力 然后这个我觉得是国内大厂 他本身就会比较偏爱的 因为现在确实 如果说 大厂要去做一些前沿的研究的话 那肯定是希望去 和国外的这样一些技术 能够去进行一个详细的沟通吧 或者说你要去 肯定是要去充分去学习 国外的这些文章啊 技术动态啊这些的 然后第二点我觉得是希望 就是说这个同学会有独立自主的能力 然后能够有快速适应的能力 因为毕竟国外和国内就是这个 无论是这个生活环境啊工作节奏啊 其实还是会有些差异的 那是希望能够说能够快速适应的能力 然后以及就是非解决问题的能力 对然后还有就是说第三点的话 我觉得是希望 就音乐生 能够有一些国内就是公司的 企业的一些实习经历 我觉得这个也是会比较加分的 因为确实国内外的这个业 职场的这个环境啊 然后包括这个工作的这个方式啊 然后还是会有一些差异的 所以说我说是 有一些 在国内的一些别的实习经验的话 我觉得就是证明说 他其实是了解国内的这种呃 这个行业的一个职业的 这个教育师工作方式吧 对然后所以就是呢 他对国内的这个市场 行业是是有一些了解的 当然就是如果说啊 这个同学他能够在国外说一 些知名的企业也有一些实习的话 那肯定也是更好的 就是也可能加分的 因为这是国内 其实也是一直不断处于一个集合 追赶国外这些知名大厂的 这样一个过程吧 如果说他们能够 比如说 哪些企业能够有一些实习经验的话 那就是就是 也是证明他们有比较强的实力嘛 那同时就是 也可以把他们在那边看到的 所见所闻啊 然后他们的那些 就是工作上的一些东西啊 然后也可以相当于是带回来 然后相当于是可以给国内这些企业 就是提供另外一些视角吧 然后能够帮助这个企业能更好的发展 对大概就是这样

发布了笔记 1月前

北美留学与申请，轻松get！

老师从个人经历分享一下 如果想要去北美留学的话 我们应该如何申请呢 呃OK啊 那么如果就是比如说你是啊高中毕业 或者说你刚开始上这个本科 然后你打算去申请北美这边的留学 那么首先第一点我觉得很重要的是 嗯就是要要做一个提早 一定要提早进行规划 并且是一个做一个长远 长期的一个规划 那么举个例子 首先啊因为呃 我们大家都知道这个 首先它这个英英语是非常重要的 因为你要经历各种的呃 经历一些语言的考试 语言的测评 然后比如说你呃 那么英语这块是怎么怎么样去克服 克服这个难关呢 我觉得首先从比如说从大一开始啊 你们呃大家肯定会有这个英语课 那么就是要尽早的开始呃 打好自己的英语基础呃 首先呃 然后首先就是自己的英语课上可以呃 更加投入更多的时间跟精力 然后不仅仅是对最后的这个GKA而言 还是在平常的这个内容课课程 平常的课时内容当中 就是 真的要去用心的去学习这个英语课 然后不仅仅是以英式的角度啊 然后可以跟老师做更多的互动啊 更加的积极的去参与一些 英语相关的一些活动啊 去打好自己的原基础 那么此外就是说啊 要尽早开始准备这个vs托福啊 雅思啊AGR e 就是各种语言考试 一定要及早开始准备 那么对于这一块他如何准备 如何备考的话 我觉得啊 首先是要把这个背单词呃 形成把它 养成一种习惯呃 就是说你要每天或者怎么样的 每周去固定的背一定量的单词 就是不要说我今天怎么的就偷懒 就不想背了 但是我每天背一大堆就是这样的话 其实是不规律的 而是说我一定要嗯 形成一个固定的习惯 然后固定的量这样去背啊 然后可以用一些APP啊什么的 现在我可能都这样做 阻碍的话如果你专门要去备考这个 比如说托普雅斯这样一样 然后你可以去报一个网课 然后平常刷刷网课 然后考前一定要刷真题啊 这个是因为是你 有可能你有可能是会看到原题的 所以一定要去刷真题 阻碍就是呃要啊 其实考试的时候是非常紧张的 因为我自己也是 然包括你考前的考试当天 考前前几天你可以考 这个过程中是比较紧张的 那么你就是这个时候 你要调整好自己的心理素质 心理的状态啊 不要因为说你因为紧张 而影响自己的发挥 就是在这个过程中 其实心理素质 也是一个非常重要的一个点啊 尤其是你口语考试时候 有的同学就是开导教真的没有说好啊 这个只是不太希望出现了啊 那么说完这个英语 那么此外的话 还有留学申请呃比较影响GPA啊 呃呃就是这个是除了语言成绩以外 另外一项他会看重的一个硬性的条件 那么GPA的话 呃就是 怎么去尽量的去保持 或者提高自己的GPA呢 我觉得 呃首先这个嗯也是有一定技巧的吧 我觉得啊首先你在大 一大学一些基础的一些高学分的课 一定要好好的把握住啊 那么然后呃除外 然后比如说到大三大四里 有一些可以选 可以自己选一些课的时候 你可以去提前的去了解一下 这门课他的一个给分情况怎么样 如果说这个老师他普遍给的分比较低 那么你这个时候可以稍微考虑一下 如果北方人科学啊 然后此外的话 因为杨杨清楚他是呃他的这个呃 PK的那个分的制度是什么 因为我当时是用一个1%个5分制 我们学校大家呃更多用的是5分制 但是在留学的时候呃 国外的学校看的可能是百分之 那么这个时候你就可以去了解下 书肯定有的了 有的教书他对于门课 他的五分制给的不高 但是他百分之的成绩给的很高 那么这个时候反而是我不是OK了 就是说我想还清我这个百分之就行了 所以你要去弄清楚 到底海外这个院校他看的是什么 什么制度 是5分还是百分 还是什么什么分的制度 然后去再去了解你要选的课 他是怎么样的一个情况 呃然后此外的话 还有像一些呃软性的一些条件 像比如说你的一个呃 你的简历上面的一些一些项目的经历 啊啊 还有一些推荐性啊 那么像项目的经历的话 呃我呃 我觉得这样可以一直讲 就是首先呃可以在大二 大一大二的时候 因为你会接受荣耀的教授嘛 然后那么他会就是一些讲课的老师 如果你觉得他讲的特别好 或者说呃他 了解到他的态度是很大的 就是在一个 在这个业内是非常有一定知名度的 那么对于这样的一些老师会教授呢 就是特别留意下 如果你真的对他很感兴趣 你可以去呃 在首先在学好这个课的 基本上就是在课下都给他 就是进行一些沟通 然后最理想情况就是问问他 比如说哎 老师 你有没有手中有没有什么项目在做的 就是我可不可以这样的加入啊 或者说帮个忙啊 怎么样怎么样 一般的话我觉得教授都会 嗯啊都不会说呃 因为你是怎么的比较呃 就是一些你厉害呃 就是说你 你比如说你才当一半 缺少一个经历 我就不要你 我觉得一般的不会这样 他都说他会愿意你帮助你去学习 或者说 拿到这个更多的一个项目的经历啊 然后这个时候 就是多跟他做一些项目上的一个呃 然后这个是一种方法 可以拿到你这个金币啊 然后在这个结束之后 你就可以问他需要这个推荐信啊 就是他呃 这个就是同时一箭双雕 能够拿到这个金币和推荐信啊 此外的一种方式 另外一种方式 就是说我暑期参加这个向善 你要的事项 那么这个的话 就是 一定要需要你去提前的去准备啊 因为一般是大暑假啊 从就从6月七月开始 这个不是说你5月或者是4月 你想开始找这个夏令营或者实习 你就能找得到了 因为这个时候很多大部分都已经满了 可能最早我觉得比较合适的点就是 你一放了寒假 呃这个学期 新的学期刚 开始就要开始找了啊 因为他这个过 他一般都是很早会开放这个报名 或者开放这个呃注册啊 或者甚至面试啊什么的啊 就是一定要提早开始准备啊 就是你早肯定比晚要好 然后你愿越早你能拿到越多你选择的 自己选择的机会也越多 把握住这个暑期的时间 去拿更多的一个精力啊 或者说有很有价值的实习 还有一种就是 除了你去借用这个资源啊 去找这个实习 或者说各种呃别的一些项目经历 除了刚才说到的教授以外 也可以找你上课的教授以外 也可以通过像你自己说的 一些学长讲解啊 或者各种开开通你的人脉 去找帮你呃找这个做做一些内推啊 什么的方式 拿到这个经理啊 对这个是这些 是我觉得可以呃帮助到的一些点吧 对于这个申请跟规划去留学 阻碍的话 如果你专门要去备考这个 然后考前一定要刷真题啊 这个是因为是你 有的同学就是开导教我 真的没有说好啊 我觉得呃首先这个嗯 也是有一定技巧的吧 我觉得啊 首先你在 大一大学一些基础的一些高学分的课 但是在留学的时候 呃国外的学校看的可能是百分之 有的教书他对于门课 他的五分制给的不高 但是他百分制的成绩给的很高 那么这个时候反而是我不是OK了 就说我想还清我这个百分之就行了 一般的吧 我觉得教授都会啊 都不会说呃 或者说拿到这个更多的 一个项目的经历啊 就是他啊 就是要需要你去提前的去准备啊 新的学期刚开始就 要开始找了啊 去找帮你呃找这个 做做一些内推啊什么的方式

发布了笔记 1月前

中美两国互联网AI发展的差距

以中国AI最强的百度维新预言 GPT2.0的水平 美国拆GBT人工智能火爆 可以请老师分析一下 中美两国互联网AI发展的差距 嗯OK 其实中美两国在AI方面 确实是发展还是有差距的 之前其实有个段子 就是说 那个美国厉害的是人工智能的这技术 但是中国厉害的是人工智能的培训 对其实就是从GPT火了之后 带动了这个这一波的这个大模型的 这个火爆之后 其实国内呢 其实确实是看到了 自己在这方面的这个差距 然后 其实是在一个迎头追赶的一个姿态 其实刚刚说的那个段子呢 其实说这个中国确实出现了一波 这个 就是搞所谓的这个人工智能培训的 这样一些大v啊 他们可能也是有一定的割韭菜的性质 但但是我们我们回归正题嘛 就是说 如果从这个人工智能技术本身的角度 来说后面两国的差距 我觉得这种差距呢 首先给我们分析一下 这个差距的根本来源嘛 就是其实拜的open AI 它研究下GPT的这些技术 其实 他们其实是做了很长时间的冷板凳的 就是他们从真正开始投入这块研发 到这块的这个产品最终面试 最终的火爆 其实是因为很长时间冷板凳 相当于是他们非常有耐心 然后对这样的一个 就是可以改变人类的这样一个技术 入了非常大的这个心血 但是国内呢 就是整个这个国内大环境相对来说 其实是会有一些浮躁的 或者来说是 有一些急功近利的 就是类似的像婚姻爱这种 就是说不求回报的这种烧钱投入 可能目前在国内的这种 当下的这种环境下 其实之前是不太被允许的 所以说这个我觉得是这个差距的 有吧就从工业界的角度来说 就是国内的这些大厂 是可能 还是就是更加关注这个短期的一个RY 就是可能对这种长期 就是可以有颠覆性的创新技术 说可能对之前的投入力度没有那么大 但是呢因为现在NAI就是面试之后 往后带来这么大的这个反响 那国内的这些大厂 也是看到了这样一个机会吧 就是其实看到了 AI能够给这个社会带来这么大的 这个改变的 这个机会 所以说啊 大家现在的最大的这个投入 就是相当于是迎头赶上了 被是怎么说呢 就是国内 就是他不善于去做一个 从0到1的这个创新者 但是他其实从1到n的这种 是这种快速的去去去推广啊 然后快速的相当于是做一些这种方案 继承 在我觉得在国内其实是更有优势的 对然后这个我觉得回答啊 这个其实应该说是第一点 就是说这个差距的来源吗 然后以及现在就是 国内其实也是在加大投入 然后第二点 其实我想说的是 就是AI这个东西 除了说在战法上的这种 这个投入的这个研发的这个差别以外 其实在战力资源的角度 其实这个 其实中美两边其实也是有一些差距的 因为其实像那个美国的话 其实就是现在 目前应该说是有世界最多的这个算力 因为这个牙 给他们提供了非常多的 这个芯片的支持 但是国内呢 其实 因为受到这种政策上的管制的原因 然后其实是在算力上是会有一些缺的 但是呢 就是国内现在这样一些大的一些厂商 比如说华为啊 他也在研发自己的一些GPU 算力的这样一个平台 然后嗯 肯定和英瑞达这种芯片平台 肯定还是有差距 但是啊已经是在慢慢的 就是在追赶的这个角度对 然后还有一块 我觉得是从这个人才积累的角度来说 嗯我觉得就是人才这个角度来说 嗯 这个其实和前面第一点提到的这种 对于这个技术的这种耐心呢 就是持续的投入 我觉得有关系 就是说智商的角度 或者说能力的角度 中国人肯定是不差于就是美国的对吧 只是说在这个环境之下 那相对比较浮躁 然后没有办法沉下心来 去做这么深入的研究呢 美国那边可能有更好的 这种创新的土壤 对然后但是从本身人才的数量 积累的角度来说 我觉得啊 那目前其实现在其实这方面的 AI的这个人才啊 就是我觉得应该也是比美国 我觉得应该不分伯仲吧 我觉得 因为毕竟国内有这么大的一个 就是技术在 然后包括以这个计算机啊 AI这块的 这这个人才 我觉得也是很多的 对往后说 在人才的这个角度来说 也是不分伯仲吧 然后我想说 就是对比一下 就是说现在目前欧美两边 就是这些技术产品 对 就是可能说中国现在目前的技术水平 相比美国这边 可能目前还有大概一一到2年的 这样一个时间差 这样一个差距吧 对但是国内现在也是 确实是在这种加大投入 我觉得这个差距 就是也是有希望能够尽早的去拉平的 对OK

发布了笔记 1月前

国内外读研的差异

其实和在中国读研相比的话 在北美留学会有什么特点 嗯嗯啊 这个就是国内外读研的一个比较啊 那就是啊 就是就是当我当时那个在 就第一个学期在国外开始啊 到课堂去上课的时候 我第最大的一个感触是 我觉得啊在就是在这边留学的学生 他的一个上课的一个积极程度吧 会比国内的学生要啊要更更多 更更多一点 我我说的不是说就是他的努力程度 我觉得就是可能呃 就这个努力程度就可能不太好比较 但是就是说上课的一个积极程度呃 就是说可能呃 国外的学生会更加踊跃的 会去跟老师进行一个互动 但是在中国读研的话 我当时我觉得国内学生可能当时呃 课堂里学生 可能大部分就是自己自己的一个消化 然后自己呃埋头看资料啊看书啊 然后会相对来说比较少吧 跟老师会有一些 更愿意跟老师会有一些互动 但是这个这个这个 这个部分的比例会比国外要少一点 然后此外的话 像呃还有一点就是说像呃 像国外的每一节课 基本上每一节课 每一个professor 它会有固定的一个office hour 然后这个就是独立于我的上课时间呢 然后会给所有的学生这样一个机会 去提问啊 去答疑或者说有任何的想法 都可以跟在这个office hour 跟教授去进行沟通 那么在国内的话 我当时在国内读本科的时候 是没有这样专门的一个office hour的啊 就是可能学生会还是在课课下的时 候呃在休息的时候 课下课休息的时候 跟老师进行一个去沟通啊 答疑什么的啊 这个就是 我觉得也是算一个 他教育的一个特色吧 啊 这个就只是我个人的一个经历了而言 然后此外的话啊 在北美这边留学 刚才讲到了呃 消费的话肯定是要比国内要高很多的 此外还有像呃我们可以对比下 此外啊在这边在在 在北美留学的一个文化上来看的话 呃就是我自己当时也是呃 令我非常留留下最深印象的有两个 我们可以叫做它叫那种culture difference 或者叫culture shock 呃首先就是这边的小费文化啊 这个就是让我真的是 因为我之前在国内 从来没有经历过 这样的小费的一个东西 然后在这边的话发现你不仅是呃 你去外面吃饭是要付小费 然后然后其实所有的服务业 只要是他有服务到你的 基本上你都会会要给这个小费包 包括你甚至去理个发啊 这种一对一的 然后甚至说你在住酒店 他的这个room service啊 他给你做这个room service都会 呃默认情况下 可能会需要你福利定的小费 然后这个小费的比例 还是在不断的上涨的 可能我听很多朋友说 他们说就是可能是五年前啊 十年前他们可能只有是10%啊左右的 现在就是已经最低的 已经到了1518这样子了 这个小费的这个东西 真的是非常夸张啊 这个是我觉得是 反正我觉得是 肯定是国内更好的这个小费的东西 那么还有像另外一个文化 上的一个差异 我觉得是一个在审美上的一个差异 就是呃我相信 因为大部分像呃我们中国的呃中国人 可能是他会认为就是大部分啊 可能会觉得像呃 不管男生女生啊 就是偏白一点的会更好看 就是如果你晒太黑了怎么的 就是可能大部分人会觉得不太好 但是在这边的话 可能就是在美 美国这边可能是刚好反过来的 就是很多白人的呃女生 她们本身就是皮肤是很白的 但是她们会去想要去把它晒黑啊 就晒成一种呃 叫Tan skin 就是这样一种 她们会认为这样的肤色 反而是更健康的啊 就是跟我们这个是反过来的 所以啊 所以我们会发现很有趣 就是在经常比如说大太阳的日子里 然后呃中国人 他们会呃戴戴这个帽子啊 或者抹这个呃防晒霜啊 但是美国人就是完全不管 他们就是反而像晒 晒黑一点会好 那么此外最后一个我想到了一个 就是对于在呃 对于我们学生这个性格培养上面的话 呃我觉得在这边来看 我整个留学过程中体验到的是 这边的一个 就说氛围的话 可能会是一个更加包容的呃一个环境 因为因为首先肯定是来自 有有来自世界各国的 不同肤色 不同人种的学生 所以我们大家会在同一个教室里 同一个校园里面进行一个学习啊 生活啊也会 你在日常生活中也会 就是更加不同的人种的人 进行一个打交道 所以会这样 慢慢形成一个更加包容的 一个一个环境 或者一个氛围吧 此外我就是此外 我觉得可能这边人与人之间的呃 交流啊沟通啊 会比国内相对来说更加的呃 密集一点 就是更加平凡一点 就是我我是觉得外国人呃 就是他们 比如说美国人 他们可能是相对于中国人 会更加的健谈一点 就是他们就是喜欢有事没事的 就是怎么聊 聊个天 然后他们有时候聊天能聊很多 聊很多东西出来 就感觉给我给给我的感觉 就是非常外向 然后非常喜欢打交道 他们的啊 比如说课下的闲暇时光 就是有空了 比如说就去开party 比如就是大家同学几个出去玩 出去聚会 跟朋友在去朋友家里 怎么就是这个啊 他这个频率 会比国内 我们同学之间的这个频率要更高 然后就是他们能更健谈一点啊 所以我觉得 如果你跟他们更多的相处的话 你可能会在无形之中 呃指你自己的一个交流的能力啊 交流的这个频率啊 都会得到一个提升 就我不是说呃 我没有去刻意去比较说哪个好 哪个不好 只是说一个客观的一个现象 让我感觉到 指这边人与人之间的交流 可能会更多一点 然后他们本身呃 美国人啊 他们会更加的健谈一点 呃对 是这个是我觉得啊 这点我我体验到的 我觉得是跟呃 在中国读研 会一个一个一些区别的地方吧

发布了笔记 1月前

下：中西方职场差异改如何选择适合自己的工作

对然后还有什么 还有日常生活 这个我就特别喜欢说 在腾讯跟自己的我 工作时间还是蛮长的 其实并不一定是指你在计算机面前 就是埋头苦干的时间 而是你怎么说呢 是你待在公司的时间 像我个人 可能大概9点半在在公司开始吃饭 特别怀念自己的自己和腾讯的早餐 吃完10点之后过去之后打开电脑 看看今天有什么消息 对看看今天有什么会议 把昨天的代码稍微看一下 最后是这群上午就结束了 中午大概会吃饭 午休 午休真的会每个人拉出一个小床来 想玩游戏的同学去玩游戏 当然在腾讯 甚至我们中午玩游戏 我们会拉我们的总监跟我们一起玩 一开始我不知道他是总监 所以我在王者荣耀里大傻谈好几次 后来但下午的 主要是工作的比较集中的时间都有 比较集中 这个开发到了晚上 可能是6点到7点之间会有一个小时的 有的人的话可能压力比我大 他可能会待的更久 所以你可以看到 其实比如说中午和晚上 都会有一个比较长的休息时间 所以其实满打满算的 其实工作并没有那么久 但是你会造成一个感觉 就是你在公司呆的很久很久 可能并没有私人生活了已经 与此同时 我在美国这边的话 比如说我现在的生活 现在的话大概是9点半到10点到公司 然后开始吃饭 吃完饭之后 然后去去进行早上的工作 可能会开会 可能会携带晚 但是到了中午 大概是11点半左右去吃午饭 然后12点半 左右去同事们吃完饭回来 一直干到晚上6点5点钟 然后准时去入检 所以其实强度上面就是小了很多 当然晚上回来 有人可能就是喜欢去看工作 但是其实这个完全因人而异 如果你完全不做 完全没有任何问题 所以就会造成一种感觉 就在私人生活非常多 所以很多人在抱怨 为什么生活这么无聊 对原来他可能没有这个需求 怎么去把生活安排的有趣一点 完美一点 但是现在他可能每个人都有这个需求 更多时间要去干嘛 对所以这是一个很很大的这个区别 因为有人说我工作时间多一点对不对 我其实工作上面在进展会快一些 这个话我个人理解是完全没有错的 但是仅限于你的职业初期 就是你什么东西都是需要学的阶段 那么一旦你过了这个阶段 那其实 如果你一直把自个每天的大部分时间 投入到重复性的劳动之中 我不觉得会对你的职业的 这个生涯的竞争力 会有很大的影响 相反 我觉得有一些自己的时间去分配啊 是你把它分配到工作上面去 就比如说我有时候玩真的会很无聊 就会打开一些 我们这边的一些技术的资料 去有目的的去去看一看 或者甚至去上一些网课 包括我个人会上一些 这个包括就是English public speaking 一些的一些的关一些的东西 所以你会去有目的的去利用的 利用的时间 当然 有的人也很多朋友就会直接打过去 老师刚才说中国大厂跟北野大厂工 作时长这个事情 就是中国的大厂 他晚上6点到9点的也是在工作 那这个时间是强制性的 还是大家自愿在公司的 他并不是一定是强制进的 比如说我当时刚到深圳的第一天 我跟我的组长说啊 今天我想去租房子 我想稍微早点走 他说没问题 你走吧但是其实如果两方面啊 一种一方面就很多地方 它会有个潜移默化的氛围上的压力 大家都九九点走 你6点走合适吗 那SPA如果有一些地方 它可能人叫开明 他不会在这方面对你施压 那会有另外一层压力 就是真真正正的压力 就是OKR你这个能做完吗 你工作是不是饱和 你是不是OKR设置的不够激进 你是不是没有把昨天的最高要求 当成今天最低要求 所以主要是这两个层面 我觉得然后这个是工作日常 还有什么岗位特点是吧 OK岗位特点 其实我想想 岗位特点呢 岗位其实都是程序员 都是开发 开发的话是涉及到几个模块吧 比如说沟通上面 比如说设计上面 比如说实现上面 其实岗位特点 中美两边的 这个文化跟做事的差异是一方面 另外一方面是你做什么产品 那么像我在国内两家公司 其实风格就工作特 岗位特点就已经很不一样了 在之前 我可能我是做这个互联网产品的 那么我是本市 去做一个快速简单的产品 我们岗位特点就是基本上就是要快操 快操猛出活 我们基本上是用全站 后端是后端 是用Python Python 或者说是夹吧 或者说是go 其实并没有固定的语言 你如果可能自己的同学 大部分都会用go 那么其实是看的个人项目需要什么 使用什么 或之前在用什么 你就会用什么 对然后你可能产品会在固定时间 给你一个跟产品的对齐会议 产品也会列出来有哪些需求啊 作文你可能会 你们领导会挑一些哪些是高优先级 就会撒移到你的头上去做 你的话就会负责整个Seater开发 包括前端 包括后端 包括测试等等等等 核心要

发布了笔记 1月前

中西方职场差异：怎样选择适合自己的工作

老师本人在中国的大厂和美国 都有丰富的实习 还有工作的经验 那么可以请老师简单对比一下 中美两地的工作内容 工作日常 岗位特点 还有工作氛围这些地方有什么区别吗 好我尽量一个一个回答 就是我觉得两地还是在氛围 包括在日常结构上 差距还是蛮大的呃 首先在 就是进入公司之前的面试上面呢 就是美国这边的话 尤其是大厂 就是面试的要求比较general一点呃 一大二人 他的流程比较就是固定化 首先是呃 一开始 大家可能会要求一个一个简历官 简历官之后的话 那么这步的话会筛选掉大多数人 那么很多 我们就是说背景很优秀的同学 比如说 在美国的顶尖计算机名校就读的同学 其实很大可能呃 也会被在简历官这呃 这一阶段被筛选掉 那么之后的话 面试在美国这边的大公司 更尤其是这种 就是说new Grad岗位的话 更多是要求算法方面 它对个人的这个基础知识 并没有太多的这个考察 然后但是与此相反的话 在国内的公司 尤其是BAT 包括跳动这类公司 他们其实对学历这边的要求 还蛮高的 那就是其实话话说回来 如果你的学历还不错 或者说比较漂亮的话 那么你是基本上是一定能拿到面试的 那么拿到面试之后 那么他们那边筛人的话 其实更多是靠面试来筛人 你面试来筛人的话 跟美国这边就比较呃 怎么说呢 流程化的相比的话 国内面试的基础 基本的风 格是一致的 不过各个公司的话 他的变化还是蛮大的 比如说我印象里呃 腾讯和阿里 根据我的经验而言 他们是一般分有大概是3-4场面试 那么可能第一场的话 面试官会问很多的基础知识 就是我们平常所说的这个八股文啊 就是他会考察你的 就是说计算机基础知识 包括你运用到的一些工具等等等等 那么他的目的 其就是去测试你的知识的一个广度 那么之后的话 可能第二面 他会去去测试你的知识的一个深度 就是所以他会从一个你的项目出发 然后要求阐述你的项目 那么在阐述的过程之中呢 他会呃 经常会抓到一个点 然后啊你如果用到了readys 或者你用到了MACIC或者whatever 然后从这个点出发 然后去深入的去问 你 对这个工具有是否有这个足够的了解 对这个某一个fiture的设计 是不是有足够的心得 等等等等 然后第三面的话 可能就是HR面 或者部门的这个老大面 他可能就会对你的性格 或者说可是对你的这个私生活 会有一些相对而言 就是比较泛泛的一些问题 所以总体而言 我觉得内容准备上会有很大的不一样 对然后此外的话 如果你顺利通过了面试 然后进入了这个中国的大厂 或者说是美国的公司的话 那么接下来 你会有一个日常工作上面的区别 对吧 那么其实有一个很特别大的区别 就是国内的公司的话 因为国内的互联网公司 尤其是前几年他处 于一个攻城略地的状态 所以其实你的工程质量虽然重要 但是其实并不如你的这个产品 早早上线重要 然后所以造成一个结论就是 首先作为一个对比啊 在美国这边的公司的话 他会去节奏会放的稍微缓那么一点点 然后在每一个 比如说每一年或者每个quota之前 他会做一个比较详细的计划啊 你这个人在什么时间段会做什么事情 那么这个计划的话 根据我的经验 不管是在Google还是在Snowflake 他制作的是比较保守的 他会去呃 考虑好你这个人会花多少时间去run up 是花多少时间去做完这个事情 然后此外的话 你可能会有些意外发生 有可能会发生一些onknowns对不对 所以他会把这些一切都计划进去 那么会尽量保证在这个时间节点之间 是真正的 你有能力 有机会去把这个事情比较稳妥的做完 但是与此相反 国内这边的话 比如说举个例子 字节这边 它是大家眼里 可能比较激进的一种做派 它是所谓的这个双月哦 就是跟谷歌可能基本上一年做一次 就是比较正经的OKR相比的话 他是两个月就会做一次 而且他鼓励你 就是说制作OKR目标是比较激进的 所以 这个dialine会对你有一个强大的压力 就会 所以有时候国内公司加班 他并不是说领导拿着把枪指着你说啊 你今天必须11点之前不能走 这其实就是更多而言 是一个OKR给你带来的压力 所以你会发 现这个公路的节奏会非常非常的紧急 那么与此同时 我觉得就是说 接下来就会引发了一个问题 就是工作氛围 那么美国这边的话 我理解就是 至少至少根据我个人的经验的话 大家表面上是非常和气的 当然这个被地理合不合气因组而异 我觉得我经历的环境还是比较友善的 然后对大家 最起码保持非常良好的尊重 不管是组员跟组员之间 还有这个包括领导层跟组员之间 他并没有一个非常延伸的 这个上下级观念 他也并没有一个 就是说比较严厉的一个环境 但是国内的话 因为它整体而言竞争压力比较大 生存压力比较大 并且此外的话 刚包括刚才我说到的 就是说你如果想在OKR这这一条上面 能够就是说真正做到的完成的话 那么其实对你个人的压力也比较大 那么在多重的压力之下 如果这个组的压力比较大的话 那其实这个环境 有的时候 他是会产生一些不太良好的反应 就比如说当年我在自己的时候 会凌晨会这个晚上11点 我们这边的产品小姐姐 把我们那把那排堵住 说今天要陪我们大家一起加班 因为大家如果再不做他的future的话 他就要被炒掉了 但是这个其实也是相对的 因为之后我去自己去腾讯之后 就是这边的话 跟字节是有一些不一样的 因为我在字节他是做那个互联网产品 互联网产品的话 其实就刚才我所说的就是要快 但是在腾讯可能因为我 带的部门的原因 我在TGG的一个部门我就不说了 但是相比而言是比较基础架构 为infrastructure structure部门 所以它会稍稍的 这个节奏会放缓一点点 所以我觉得部门之间也稍微会 气氛会会缓和一些 对但是整体而言 跟美国的氛围相比 我觉得是要严苛一点 或者说是很多同学讲 就是说说话办事更直来直去一点 嗯对 然后这是工作氛围上面 那么工作内容的话是这样子的啊 我在我在 这个snowflake跟Google的话 我们做的产品 基本上是 我们从头到尾 就是build from Scratch的一个产品 嗯那么这方面的话 其实就会涉及到很多 这个非常底层的技术 那么然后的话 它的这个技术的深度也比较高 比较深然后在国内的话 因为国内很多公司 大家如果有面试经验的话 大家清楚 其实面试的话 或者说是工作的话会用到很多的开源 比如说Radis 比如说卡夫卡之类的等等等等 那么国内很多公司 不管是面试还是工作内容要求 就会要求你对这些开源 或者说是一些工具 会有一个很很高的熟悉上面的要求 对那么其实你的日常工作的话 就是在建立在 对这些工具有非常强的这个要求 熟悉上面的话 去就是积极的去应用 所以这就是一个呃 很大的区别 就是在美国的话 他其实并没有对open source的一些工具 有很很强的这个知识上面的要求 但是在国内的话 你需要去额外的去准备一下

发布了笔记 1月前

国内大厂齐卷AI，到底怎么回事

很多人都反映国内的大厂欺卷AI 那秦老师凭借自身的大厂工作经验 分享一下真实情况 嗯好的 呃确实 从那个去年 就是下GBT开始火起来之后 然后呃 国内的就是各个大厂也都开始 就是进入到AI这个赛道这个领域 嗯其实就是AI这个呃 赛道的话 其实之前就是国内大厂 应该说都有涉足 可能但是更多的还是传统的这些AI 可能比如说像那个计算机视觉啊 自然元处理啊这种 但是从去年开始 就是大家这些大厂都开始进行这个 切入到这个大模型 这个赛道这个领域嘛 然后呃 结合我自己的这个工作经验呢 因为我是在这个蚂蚁这里 然后呃就是可以看到 就是在过去的一年多时间里 呃就是我们公司 就是 确实也是对AI这个方向非常的重视 首先就是提出了 就是叫做AI first的这样一个slogan 然后就是足以见得 就是就是公司的高层 对于这个AI这条赛道的一个决心 那就是AI first呢 就是说 一切就是包括的这个业务的发展呀 然后包括基础上的实现啊 就是呃要以这个AI为先 就是可能不能在以原先的 传统的 这种业务功能的这种开发的一个思路 群体进行开发 然后同时就是嗯 马爸爸呢 就是其实他最近其实也是呃 有一些发言的发生啊 他也其实提到说 AI电商其实是刚刚开始 然后所以说啊 也可以看到就是他们这些高层啊 就是也是对AI这一块是非常的重视 然后从我自己个人的体感角度来说呢 就是我其实原先其实是做后端的 engineering的 开发的工作 就是原先的话 其实没有太涉及到 就是AI算法这一块的东西 但是呢就是从去年开始就 公司开始逐渐加大最对这块的投入 所以说就是我个人提量来说就是呃 公司就是会开始有针对性的 就是推动在AI领域的这方面的积累 就是嗯比如说我 原先其实其实是那个另一个同学 但是公司也会去组织相关的一些啊 这些就是智能化呀 AI化的这样一些课程 帮助大家 就是说啊 进行一个转型 这里面呢 其实嗯他公司考虑角度来说 其实是说 首先他要加大对AI这方面的投入 但是呢AI这方面的这个人才 就是可能就说呃 公司其实怎么说呢 就是嗯呃 如果说从从外部招聘的角度来说 他可能要投入更大的资源 然后精力去招聘这块 那他想说与 与其这样还不如就是呃 扶持相当于是内部呃一波 就是可能对AI感兴趣的 然后就是传统的 可能是功能化的基本同学 然后也帮助他们 能够实现这方面的转型 对所以说啊 就是可以看到 就是现在国内这些大厂 就对AI还是非常重视的 然后嗯同时我刚说到就是呃 一一方面是他会有呃 就是有针对性的 就是召集这种线下的课程培训 然后同时 内部也会有非常多的 线上的一些相关的AI的课程 是鼓励大家去学习的啊 然后这这这 从这个人才储备的角度来说 然后嗯 第二点是 从那个就是各个业务业务方向 就产品领域的角度来说 就是各个业务 其实都会开始尝试进行 这个AI相关的一些产品 的一些呃 孵化就是嗯 比如说最简单的就可能说是啊 在原先的这个网站产品基础上 可能就会去加入这个产品的AI助手 这样的一种形态 当然就是我刚刚说到了 可能更多的是呃 就是可能就是啊 从我自己最工程化的这个同学 这个视角看到的 就是说 公司其实是有在做这些AI方面的 这个转型啊 当然我也可以可以分享一下 就是我看到的就是国内 就是就是整个这个AI这个赛道嘛 啊这问题不是说到底卷不卷嘛 就到底呃逆卷强度在哪里 在哪个方向卷的最多 然后我大概也就是做了一些总结 对其实就是国内的AI的发展呢 我就是说 大概可以分啊几个层次或者方向吧 首先就是低层的话 就说是底层这种大模型的开发 这个其实就是从啊 去年超级火之后 然后其实那个时候就开始进入到 所谓的百模大战 就是各个就是大厂也好 还有一些创业的公司啊也好 就是都开始去 就是尝试去训练自己的大模型 然后这个是第一层底层大模型的开发 那第二层的话就是说嗯 可能大家其实看到说啊 国内训练的这些大模型的效果 其实说想要去超越PPT啊 或者超越这 些头部的这种啊 大厂训练出来模型可能是比较难的 那就开始进入第二层 就是说 可能是一些行业应用模型的开发 包括比如说呃 像针对于法律啊 教育啊医疗啊 或者是这些营销啊 这些细化的一些领域 可能会进行一些呃 所谓的小模型的 就是应用 定制化方向的一些模型的开发 对然后这个是第二层 然后第三层呢 就是更有实力的一些头部的一些大厂 就开始嗯 去慢慢推出自己的 叫做呃model s service 就是简称是MAF嘛 就是模型及服务的这样一种平台 那就是嗯 这个呢其实是嗯 目的是为了去提供这个模型训练啊 微调啊部署啊 使用它这样的一站式服务 然后可能是 更多是面向于ToB的这样一种业务 就是希望就是说啊 给未来能够给更多的这个企业去赋能 然后能够帮助啊 这些可能没有办法训练自己模型的 这些企业 然后能够直接开箱即用的 去使用这个AI的工具 对然后然后嗯 第四层的话 其实是啊 就是可能是更多就是一些 怎么说呢 就是呃 适合于更加 就是说成 投入成本没有那么高的这种 呃方向的开发 也就是基于AI 大模型的应用的一个搭建 对就是基于 可能说像charge GBT啊 或者是说其他的一些大模型 然后在这方纸上 然后去搭建一些应用 然后更加贴近于c端的这个用户啊 这里面呢 就包括了像一些智能助手 然后包括了可能像AIGC的 一些东西就是AI的图片啊 映视频的生成啊 然后还有包括服务于这个开发同学的 可能比如说是呃代码的生成 就是这种AI 就是应用的大径 对 是的然后嗯 目前其实我感觉下来 基本上是就是刚说的这四四个方向 对对 然后这4个方向的话 就是说嗯 其实就是他可能是呃 适用于就是不同的呃 不同的相当于是这个什么呢 呃vivo的这种公司 对就是可能是同步 同步的公司 然后他有呃资源 然后有算力 他可以去呃研发这个底层大模型 然后可能相对来说就是啊 没法去卷这些的这个公司 那他们可能就会从应用生态的角度 去做文章 对大概是这样

发布了笔记 1月前

Will Quay become a highly competitive profession in the future

Will Quay become a highly competitive profession in the future quantity finance as soon as QUANs have been booming lately it can really combine a strong understanding of finance together with strong programming and mathematical skills however Quan can also be categorizing to many different layers at the forefront would be algorithmic trading where one deploys a sophisticated program to exploit profitable opportunities in the market apart from that there are also quantitative analytics quantitative researchers quantitative developer to name just more popular ones however the underlying goal is to automate the whole decision making process to help determine misprising in markets so corns can see in the front middle or back office and within the investment bank most corns sits within the middle of this function but they are generally compensated with front of this compensation on the bike side such as hash funds or family office the b's compensation is similar to cell site except that it offers a higher bonus payout or a target payout which tends to be higher than the cell site to the compensation however there is a cash such deals are generally more attractive on the mega fund site normally funds that are sitting on tens of billions of dollars of access so the question is would booming one market lead to intense competition I will actually think so so any high income opportunities will eventually face a market squeeze and I'll give four reasons for this firstly higher demand for technical degrees in schools so as schools begin to introduce more technical costs and increase their enrollment it is normal to expect a significant number of graduates targeting a career in quantity finance the top iability programs have been actually expanding enrollment post covid to satisfy the demand for stem related degrees as they are seen as the most realisticated to achieve the American dream of prosperity in fact many schools hire or collaborate with coins from the private sector to inculcate industry teachings to students for example Elgarish may trading AI in finance or capstone projects them mix generating L file in a fun this helps to foster student skillses in the area of math probability coding and how to apply them in the financial markets but more importantly the student understands how to speak the one language during interviews and therefore it is actually harder for one to stand out if this range passes and the second reason would be the accessibility to resources so in the internet era you can easily Google for any information sign up for online causes ascration on forums like 1 nets that overflow Reddit and I notice they are specialists in these areas they tend to apply reply to the best of their ability which makes it much easier for those who wants to get a closer fuel to the Kwan finance industry private universities have also been driving greater engagement between their students and alumni so a higher alumni presence in the bank typically leads to a higher likelihood of students being hired from the particular program and the third reason would be the packaging I have come across applicant resume for cornrow within the investment bank and I realized that these days applicants are very smart at packaging the experience in your resume for example in a school project or a capstone project with a company will list themselves as an analyst or an intern and will use all sorts of passwords and impressive figures to attract attention this makes it hard for interviewers to screen out the best available candidates also based on my understanding many schools uses AI tools like vmog to help provide a suggestion on students resume this means that less qualified candidates could also be considered for a role in Quan finance if they are able to build a resumated mimix that offer highly qualified Quan candidates so as the packaging improved I would expect to see more demands from the candidate sites and normally more wrongs of interviews would have to be done to eventually filter how those were the best fit for the role and last but not least we have the HD GPT is always the tool to answer our questions almost immediately comes in 00 for an online interview for any technical questions that are related to statistics probability goal coding HPD always constructs near perfect solutions in many sentences days only days that only provides one way of answering and almost anyone including less qualified candidates they can portray an image of a qualified one just imagine if all shortlisted candidate is turning to call check GPT for an online interview how much harder will the interview be this accessibility to powerful AI tools create an even playing feel for everyone therefore lowering the bear of entry into quant finance and this is why I think the competition will only get more intense towards getting a job in the quant finance industry

发布了笔记 1月前

把留学当作投资还是消费

近期很多人都在讨论 我们应当把留学看作投资还是消费 然后我们也知道 老师本人是哥伦比亚大学的硕士 那老师可以谈谈 您对于这个争论的想法 这个问题的话 呃就是留学是投资还是消费呃 那么我觉得可能首先它 呃不能就是一概而论 我觉得它短期的来看的话 可能呃可以看作是一种消费啊 因为我们短期来说 他去留学 首先他的学费非常的昂贵啊 其次在国外生活成本上 肯定也比国内要高很多 然后加上你会要去体验一下 各种各样的异国他乡的 他的一些日常的生活啊 文化这些都会有产生一些开销 所以说短期来看 肯定是比在国内的消费要高很多的 但是呃我觉得长期来看的话啊 它可以成为一种投资啊 为什么这么说呢 就是这个 可能就是取决于你自己怎么去呃 对待和把握这个事情吧 就是说如果你比较非常的珍惜 这段留学的时光 然后能够好好的进行学习 就好好的把这个机会 把这个机会把握住 那么其实是有机会 把这个短期的一种高消费 转化成一种长期的来看 成为一种投资的啊 因为我觉得首先在国外的话呃不仅你 你就算留学的时光 从这个比如说从硬件的角度来看 你首先你能拿到这个呃学历 然后你能够有一段这样的 在国外的一个要求 一些大学学习的这个经历啊 这个就是从硬件上 那么从软件上你也能够培养 比如说你的性格啊啊 打开你的眼界啊 然后拓展你的人脉啊 当然然后包 当然也包括 你会有很经历过非常多有趣的东西 能够成为你非常 人生中非常宝贵的一些回忆 所以呃所以我觉得这个东西不能呃 就是单纯的把它归类为投资或者消费 本质来看肯定是一种高消费 但是如果能够自己能够把握的好 能够呃学习的好 长期的来看是呃 能够把这个这个投出去的给他 呃拿回来 所以可以可以成为一种比较呃 比较好的投资啊 这就是我的一个想法

发布了笔记 1月前

五分钟带你了解留学生的高薪热门岗位

大家好我是篱笆的Thomas 也是北美的一名量化金融的从业人员 今天呢 我想用这个视频给大家介绍一下 我眼中的北美的量化的这个行业 以及对这个行业里边的工作种类 进行一个粗粗略的分类 大部分的中国留学生 在北美 都是在找比如SDE和DS相关的工作 但其实量化领域呢 也适合 有这些个计算机和数理基础的同学们 现在国际上的就业真的是越来越难了 我也希望这篇视频呢 能给大家提供一些新的思路啊 首先呢量化行业 在美国是一个高度竞争的行业 它可以说 是聚集了全球最聪明的一些头脑 这个行业所寻找的呢 是那些对数学 统计学计算机科学等有深入理解的 并且能够把这些technical的知识 应用于金融市场的人才 大部分的量化行业 对候选人的要求一般是硕士和博士啊 当然就是如果你很优秀的本科生 也可以进到这些领域里 那很多顶尖的量化基金和教育公司 也会特别青睐 来自世界顶尖大学的毕业生 在技能要求上啊 除了你要有扎实的数学 和统计学的基础 一般来讲掌握一门编程语言 比如Python C++等也是必不可少的 因为这些年量化这个领域 对机器学习的算法呀 大数据技术啊 包括AI这种 是非常非常加分的一些选项了 那你在求职的过程当中 你要向他们去展示 数据学扎实的专业知识 并且同时很多时候 你会面临啊一些实际问题的case study就是一些案例 然后呢一些编程的一些个 就是technical的内容的 因此有编程的挑战 还有一些数学和统计啊 一些就是说脑筋急转弯一样的问题 还会很多时候 让你去对金融市场做一些分析 那么这些其实更多的考察的是 你的思辨能力 和解决问题的能力 就critical thinking problem solving这些 并且他们还很喜欢在评估候选人 在团队合作的能力 和压力之下的工作能力 那么量化的定义呢 我觉得首先我们应该搞清楚一点 或者说框特 它是一个形容词 指的是你的工作属性 是量化的 说明你你 通常我们认为这种工作 候选人要拥有大量的数理 统计和计算机的知识 它不是一个名词 像老师律师等等 所以在不同语境之下 它可以代指不同的职位 所需要的能力 也可以是非常不一样的 那这个大家可以去类比一下 在数据行业 如果你是一个data analyst data scientist data associate或者data engineer 它所负责的就是不同的领域 虽然too data这个词 在都要和data去打交道 但是你跟Excel的data打交道 也是一种data 你用Python去处理一些文件呐 去建一些模型也是一种data 所以在具体的情况之下 你要根据你具体你个人的能力 以及市场上有什么样的岗位 以及你具体想要做什么 去挑选合适自己的矿大的岗位 觉得有必要对这些量化岗位 做一些划分 这样大家更知道自己适合什么样的岗 位以及看到一个岗位的时候 更知道他想要寻找的是什么样的人才 金融市场呢 我们可以先简单的把它分解成啊 划分成买方和卖方 那么买方呢 就是有钱的那些机构嘛 就是说机构投资者 他们要把自己的资产去做一个allocate 他们要去购买证券呢 或者其他的投资产品 他们可能包括mutual fund 就是基金呢 养老基金 passion fund这种 或者保险公司或者family office等等 那卖方就是给 顾名思义 就是给这些买方提供服务的啊 他们可能包括我们所比较熟知的 投资银行 证券公司 或者第三方的一些机构 还有一个我觉得大家比较啊 比较热门的去处就是market maker 比如大名鼎鼎的Cidel啊 他们就是做时尚吧 他们很多时候 同时扮演着买方和卖方的角色 但是大部分时候他们更加倾向于卖方 是 他们为特定证券提供买卖的一种报价 提供流动性 然后去减少那个买卖 and ask之间那个spread 他们去赚那个钱 那大部分的对new grad比较对 就是新的毕业的学生 比较友好的岗位 一般都是卖方居多 那么这种岗位 可能包括我们所熟知的desk cone啊 model con Quant developer 或者一些啊算法吹定的岗位 那这些岗位大部分的时候考察的是你 会偏重考察首先你的soft skills 会有很多behavior question 你的communication的技能怎么样啊 或者如果他肯定的话 可能会考虑一些期权定价模型啊随 机微积分啊等等 那这个原因是在于呢 像我们刚才说的 卖方是给买方提供服务的嘛 那不可避免的是 你肯定要跟clients打交道 然后他有需求 你当然要跟他沟通 告诉他这个我给你提供的服务 你具体可以怎么用 还有 跟公司内部其他的staycolder打交道啊 可能你服务的对象 是你们公司内部的买方 或者一些其他外面的一些客户等等 而很多时候卖方他最终这个业务线 他赚的是fee和commission 那自然就是说 你不可能是你这个东西 跟我解释不清楚 那你没有办法跟sequel的很好的沟通 那你就是有再好的technical scales 这个岗位 也很难最终把offer发到给你 那买方的很多岗位呢 我们所说的Quantitive portfolio manager 或者说quantitive researcher 或者说一些Quant trading的岗位啊 tag一个方向 它更多考的是你的回归和算法 他们相对于market maker 他们是市场上的market taker 他们更他们的risk主要来自于这个啊 市场上的波动的 这个就是交易决策的风险 也就是他们是低买高卖嘛 但是很多卖方的话 他们是要去 他们更多的风险 是来自于价格波动风险 因为他们啊简单一句话来讲就是 他们吃的是交易量 他们不吃PNL 赚不赚钱无所谓 我是Dota neutral的 所以说 卖方会对你的定价模型更重要 会不需要对冲等等 呃像我们刚才讲的啊 买方的工作呢 很多时候对new Grad不是那么的友好 我相信大家 很少在你学校的校招 或者对new Grad友好的岗位上 看到Quantitative portfolio manager 或者Quant research 即使有可能也是针对PhD 或者非常头部的学校的一些人 这个也首先是因为说 他们是站在食物链的顶端吧 他们就是合同里经常的那个甲方 然后也是因为 他们在放的里占的比例本身就比较少 买方的矿真放的我觉得可能就10%到20% 这这个很少 而且呢更不要讲说hedge fund里 标榜自己是矿的的那个比例更低 而且很多时候它只是market 自己是矿的 它其实有一点挂羊头卖狗肉的感觉 因为很多时候在hedge fund里 矿的是跑不赢呃他们的同行 他们也跑不赢market

发布了笔记 1月前

商科-细分专业选不好毕业=失业，该如何选择细分专业？

那我们在商科留学中 选择细分专业是很重要的一个点 否则就会更容易面临毕业季 失业的困境 那么我们可以简老师分享一下 我们应该如何选择这个细分专业 我觉得其实细分专业的选择 比较看个人吧 我觉得其实跟性格还蛮重要的 比如是因为我是学商科的嘛 那在商科里面比较简单的一点就是 可能有前台 中台和后台 那么因为比如说有些人的性格 天生适合做前台工作 有些人可能天生适合后台 那这个对于他的职业发展 其实影响还蛮大的 可能天生适合做前台的人 但他去做后台 就是比如说像风险管理 这种后台的细分专业 他可能就会觉得非常痛苦 对呢他自己个人是更喜欢了解 整个金融市场 他可能是更喜欢做金融市场的 对 所以我觉得这个主要是看个人的性格 然后个人的兴趣 然后其次是呃能力 然后就是你过去的学专业经历 和实习经历啊 也会影响到 比如说你在就是研究生项目阶段的 专业细分选择 我觉得也跟 其实也离不开当前市场的需求吧 比有些公司可能比较需要后台 但是有些公司它可能更需要前台 对 所以我觉得当前市场需求也是很重要 我觉得 对于就是还在上学的同学来说 可以比如说密切的关注一下他想去的 比如说在商科里面也分很多行业吧 就比如他想去的行业里面 这个行业比较稀缺的是前台还是后台 我觉得 所以我觉得要更密切的关注英 文啊然后市场需求

发布了笔记 1月前

量化人告诉你，量化金融为什么这么卷

大家好我是篱笆的Thomas 这个视频呢 我想跟大家聊一下 为什么量化这个行业呢 跟我们所熟知的SDE啊 data相关的岗位啊啊 它需要的人才是相对较少的 那首先第一点呢 就是说我们之前聊过了嘛 就是说量化的岗位 要求申请者有深厚的一些数学 统计学计算机等自然科学的背景 而同时你还要有金融市场的知识 同时很多头部的这些个公司 还要有一个target less 它对你学校会做一个很高的要求 要求你必须是头部的 一些学校的 这些高门槛 本身就限制了申请者的数量 第二点呢 就是说尤其是在现在这个时间点啊 经济和市场都是有周期的嘛 金融市场和经济周期 对我觉得金融的岗位 应该是需求是有直接的影响的 现在这个时候呢 很多大部分的金融机构 在市场不确定性的时候 他都会减少自己的招聘 尤其是成本相对较高的 量化研究的这些岗位 还有一点 就是这个市场相对比较饱和了啊 就是说量化投资的起步其实很早了 成熟的量化基金和机构呢 他已经有了自己的量化团队 他已经在人才啊资源呢 技术上相对成熟 新的岗位需求本身就少 很多时候是一个萝卜一个坑 他这人走了 他才会去backfill 但问题就是现在这个市场行情之下呢 就算有些人跳槽去了更好的公司 或者因为个人的原因辞职了不干了 那他也会慢慢的去backfill 就是从经济学的角度来讲市场环 境不好裁员的上一步 其实首先是离职不补 那也会导致现在的这个岗位 相对较少的原因 还有一点就是更宏观的一点因素 就是08年金融危机之后 金融行业的监管相对是更加严格了 很多衍生品不让做了 这个其实让很多的q Conte都不存在了 职能岗位就直接不存在了 会更加的转向p Conte 就是我们说风险管理的需求更高了 那这个时候金融机构在招聘的时候 就会更加谨慎嘛 他就会优先考虑 符合这个些相应背景的人 可能是risk在08年之后 得到了一个更大的一个发展 所以其实说到底矿的行业之所以卷 是因为它的市场大小决定了 比如我们很多他们做arbitrage 就是套利的人来看 在经济学家看来啊 这些矿的赚钱的核心逻辑在于 发现市场当中的inefficiency 然后通过交易去消灭这些mass pricing 从而被市场奖励 但问题就是这个市场的原因 in efficiency很多时候就这么一点 一家矿的做完了 其他就没有机会了 所以这个行业可能很多时候 本身就带有一些小众的性质 那比如说以前非常有名 大家如果做过case study 就是98年 97年那个有一个非常有名的Hatchfall 叫long啊captain management long time captain management 它就是在做这种两种资产Converge的 大概这样的一个策略 它就是因为盘子铺的太大 最后没有足够的东西给它做 是它最后倒闭的 一个很重大的一个原因 然后这个当年也是 惊动了美人杵 相当于也是一个非常有名的案例 大家要是感兴趣的话可以去看一下 还有一点呢 就是矿的它是一个灵活的游戏 这个跟金融很多时候是一样的 就是说你赚钱了 别人可能同时就得亏钱 我之前跟一些Quant photo manager coffee chat的时候 人家就会跟你讲说你的策略 你首先要想一想你是在赚谁的钱 你有可能赚的这个人的钱 他是有一个底层逻辑 就是别人让你赚这个钱 可能他有一个很大的仓位 他要去hi 你一直在赚他hi的钱 但是这个底层逻辑 如果你要搞不清楚的话 有一天人家撤了 你的对手盘撤了 你这边 还在按照以前那个旧有的逻辑去赚 你到最后赚不了钱的 而你之前所有赚的钱 所有赚钱的经历 都会变成你的一个错误的 一个继 继续执行错误行为的一个不好的 这样的一个推动力 所以你想说的点就是说 它是一个很多时候它是一个零和博弈 所以盘子就这么大 很多时候 它确实容纳不了多少的就业啊 所以这个行业呢 它需要的人没有那么多 但这也是为什么 它的人均利利润会比较高 它不是说像SD那个SDE满农那种刚需 就是你堆人能够增加产出 很多时候是做不到这一点的 所以这也是为什么 我觉得矿的这个行业 可能相对来讲 需要的人比较少的另一个原因吧

发布了笔记 1月前

揭秘前端工程师薪资报酬，发展前景

这我们很多小伙伴都很关心 前端开发工程师的薪资 以及该岗位的发展前景 也可以请老师跟大家简单分析一下 就是它分为呃 小型公司 中型公司和大型公司 我们先从小型公司说 他比我我没有在小型公司starboard待过 但假如说他是招的as front nine Developer 他的工资不会很高 我看 他如果招的是像中型公司和大型公司 他如果招的是front nine engineer的话 它跟sovereign engineer的差别不会 或者说像我们 至少对于我们公司来言 呃他没有区别 然后两个都是一样的工资 他都是按照engineer的薪资标准来的 就是还是说区分Developer和engineer啊 只要是这两个的区别来讲的话 薪资不会差很多 我当年面试的时候 然后我的一个前任面试官跟我说 他说其实很多人不喜欢做前端 是因为他们认为很枯燥 但实际上前端有很大的发展前景 他是直接跟用户进行交流的啊 你的用户体验好不好 你的用户 是从前端工程师开发这个东西里面 直观感觉到的 你后端东西肯定肯定肯定重要 但是你的交互不好 然后你的比如说performance 就是loading一个页面很慢 那这个对于别人体验都是不好的 那呃当时那个面试官的意思就是呃 我们现在更专注于performance 或者说user experience这个方面去 对于前端工程师的一个要求 我认为就是前端他首先有自己的领域 然后他也可以辐射到更多的地方 比如说呃 你前端你 可以做后端 你可以做转OS或者呃Android 就转Mobile 就是他和他的分支很多 就是你 要不然就就是一直深入做前轮 你像我们公司 他们开发那些呃react什么 他们也都是在做这些东西 前景其实是在的 我们看比如说十几年前 是没有Brandon engineer这个岗位 那么现在他有Brandon engineer这个岗位 就说明存在即合理 那说明他是一些 很多公司是有这方面的需求的 所以我认为他的目前来讲 发展前景还是可以的 我想啊就是很多人会认为啊 放弹的会被呃真AI取代 就是真AI啊 发展很快 然后会不会被取代 如果你知道你是ATM SSS 那有可能 我觉得很有可能 因为写个页面很简单 但是这还是说整个从系统层面来考虑 嗯包括用户体验 包括对接 包括所有的呃performance来讲 我觉得还是有它的位置的 呃他没有区别啊 两个都是一样的工资 那呃 当时那个面试官的意思就是呃 你前端你可 以做后端 我们看比如说 十几年前是没有Brandon engineer这个岗位 那说明他是呃一些 如果你知道你是a t m s s s

发布了笔记 1月前

前端人人都能干？建议前端转后端

会有一些小伙伴埋怨 自己作为前端开发工程师 工作又简单又枯燥 并且认为前端人人都能干 老师对此有什么看法 呃这是一个很普遍的认知吧 就是有的一些程序员会说说 把一个狗放在呃电脑面前 教他一篇前端 然后他可能都能写一个网页啊 但实际上 我认为 就是前端开发工程师和前端开发 就是soccer engineer和呃 front and Developer 它属于两个不同的范围吧 就是最早我们认为前端 它就是叫做front and Developer 然后他做的一些就是 比如说呃 把一些designer写好的东西 然后抠出来 然后写些CSS 写些HNML 就这些然后 但是实际上 现在很多的前端工程师叫做front end 他做的很多东西是跟software 只是用的语言不一样 但实际上做的东西都是一样的 然后对于呃 就说前端这个东西很枯燥 我觉得是这么理解啊 因为前端他要做很多呃UI 就是视觉上面的东西 他可能需要调 比如说呃 这样好不好看 然后这个距离是多少 然后怎么样把它显示成最好的样子 我觉得可能会有的人认为 这种方式对他们来讲比较枯燥 但是呃就我个人而言 我反而觉得这个有一个MVC在这里 然后我可以看到他图形是什么样 就我来说反而是更有意思 就比如说我写一些代码 然后我不知道他在干什么 然后我觉得是更有意思 就是因人而异吧 可能感觉那老师就是会建议 从剪前端转到后端 怎么说呢 就是前端转后端 它必然是一个趋势 但它不叫转后端 是在呃比如说很多一些大公司 它工作起来呃 我虽然是作为前端工程师 或者比如说像我们 我们公司啊 它的前端它分为两种 一种叫做fine engineer 一种叫做sober engineer generalist就product engineer 而这两种都需要做前端 然后还有都需要做后端 他的后端 又不是说想象的特别厚的后端 就比如说我需要跟API对接 然后我需要可能要写这个API的接口 那这些都是属于后端的内容 然后它只是我认为 它会自然而然的 从前端会需要做到后端的东西 就比如说呃 随着你工作时间更长 然后你可能不只做前端 你还可能会去写 比如说呃PHH 就像我们公司是hack PHP 然后可能会去写呃Python 然后还可能续写呃 呃stickle 可能性就是什么东西都会写 然后转的话 我觉得还是一个自然而然的顾客条 不是说强制要转 其实我还是觉得就是呃 小公司中中型公司 大型公司 它其实是有一个区别的 像小型公司和中型公司 我感觉它可能嗯 先不说中型公司 小型公司可能需要一些前端开发 对它的前端开发 然后可能还是像我们认为就是呃 编译上认为它是写HTMLCSS 但实际上像一些 比如start up 他不可能招一个只会写HTMLCSS的人 去做这个东西 他对于他来讲收益并不高 然后像中型公司 他可能呃 要求会更多一点 然后他呃 对于前端的要求反 而是比我们编译上认为的self engineer 是更高的呃 因为就据我找工作而言 就是前端 它毕竟是一个 怎么说前端必然是一个有工作经验 会产生的一个职呃岗位 呃因为我们按照呃 普遍意义上 比如说按呃 就new grad 他在学校里面 他学潜能的内容实际上不会很多 他大部分比如说算法呀 比如数据结构呀 他可能会有一些课程上 会涉及到一些潜能 但他并没有系统的用过或者做过 像中型公司 他更招的潜能工程师就是呃 必然是有过一定经验 比如说有一两年 两三年这种工作经验的人 像大的就是泰泰国公司 他招前端的话 呃像我 这我搞工作那几年吧 然后呃像阿木总 像我们公司Mega 呃像Google 他都会有专门给前端面试的岗位 跟它区别是什么 就是呃像Savage general 它念的就是coding和system design 然后像前端 它反而会更多 它既要念coding 要灭前端基础 还要灭system地战 但它的system g战跟呃 sovereign engineer system g战就不太一样了 就是呃一个偏向于系统的地战 一个偏向于前端的地战 回到我们刚才的问题 我刚才是说要呃 建不建议转的 因为你的前端的面试 决定了他一定会存在后端的知识 那你的转和不转就是你的一个选择 看你的兴趣在哪

发布了笔记 2月前

Shannon-中美科技公司面试特点，如何准备

其实很多小伙伴想 想进入中美的科技公司 所以我们可以请老师 简单给我们分析一下 中美科技公司的面试特点 然后我们应该如何去准备面试 确实是有一些自己配摄呢的经历啊 所以可以更多的分享 又有在北美啊 有就职过几家科技公司 包括微软啊呃 然后Google啊啊 国内呢话 其实演面过向字节挑逗 蚂蚁金服啊 还有那个幻方金拼金融这领域了 呃我冲分几个方面来讲吧 这是一个是啊 中美公司它的呃一个技术特点 我个人觉得这美国的公司 它会更加在意这个产品的的深度 包括呃一个框架的稳定性啊 就是说 他希望他可以接受速度稍微慢一些 但是呢他会希望有一个 就是争取有一些inner危险 当然大家也知道就是inner危险 它不是说板上钉钉的一个事儿 呃至少美国公司 他会愿意花更多的到RMD 做一些开创性 演innovative的一些的process啊和products 所以嗯这一块儿的话 北美汇愿意 所以呃它对于这个产一些inside 还包括整个框架的稳要求会更高 那中国公司呢 我觉得它的优势呃或特点在于呃 产品迭代速度确实是比美国快 这季比如说用户有一些新的需求 会有一些新的想法 国内的而工程师 或者是公司的这个产品部门 能够快速的合作 并且迭代出来一个新的版 所以就是像QC的一些产品 当然就是呃 呃这个呃 仁者见仁嘛 就是而智者兼知鸠就 是有的会说诶 最开始很易被离开呃 因为阿里的一个腾飞 很有一些其他因素 但是我个人觉得 就是像国内的很多公司 他对于用户的呃需求的快速满足 其实是呃确实比美国的一些工 一个是从速度 另外一个就本土化了 这个呃因素 所以这个是当然就是它也有代价嘛 呃大家去做engine 它确实是会996 或者呃有更强更高的一个工作强度 就是也眼膜like 可以to make呃big bigger impacts 然后能在公司的julyder上面啊 或者说公司的发展上面走的更远 这个以这个也是呃iopose and CONS 嗯然后另外一个 就是从薪资待遇来讲的话 因为这个我知道也有很嗯是大部分人 包括我当时面试 也是非常关注一个要点 就是北美它的收入 因为是按美元算嘛 包括美国的整个呃生活成本 他确实也比国内高一些 所以呃大体来讲哈 就是如果是啊n区拉伯的岗位 他会相对国内国内相对低一些 可能就是美 北美 在这边能够开15万美金的收入的话 国内可能开二三十万人民币 这都是就是国内大厂呃 比较对标的一个状态哈 随着这是n级别拉伯的提高呢 他的呃薪资gap会相对缩小 但是是国内的收入水平 肯定还是相比于美国要低一些 呃就如果说全部换上成人民币哈 当然就是国内他的啊 不管是呃生活等呃各种方面的消费啊 当然就是这个呃 看在哪个城市 但是injurnal就 是北美确实要贵些 所以呃呃它的国内呃 会相对的就是会有一些discout 呃到比较高一些的级别 甚至是公司的 比如说呃表篇管理层 或者甚至是一些funny member啊 那这种呢 可能就能够比较对标了 甚至也有可能超过 这个是呃我的一些urgeberg最危险 包括身边的一些人 然后那么另外一个我个人就是 也简单谈一谈 就是呃中美的发展的一个差异吧 我现在目前就是觉得呃 呃确实北美这一块在 尤其是在现在最新这个技术突破上面 就是ROM包括健内瑞铁北亚呀 它还是first mover 这个呃日Tashi 只是一个fact嘛 所以当然我就是 也不是说国内就赶不上 只是说现在确实在这一块 包括3米康达克啊 芯片的呃这一块 不管是GPU还是TPU 嗯这些呃操算的呃领域啊 包括半导体的领域 只有国内呢 还有一些壁垒需要去突破 所以这一块的话 我个人觉得就是 如果呃 有同学对于比如说这些呃技术啊呃 或者说对于呃这些呃in the微血啊 非常的passion的话 我觉得北美确实是很适合 如果是对于比如说产品 它能够更快地去满足用户需求啊 产品快速的迭代啊 然后呢能够呃适应用户的 呃未来的 就生活中的一些想法 就是说从产品段的话 我个人觉得就是国内确实呃 在这个方面 还是有它的一个一些优势的 所以这个是呃我给大家的一个建议

发布了笔记 2月前

留学专业选择-金融和IT到底选哪个？！

老师本人是从金融转it部门的 然后呢老师可以简单分享一下 当时从金融行业转到it行业的原因 以及是怎么成功转向it行业 嗯这个可能跟我的背景有些关系吧 因为我当时 我是在加拿大读的本科和研究生 然后也是毕业之后呢 顺利的在加拿大的加拿大银行中 首先工作了几年 当时我是在中台的risk management部门 主要做counterbaric risk 就是交易对流风险这一块 然后呢 我虽然是在一家纯粹的金融公司 可是我做的很多工作呢 其实是跟数据分析相关的 然后还做了一些很参与了很多项目 像是我们呃 银行当中 很经常使用的一些呃it的系统和软件 我也参与了其中的升级的呃 升级然后测试开发的工会 没有开发升级 测试工作掌控呢就是呃 在前几年工作当过程当中 就很自然的接触到了很多跟呃it 以及跟程序员打交道的机会 然后正值回国之际呢 然后呃 就是找工作的时候也考虑到了 这就是说考虑到自己的兴趣 因为我发现我自己本身 对于相比较金融来说 我更倾向于呃 对呃对一些数据分析更感兴趣 就说我更享受这种分析问题 解决问题的过程 而并非是集中在一个金融领域 向任何领域都可以啊 让我觉得这是自己想要呃 未来长期就业的一个方向 所以说呢 呃对我来说也不是一个完全的转行了 因为我毕竟现在其实也是还是在金融 公司 但是我的工作职责更偏向于一个呃 更偏向一个纯粹的it的方式 像我现在是在我们公司资本市场的呃 数据仓库部门担任business analyst 就是类似于商业分析师 或者需求分析师之类的 像我现在的主要工作呢 其实用呃用到呃 金融相关知识其实已经不多了 更多的是需要你对整个数据架构 整个数据仓库的结构 然后 数据从银行之间的各系统之间传输 呃有更多的了解 所以呃如果说到呃 这就是我想分享我的经历 如果说到想给同学们什么建议 建议的话呢 就是 可能首先还是要明确自己的性质吧 就是说呃 在学校呃毕业之前的那一两年 以及自己刚踏入职场那一两年 就说嗯 能够学到很多东西 然后希望呃 能够明确 自己未来想长期想工作的方向 或者领域是是哪一个方向 这样可以着重的去啊 更多的接触这一方面的机会 然后去培养自己对应的能力 很多想要去留学的伙伴 也在纠结金融还有it之间要怎么选择 然后老师可以就这个方向 给出一些建议和自己的想法 金融跟it之间 我我我的感觉是呃 对于未来的发展趋势 这两个这两 两个行业 或许在过去当中 可能是相关性 并没有那么大的两个行行业 但是未来一定会两 两者的边界一定会越来越模糊 你作为一个 想在金融或it行业的从业者来说 你的最更容易获得成功的方式 其实是你能掌握更全方位 的技能 比如说你作为一个金融领域的从业者 你首先呃你需要掌握 如果你能够掌握很多呃 量化分析方面的知识 掌握一些呃写代码的写写代码的技巧 那么呃对于你来说 你可能能接触到的工作面更广 与那种传统的胸来说 你呃能接触更多更不一样的机会 然后 也给未来自己树立一个潜在的跳板 同时如果对于你的首要目标是 如果说想从事it行业 成为一个开发的程序员的话 就是说 你的工作不仅仅是完成写代码的任务 如果说你能从中引入自己的思考 比方说你是一个金融行业的程序员 从业者的话 你能够去理解 你所处理的那些金融数据 能够帮助你 更好的完成你自己的开发和设计工作 当然不仅仅包括金融 就说你作为一个开发人员的 比方说你你接触的工作的使用场景 你能去理解是那个使用场景 去加入自己的思考 说 怎么把自己的产品做的更完善一些啊 才能说让你自己成呃 不仅仅局限局限为一个呃 只是完成本职工作的人 这就是我的呃 我自己个人的一些理解吧

发布了笔记 2月前

AI热门就业方向

大家好今天我想和大家分享一下 关于我对北美的同学 在北美公司吧 也是还有中国大陆 或者其他一些像新加坡呀 或者欧洲一些科技公司 想在AI方面找岗位的同学 一些建议吧 一些面试上面的建议吧 我在国内 或者说在美国 都有过实习以及工作的经历 所以这方面的话 我可以结合我的一些真实的经历 来述说一下我自己的理解吧 AI方向分很多种 有器学习 传统技学习也有 像commitment vision也有 像LP也有做技学习平台的 也有做做推荐算法的 其实他有很多面板 然后我建议是 你的简历都是在其中的一点 不要什么点都去cover 这样子的话会让你的简历没有重点 其实很多公司他在上演奖励的时候 尤其是一些初创型公司 或者些中型公司 其实他会把经济学习分成比较 按照你的特长或者说按照公司的需求 会把它分成几大类 基本上会分成NLP方向和视觉方向 经济学习系统方向 还有到经济学习平台服务啊 或者说一些积极学习的应用型方向 对于想要跳槽同学来说 你那你就需要针对特别的岗位 或者说你特别想去的一些职业方向吧 去对你的简历进行着重的润色 你所细分的领域 去着重的描述一下你的项目 以及你的之前的工作经历 对对啊 刘爱海还是case by case吧 基本上现在机器学习方向的话 大热门的会有几个方向吧 但我个人认为比较 大概这件事情比较好的是一个是NLP 一个是这个机器学习系统 LP的话因为大家都知道 全LNM这个大模型出来之后 很多公司都需要这方面药品人才 当然多谋太也是一个比较好的方向 所以有多谋太经历的同学 其实也是可以去申请一些 比如说像江外学校 或者说一些嗯 其他的一些创业公司 非常有竞争力岗位的这种职位的 懂动态的人 目前我觉得经过 会成为一个比较大的热门方向 虽然目前的话 大家都往这个LLM赛道上跑 但是LM赛道 可能NLP只是是一个起点吧 然后LM会跟动模态相结合 这样子的话 市场爆发起来的潜力也是无穷的 对这是我个人理解 所以动模对动模态懂的同学的话 可以好好的在这几年准备一下吧 应对今后几年的这种招聘 我觉得还是很有意义的 当然现在市场上 另外一些比较急缺的人才吧 就是进学系统 进学系统分数量和推理和意思这样 主要是训练和推理 当然后面的服务呢 其实也是精确平台的一部分 对训练 基本上就是说我们是需要帮助公司 或者说帮助业务方 把我们训练大模型的 无论是大模型还是一些其他模型 它的训练成本给压低 另外就是推理 推理的话 基本上跟上下服务有很大的联系 也是公司对大的利润来源吧 你提高1%的速度 对某些模型 如果你的应用场景比较大 接受的就是这个DSO的用户比较多 的话你能够提升1%的速度 对公司的利润都是一个非常大的提升 所以分理方向的话 其实也是现在市场上 比较急缺的一些的岗位 他对编译 硬件底层以及体系架构背景知识 对我们都需要很深的了解 他不单单需要对算法比较了解 他对整个计算机系统以及体系架构 都需要一个很好的了解 而且要对硬件有很深的认知吧 这样子的话 才能够写出比较好的底层代码 从而能够让你的认识 这公司运行的模型 还是一些其他各种人的模型 能够跟硬件相匹配 然后跑出比较好的类特色 或者说能够达到 能够帮助这套这套模型 在上线服务的时候 达到比较高的吞吐 对不对这样的话 对公司的利润也是一个比较大的提升 这也是给大家大家一点建议吧 对之后的话 如果有机会 可以分享些其他的一些思考OK

发布了笔记 2月前

被HR夸过的简历长什么样

今天呢我要跟大家聊一聊 那些被HR夸过的简历 到底有什么秘诀 第一复制简历以匹配特定职位的需求 每份简历都要和所投的工作岗位对口 切记不加选择的投递简历 公司都想要一个 符合他们需求的候选人 这里我们可以设想 你是在内推环节 针对心仪的特定职位去打磨你的简历 这时候呢 就可能会有人头疼 难道我需要为每一次应聘 都特地整理我的简历吗 如果你不希望仅仅是依赖运气 那答案是肯定的 在整理简历的时候呢 记得突出与职位需求相吻合的经历 这会大大增加你通过出差的几率 要针对招聘要求 适当的调整自己的简历细节 就拿深度学习来说 这可能是你的强项 但招聘方看中的是数据挖掘技能 你就需要适当的调整重点 如果HR在招聘中提到 要有大数据的处理技能 而你却一直在强调 自己在人工智能领域的专长 这可能会导致你失去优势 甚至减少你的分数 如何赚钱 有说服力的自我介绍 如果你告诉别人 你学东西很快是团队里的活雷锋 工作起来特别拼 还对咱们公司爱的死去活来 老实说呢 这套路其实谁都会 往简历上堆砌一大批相关的技术技能 关键词 实际上也证明不了你有多厉害 因为仅仅只是接触过 对大家来说都不是什么难事 而如果简历上 除了几个不怎么起眼的课程小项目 再没有别的亮点 那你刻意的无 所不精通怎么可能让人信服 那些没有实际证据支持的夸赞 在简历上只会显得多余 因此这里建议少写为妙 那问题就来了 什么样的自我介绍才算是合格的呢 关键就要展示出 你真正实现了哪些工作 和达成了哪些成就 举个例子 如果你开发的模块iOS应用 下载量突破了1万次 那这个数据就非常能说明问题 一定要在简历上展示出来 相较于那些空洞的团队精神 这种实打实的数字自然更有说服力 比如你在data cap比赛中得了个奖 你在beat bucket上有参与开源项目等等 那么就将他们嵌在你的简历上 重要的是 把简历的重点 放在你实实在在的成就和经历上 别让那些华而不实的形容词和头衔 拖你的后腿 对于团队项目 确切的说明 你具体承担了哪些方面的工作 这样 面试官才不会在细节问题上难住你 比如在机器学习领域 你参与过一个大项目 这时面试官就会想进一步的了解 你到底在项目中负责了什么 你在选择算法时有何新意 在团队决定 实施特定的特征工程策略时 你又扮演什么样的角色 你又是如何参与调整模型参数的过程 处理前任的代码时 你又提出了哪些革新的方案 这些具体的内容和实例呢 会让你的自我介绍生动很多 第三呢 如何在简历中强调工作成就与技能 如果你拥有丰富的工作经验 应当在简历中展示出 你为公司带来的具体益处 比如你可以 突出你是如何通过领导项目 来节约成本 提高用户参与度 以及提升程序效率 实力化这些成就 描述你的领导 使得公司在过去的季度中 节约了多少美元 网站用户参与度提升了百分之几 程序响应时间快了百分之几 这样呢 就可以使你的简历更具有说服力 那对于工作经验较少的申请人呢 重点在于 你是如何有效使用技术技能 来完成任务 可以提到 你是如何使用特定的编程语言或框架 举例说明 你是如何独立开发一个应用程序 并解决技术难题的过程 例如呢作为一名机器学习工程师 可以分享 你运用哪些机器学习模型 来解决实际问题 以及这些模型的准确率达到了多少 这会让你的专业技能更加凸显 第四点呢 是简历撰写指南 排除不必要的信息 第一呢就是过度详细的个人信息 避免在简历上写门牌号等 详细的地址信息 只需要提及城市名 如果有对你不利的 可以选择不提 第二呢不相关的个人信息 爱好生日婚姻状况照片 除非呢对应职位有特殊需求 这些个人信息呢 通常不必在简历上体现 第三呢是身份信息的使用 如果你是绿卡持有者 或者持有HMB的签证 并且可能会对申请有利 那可以提及 如果不利的话呢 我们就不要提及 第四呢无关的组织会员资格 不要在简历上列出那些只要交钱 就能加入的俱乐部 会员资格 得骄傲的成果 突出选择自己最骄傲的3-5项研究成果 进行展示相关的技术技能 不要列出 与职位申请不相关的技术技能 但如果有特别擅长的 我们可以明确写出 众所周知呢 一份优秀的简历 是成功拿到工作的最重要的一步 那希望今天的分享 能够对大家有所帮助 大家如果需要帮忙修改简历的话呢 可以滴滴我哟 我们下期见拜拜

发布了笔记 2月前

狗都能当项目经理

今天 咱们来聊一个在职场上的任意问题 狗都能当PM吗 这听起来像是个玩笑 可背后 其实隐藏着许多行业的真相和挑战 直接开门见山吧 项目管理 这个听起来既高大上 又神秘兮兮的职位 为啥现在似乎人人都能上手 甚至有人嘲讽的说只要能睡觉的 都能给来一块骨头管理起来 话虽如此 但别忘了项目管理的上限究竟在哪里 这就是咱们今天深挖的话题所在 把椅子拉近点 咱们今天就来深入探究 项目管理的奥秘 PM的工作日常可谓是五花八门 但这些琐碎的事物 却是能确保项目能够顺利进行的基石 具体来说 他们不仅要将项目的细节做好规划 确保团队之间的交流无障碍 还得精确的分配资源 提供充足的后勤支持 组织公司聚餐或者节日活动 策划团建活动等 能够极大地提升团队成员之间的沟通 和团队凝聚力 而且要不断地监督项目的进度和质量 这些琐碎的事情做多了 大家便错误地觉得 拼座没有什么技术含量 真的很简单 你不必非要具备哪一种证书 但软技能却至关重要 比如说协作能力 时间管理和解决问题的能力 想要在这方面提升自己 可以通过多参加实际项目积累经验 或者在职和免费的在线课程中学习 按照最新的行业调查项 目协调相关职位的需求 在过去的一年里同比增长了15% 这表明这一角色对于任何组织来说 变得越来越重要 高级篇的黄金法则首先 规划好你的技术拼生涯路径 务必着眼于以下的技能 首先是敏捷开发 你要有能够像敏捷战略的先知一样 布局规划 这是项目成功的关键 其次是打造团队统计 一个高效的团队 能够比常规团队多产出50%的成果 然后是与顾客建立牢固的信任关系 这决定了项目能否得到及时的反馈 和持续的合作 据研究 强关心能让项目成功率提高至少30% 提升工作效率也至关重要 比如利用自动化工具 可以使手动操作时间缩短60% 最后是资源的精明 使用 一位称职的PM可以使项目成本降低20% 而不牺牲质量 此外 你还需具备洞察力清晰的沟通能力 准确的战略规划实施 对预算的严格控制 以及风险管理和质量监控的能力 2要成为业内认可的顶级PM 除了上述技能外 还得能娴熟的处理产品管理 这可影响公司的长远发展 领导并提升软件工程团队的技术能力 一个优秀的团队 能确保项目的成功率超过80% 以及不可或缺的质量保证 品质是用户最终评判产品的唯一标准 想要巧妙驾驭 这些复杂而精细的管理艺术 就需要将统计数据与市场反馈 融入你的决策中 能力决定高度 项目经理的天地之间 高与低的落差有着天壤之别 想要在职业的阶梯上攀升至顶 峰 关键在于你驾驭项目的本领有多强 以数据来看 顶尖的PM 年薪可以轻松突破6位数的大关 相较之下 那些PM新手可能一年才赚个三四位数 好啦 今天猪肉的分享到这里就结束了 我们下期见拜拜

发布了笔记 2月前

机器学习量化金融

机器学习的优势就在于 能够提供对于非线性关系的模糊处理 弥补了我们人脑这样一个思维模式 同时利用相关算法 也可以大幅的提高数据挖掘 处理的效率 哈喽大家好啊 我是理发导师Derek 机器学习这项技术相信大家并不陌生 今天呢我们就来聊一聊 机器学习 在量化金融领域的机遇和挑战 机器学习技术呢 在金融市场中的应用 正以非常惊人的速度 引领着这个行业的革新 随着我们可以获得的数据量越来越大 金融领域的各种应用呢 也已经验证了 使用人工智能 确实可以更好的进行投资 或者业务决策 人们呢也更加愿意相信 人工智能技术在金融领域的应用前景 但人工智能呢 它是提供了一种适用于从个人数据 到业务流程的高效数据分析工具 同时呢我们也看到 越来越多的金融机构 开始使用机器学习方法 从而期望在市场竞争中 获得呃一个优势 包括有一些量化投资机构 也已经在逐渐的抛弃传统的分析方法 转而使用机器学习算法 预测市场走势和选择投资组合 与传统投资方式相比呢 量化投资呢 具有更高的效率和准确性 因为其更多的是依托于数据模型 寻找计算啊最优的这样一个投资策略 而机器学习的优势就在于 能够提供对于非线性关系的模糊处理 弥补了我们人脑这样一个思维模式 同时利用相关算法 也可以大幅的提高数据挖掘 处理的效率 借助机器学习 确实是可以让我们的量化投资策略 变得更加丰富 拿一些实际的应用来举例子 像rebellion research 是世界首款 完全由人工智能驱动的基金 一个基金呢 在应用过程中 对于2008年的股市公盘 进行了非常精准的预测 并且在下一年9月 就对希腊债券信用评级 给出了f评级这样一个结果 这个结果 是早于汇域评级给出的结果的 按照 像rebellion research这样一个人工智能系统 通过自我学习全球53个国家的股票 债券外汇和大宗商品的交易数据 来评估各种资产组合的未来收益 和潜在风险 从而帮助客户去这样合理配置资产 像该模型的人工智能系统呢 基于贝叶斯算法 对于宏观 行业 和公司的三个层面的数据进行分析 而且呢该模型还能够自动将一数据 和最新数据进行整合 使得它能够自动的来预测 市场的这样一个走势 当然了我们也看到 机器学习的应用并不是完美的 但在投资领域 应用机器学习算法 仍然存在着不少的呃问题和挑战 相对于传统的方法而言 机器学习方法存在四个很大的优势 非线性的优势 数据化优势速度优势和复杂度优势 但是呢金融数据的高噪音低维输入 动态性的特点 给这些应用带来了非常大的挑战 像我们常用的实时金融数据集 范围大幅的增加 包括从在线交易记录到高频的限价单 试驾单等各种数据 由于呢 这些数据的低信噪比和复杂多模态等 特点常常使得我们的模型学习效果 不能得到一个很好的稳定性的保证 但数据中的噪音呢 可能会被误读为交易信号 从而导致潜在的财务损失 甚至引发呢非常严重的危机 而机器学习呢 它最容易陷入的误区 就是对于数据的过度挖掘 不当的使用机器学习算法 可能呢导致结果过腻 和严重降低历史数据和预测的相关性 机器学习算法呢 目前在这个投资领域的应用方式 其实也较为单一 大多数呢 像我们熟知的 就定义为涨跌幅的预测的回归任务 或者是涨跌幅的分类任务 像这样一来呢 它面临的就是金融信号的低性噪比 一个简单的模型它能够过滤掉噪音 但是呢同时也会把交易信号过滤掉 复杂的模型的相反 所以最好来说 一般机器学习算法 也需要和传统量化投资的专业知识 进行一个相结合 专业知识的相结合不仅呢 可以帮我们改进模型 还能够从经济金融学的角度 来理解模型的行为 如果能够得到这样相互的一个印证 那么其实我们的模型输出可信度 便可以大大的提升 为综上所述 我们不难看出 机器学习这项技术在量化金融领域呢 呃 其实还是有非常广阔的应用前景的 但其实就像任何一样 新兴技术总是机遇和挑战并存的 所以呃 以后希望在化金融领域从业的同学们 一定要勇于探索 深入了解和掌握这项技术 我们才能与时俱进 不被淘汰啊 以上这些呢 是我们今 天分享的全部内容 如果 还有任何关于机器学习相关的问题 随时可以咨询李巴老师 我们下期再见啦

发布了笔记 2月前

金融行业vsIT行业那个更容易年薪百万

其实很多人比较感兴趣的是 薪资方向的问题 然后呢我们可以问下老师 如果单从薪资方面考虑的话 金融行业和it行业 哪个更容易年薪百万 嗯这个对于我来说 可能 可能是一个比较难以回答的问题吧 就是我也会解释下 为什么我觉得难以回答 因为呃总的来说 金融跟it还是两个比较大的领域 就是说他每个领域底下还会有细分 像金融你可以是 比方说你可以说是做资本市场的 你也可以是做风险管理的 你可以是做传统金融的 就是就比方贷款这些业务的 你可以是保险或者证券公司的 这种啊 各个各方面 然后包括it也是 你可以是做开发的 可以是做应为的 做测试的 然后包括还有更有还有更高级别 比方说你是做呃AI 或者人工智能相相关的东西 算法之类的东西的 就就说不同的细分领域 它的差距还是会有一些的 像这种的 你做前台 做呃sales and trading 像这种就是工作强度会比较大一点 但是当你业绩好的时候 你的你的呃收入 尤其是就是奖励部分的收入 可能是成倍的在增加的 同理就是在在it方面 就是你做呃开发 也就是做呃比方说算法相关 比较呃 门槛相对更高一些的工作的时候 你会比一些呃运维 运维方面的岗位收入会要高一些的 所以说这个还是所以说我觉得他难 难以回答的点在于 就是说 还是要看具体呃细分到哪一个领域 然后更有甚者 比方说现在呃 把金融和it两个结合起来的呃 比方说像量化行业呃 它需要你同时具备很强的金融的能力 和it能力 这样的话 其实对于量化行业来说 它们的整体性质 就是一个比较高的水平 所以说我觉得这个问题要具体到 看具体的哪一个细分的领域 然后如果真的让我回答一下 金融跟爱奇艺哪个更容易年薪百万呢 就我自己个人的一些理解啊 也有可能大家有不不一样的意见 就是我觉得可能对于我自己来说 我觉得ID行业更容易年薪百万一些 是因为我觉得it行业对于未来来说 它的应用的场景更广 就是我们现在生活中接触的一切东西 它在未来的某个时间点 它都可能进行进行it化 就比方说它会智能化自动化怎样的 呃对于我来说 可能金融在变革的可能性上 会比it略微小一些 所以这就是我愿意给it这个 更多青睐一点的原因吧

发布了笔记 2月前

data工作黑幕

先说data science啊 我个人觉得最大一个就是黑幕 就是啊你学的东西可能非常的Fancy 非常的Vans 非常的state of the art 但是啊实际工作里面根本用不到 就是你在工作的过程中 你会慢慢体会到一句老话 就是平平凡凡才是真 就是有些东西虽然很好用 很fancy和advance 但是不一定 所有人都能get到你这个advance的点 或者说 不一定很多人都愿意相信你啊 这是这个reality的一个现实 也是每一个scientists都要面对的现实 就是你能come up with a good theory 就你有一个很成熟的一个内容和东西 但是不一定大众 或者是整个的 就是广泛的audience已经都ready for了 就是大家都愿意去用这个东西 这个还是有差别和距离的 你就打个比方 比如差GPT 其实GPT的东西 已经在几年前就已经有了 但是为什么直到最近 这个东西才真的被大 就是大众所接受呢 就这就会嗯 牵扯到一个adoption education这样一个process 所以有时候你学到的东西虽然很fancy 但是你工作的时候是用不到的 另外一个黑幕就是啊 很多人觉得 dialyst是一个 很搞不清楚是什么的一个工作啊 那么恭喜你 这个感觉是对的 因为很多这些做这些工作 或者是设置这些title的这些人 他们不一定真的搞明白他们想要什么 而且他们也真的不太搞明白 dialyst和dialyst有什么区 别而且一大黑幕或者一大瓜 就是他们可能甚至只是没有budget 去招一个dialyst 那他们就会把他们的title设成dialyst yeah i know 就是他们真的会有这样的操作 因为不同的title他们会有不同的level 而且在不同的level上面 他们就会有设置不同的薪水 所以他们会根据他们的公司情况 然后来去找人 所以你可能会看到一个data analyst title 但是job disco的内容全部都是 data science work data scientist work啊 甚至可能甚至还有些did engineer work 就who knows啊 就是公司穷了 真的什么事情都能干出来 嗯相信我 还有一个黑幕就是啊 我是Dana engineer 然后我的前身是sophoengineer 我肯定干很多code 我其实就是个码农 我其实就是一个去拧螺丝 写扣的这样一个人 但是no no no no no 你错了就是在data的新环境下面 你不仅要去做 你原本做的那些coding的部分 你还要试图去理解 说到底整个的business plan 或者data的这个demon是什么样的 就surprisingly 你现在可能啊还是很就是挨的 就很安静的一个工作 但是你需要跟前端的一些人 去做更多的沟通啊 而且同时还有个很重要的一点就是呃 你会出现一个什么状况呢 就是你自己去做present很多东西 然后前面的人就会bata school of啊 这也是呃学校不可能教给你的 或者不can教给你的东西 但是呃过来 人可以告诉你嗯 Dale scientist也有另外一个 很大的一个 我不能算是坑吧 但是一个瓜 就是你觉得你的data其实已经ready了 但是当你真的去做的时候 你就发现哪里都是问题 你这个时候就要put on your data engineer hat 然后 你就要开始做一些data engineer的活啊 而且你还不能指望 DNA就真的把这个活帮你去做好 因为你给他们解释功夫 你可能自己都做出来了 嗯 这也是一些所谓的黑幕和一些瓜吧

发布了笔记 2月前

美国和加拿大的对比

那我们来聊一下美国跟加拿大的对比 那么美国 其实是一个我个人觉得是节奏 工作节奏会比较快的一个地方 竞争也会相对比较激烈 但是同样的 就是作为竞争激烈的一个结果 就非常多的机会 不会有非常多的这些risk 你需要考虑到 那么在工作方面 尤其是这个science 朋友美国最近几年的 其实不管是Lao还是opening都很多啊 所以也确实是 在这样的一个改革的一个阶段 所以会有很多动荡 但是总体来说 美国的整体的经济还是更活跃 而且job market会更嗯更active这样 而且美国的工作是同level 或者是同情况的 跟加拿大做对比了 其实要比加拿大的钱会更多一些 当然就是HIGHER risk higher的return 那么其实我会觉得美国更适合一些 就是新华American dream 然后有很多的抱负和理想的卷娃们 去的不一定是真的卷 但是你一定是一个把工作 和你的个人成就 什么achievement的这些ambition 放在很高的位置上的 嗯会比较适合 美国那边的工作环境跟就是社会环境 加拿大这边就是 我经常开玩笑讲 说美国其实有点像就是北美巨统 加拿大就是北美巨熊 就是一个非常 怎么说呢 都很很很贪 很很很佛的一个地方 就打比方来说 我拿我自己做做比方吧 我其实就觉得我是一个生物 节奏是特别慢的一个人 所以我在加拿大会感觉到很很舒服 没有那么多的强烈的对比感 不会有那么多的杂事 就比方说你在工作当中 其实很多人也会非常的chill 而且非常分离 就加拿大人的stereotype是吻合的 加拿大人确实是相对的比较温和 而且比较礼貌 有时候 甚至可能礼貌的有那么一点点过分 嗯而且我其实自己有一个heart take 就可能就和和大部分人的想法不一样 就是我会觉得 加拿大其实他的学术氛围是很好的 虽然排名什么的 就是美国肯定还是更领先 但是我会觉得加拿大这些学校 其实大部分学校 公立性可能没有那么强 有很多的学校 尤其是像澳门UTL的这种 这种学校在理工科方面 他们其实是有很多的 这种对于学生的实践能力 和就是Siri的两两两手抓的 这样的一个能力和追求吧 那么这点 我觉得 其实很多美国学校不一定真的有 也有但是普遍 我觉得没有像加拿大这边的这么注重 嗯 可能还是归源于整个的一个生活节奏 和态度因为加拿大人 我觉得其实还是比较把生活 作为他们的一个更高的pride了 所以我觉得美国加拿大 说白了最大的一个区别 其实就在于节奏的快慢 和生活和工作的这更看重哪哪一方 所以主要要看这两方面 而最近几年 其实又出现了一个更新的情况 就是关于这些移民政策 然后还有一些就是公签的这些问题 但是美国的很多小伙伴 到最后跑到加拿大的 一个很重要的原因就是在此 因为加拿大作为一个移民大国 他很多移民政策 还有就是在这些工作签证上面的处理 会比美国要更好一点 就是美国真的会有很多人等了很久 日本跟前者 都没有办法得到一个特别稳定的 这样的一个结果 所以 加拿大会是一个比较稳妥的second notion 这也是很多人选择它的一个原因 别的其实整体来说 美美其实还是有很多相似之处的 你会发现 美国很多公司在加拿大都有分布 而且加拿大人和美国也是 确实联系很紧密 嗯而且很多的加拿大的这种包容性 其实也导致了有很多的美国人 愿意来这边去寻求一些商机 所以就是两个国家的差别 其实不是那么的大 但是重要的就是在于 工作节奏跟移民政策上面 这两大区别 可能是导致不同的人做不同选择时候 我觉得比较重要的一个factor

发布了笔记 2月前

文科生成功转码

哈喽大家好 我是妮娜 是一名有着3年工作经验的daviscientist 又到了一年一度的找工高峰季 最近 我在抖音上收到不少小伙伴的Richard 询问我 有关数据分析求职的经验和建议 其中 有不少小伙伴和我的背景比较类似 本科专业没有数据分析相关的实习 也没有在美国工作的经验 他们也都有相同的困惑 数据分析的门槛到底有多高 我到底适合数据分析吗 以及如何扭转0认识0 offer的局面 鉴于 我已经在这条路上摸爬滚打很久了 今天我很想给大家分享一下 文科转数据分析的经验和干货 如果你也感兴趣的话 就继续看下去吧 在开始之前 我想先跟大家简单介绍一下我的背景 我的本科 是新闻学院项目的广告学专业 研究生 是商学院项目的市场营销分析专业 和商科理科专业数据分析的人不同 我是纯纯文科背景 没有任何数学基础 其次我的实习 大多数是传统媒体 和市场营销方面的实习 我没有任何数据分析相关的经验 拥有这样的地域式开局 求职的过程非常非常艰辛 但是一切并不是不可能的 只要我们准备的方向是对的 准备的非常充分 我们也一定可以斩获offer 在了解了 数据分析的主要公司内容之后 接下来我们要了解一下 文科转数据分析的最大阻碍在哪里 对于我个人来说 我最大的阻碍莫过于我的数学 尤其是统计 在认识到这一点之后 我就开始了大量的网课 学习我学习了google的a b testing课程 还有harvard的非常著名的cs幺零课程 其次 会看了大量的和统计相关的书籍 比如说introduction to probability 比如说practical stats for data scientists 还有time series analysis 在这个过程中 我也同时阅读了大量有DS相关的job description这些JD告诉我 他们非常看重a b testing 和predictive modeling的经验 如果你有neural network 或者是处理大数据的经验 是非常加分的 因此我也着重加强了我在a b testing 和deep learning方面的学习 也为我丰富简历 开拓思路 在完善这一切查补缺之后 接下来我们就要学习如何包装自己 让自己成为一个非常合格的DS candidate 在这个过程中 首先我会在简历里 列举我学过的所有和数据 和数据分析相关的课程 其次对于我的实习经历 我会着重强调和数据分析相关的经验 而弱化其他方面的经验 比如说我之前有一段 在欧莱雅市场部门的实习 我就会弱化我在sales和campaign brainstorming这一块的经验 反而强调我是如何用数据分析工具 去分析和处理campaign和sales performance的 并且在这一过程中 我会强调数据量级分析工具的使用 以及最后的campaign表现 至此如果我们的实习经验过于单薄 不够cover所有的JD上的要求 我会在额外添加我和JD一些关键词 强相关的project performance 然而文科者数据分析并不是 只有困难没有优势的数据分析 不只是简简单单处理数据 business非常关键 也是我们作为人不可被取代的一点 因此 我们一定要好好利用自己的背景优势 对于我来讲 我有着广告和市场的背景 在处理数据问题过程中 我会着重利用自己的市场分析 的思维优势 我会把注意力放在定位问题 多角度分析问题和给出合理化建议上 这里我比较建议大家找工作的时候 去找和自己的专业比较相关的行业 或者是在面试之前 对这家公司 以及所属行业进行更加深刻的了解 同时我也推荐一本书叫DST空challenge 这对训练我们解决问题的思维 是很有帮助的 记住没有任何一个数据分析问题 是可以脱离business context的 我们一定要好好利用的 是自己的思维优势 最后我想说 文科转数据分析并不是天方夜谭 只要我们学会查漏补缺 合理包装自己 并且充分利用自己的背景优势 我们最后一定都会上岸 掌握心仪的offer

发布了笔记 2月前

data投递100次拿offer不容易

data投递100次拿offer不容易 100分里面可能是五五到10分 应该得一个 得到回复 不管是笔试啊面试啊 或者那个用出面的一个封号任何的 只要没有被拒的5到10分 我觉得 已经是一个比较优秀的一个简历了 这个的时候我觉得就是没有问题 你只要继续投 你只要你就会能一直拿到 这样的面试机会 这种应该是很很有机会能够伤害的 一个有趣的说法 说是面10次好像可能不必定是面试 就是得到10个回复里面最后能成一个 但是我觉得 这个可能稍微有那么一点点太夸张 我觉得在在简历那一步 被刷掉的这个概率是会不 不说概率 是说它的一个比例 可能是会比你拿到面试 最后到offer这个要更高的 也就是说其实你拿到了面试 代表这个公司已经愿意付出 呃比如说好好几轮 好几个很多人力的这个资源 来考察你这个人才 已经是说明你这这个已经是很有希望 当然这个很很很大取决于就是每个呃 每个同学 他自己的水平 有的人可能就是面试技能非常强 他可能只是简历就是没有找 好好的修改 但是他其实个人技能是非常强 到面试的时候 口顶啊什么的问题都能对答如流 那么他拿到offer其实是非常容易的 我只是说 就是一个比较大概的一个秘密 可能会是最后1到2分吧

发布了笔记 2月前

什么样的实习在北美找CS岗位更有含金量

那我们可以问一下老师 什么样的实习 到北美找CS岗位才更有含金量 我把这个分为大概四档 首先有实习肯定是比没有实习好的 这个是一定的 但不同的实习 之间的含金量也是不一样的 首先我觉得最有含金量 就是最能能够受到认可的 就是在外企的知名大公司实习 比如像微软啊 亚马逊啊 谷歌啊这些公司 那这些公司都是全球知名的公司 能够在这些公司实习的话 对将来找全职工作是很有好处的 而且 很多人可能通过实习就能直接转正 这样的话就不用去找钱的工作了 但人在国内的学生来说 我觉得即使没有办法在美国进行实习 能够在这些公司的中国的分布 进行实习 也是很好的 比如说苏州微软 或者北京亚马逊这样的地方哦 在找全职工作的时候 HR一般来说 是不会那么介意说 你这个地方一定是在啊 美国的然后第二档呢 就是美国的中小公司啊 这个就很多了 我觉得如果实在找不到 这种知名的大公司的实习的话 能够在美国找一个中小公司的实习 也是比在美国以外的地方实习要好的 第三档呢 就是国内那些知名的大公司 比如说百度啊 字节阿里啊这些公司 这些公司往往在国外 比如说在美国也是有一定的知名度的 所以在这些公司实习 也可以证明 你的有是有一定的工作经验和能力 最后呢 就是国内的不正经公司的实习 就虽然虽然一开始说的虽 然说含金量不高 但是也比完全没有工作经验要好

发布了笔记 2月前

国内大厂vs北美大厂，工作有何不同

老师 可以比较一下 国内和北美大厂工作有什么不同吗 啊好的 就是我回答这个问题的基础呢 是因为我在国内的互联网大厂 工作了将近两年的时间 然后现在啊在北美工作 所以啊根据我的个人经验去看一下 我从我个人视角出发 看一下不同之处的 不一定是普遍的情况 但是我个人的感受 然后我主要从几个方面来说吧 第一个是啊 找工方面 就是首先我在国内是实习生转正 然后我身边我观察到的新入职的员工 大概4/5吧都是实习生转正 就我觉得 国内还是很强调这个实用的 一种价值观 就是因为实习生他在这个岗位 而且他有意向加入 并且他现在这个活就是他干的 然后呢干脆直接就把他转正 省的就是在招新人 然后再还要去让他去重新on board on board 然后去教他熟悉业务干嘛 所以我觉得哪怕你实力不是最强的 就可能你的代码写的一般 但是你就因为你在这个岗位上实习 然后招你很方便 所以有可能出于这个考虑 然后去把你转正 这是我觉得在国内的一个找工的情况 非常讲究实用主义 然后在国外的话 我是正常走的校招流程 然后我觉得呃 国外的大厂会相对更加规范一些啊 对他因为呃 我觉得这是一种嗯这种价值观念吧 就是可能应届生的就业啊 对于呃这些公司来说 其实是一种社会责任 然后所以说 为了保证整个流程的规范化啊 也是他们的一种责任 所以说所以说 无论是实习生还是你正常呃校招 然后没有在这里实习过 其实啊 整个竞争平台会相对更公平一些 但只是相对来说 实习生当然也更有可能会转正 嗯然后这是找工方面的不同 然后第二个工作环境的话 工作环境的不同其实还蛮大 因为我在国内 是啊有一种被包养的感觉 就是啊食堂是免费的 然后健身房也是免费的嘛 然后包括你租房也有房补 其实减去房补 也就自己也花不了多少钱 当然你的衣食住行 公司都啊帮你去负担了 然后当然你就全身心工作就好了 工作强度也是很大的嘛 就是啊每天都要干到很晚 然后起床就去上班 然后上班回家就睡觉 大概是这样一个节奏 对然后在呃国外工作的话 其实我会觉得自由时间更多 因为我现在在呃IBM工作室 全远程然后就是嗯 你不想去工作的话 你可以一天都不去 然后所以 而且上班时间就上班时间也比较呃 相对比较短吧 就是8个小时 然后晚上5点下班之后 其实你的同城市都不会上班 就是你想上班也没有人对接你 然后所以你要找很多啊 自己的业余的生活去做 就是啊我觉得这是一个很大的 工作环境的不同 当然也不是说呃哪种一定比另外更好 就这两种我都觉得挺挺有好处的 对就是 然后这是第二点 从呃工作环境上来说 呃另外一个很大的不同 是语言方面的不同吧 就是呃这个我觉得在国外工作的障 碍会更大一点 因为在国内工作的时候 其实呃像做过DI或DS的朋友们都知道 就是其实这个东西三分靠做 然后七分靠你自己说怎么去表达 就是你同样的东西你做出来 然后但是你啊讲述的方式不一样 然后你达到的效果就会完全不同 然后包给领导留下的印象 或者给业务方面的感觉都会很不一样 然后 所以我觉得靠说去推进还是蛮重要 就这点在国内的话我是没什么障碍 因为我呃本身也比较擅长去说 去表达 然后呃在国内的时候就比较得心应手 但是现在在呃在IBM工作 其实很多场景下 我需要用英语去表达我的思路 然后会有一些障碍 但是呃 这个我觉得最主要的还是心态问题 就是说让你够自信 然后就是虽然你说的你可以说的很慢 然后你可以说的 就是不那么纯正的英语 但是你这个时候就是要表达出来 你的态度 就是大家都停一下 听我说我有一个想法 然后就是让他们强迫他们停下来 然后听你说 然后等你表达完之后 对然后 但 他们还是会很认真的去对待你的意见 然后 我近期也遇到过一些这样的情况吧 就是开会的时候就本来我有一个想法 可能呃我会把大家停下来OK 听我说 说完之后当然就是你如果说的有道理 他们确实也会啊给你相相应的 非常非常认可你的这个表达 所以我觉得这是一个not 不同语言表达上不同 然后另外一个啊不 同从个人发展角度说一下吧 这已经是第四点 个人发展的角度 呃个人发展角度话 国内其实我个人体感 因为我入职的时候是比较低的职级 然后啊对我来说 我看待未来的发展就是爬职级 然后呃因为如果在前些年的话 可能1618年 那个时候 其实会有一些额外的上升通道 比如说有些业务它增长特别快 然后你呃 虽然你现在可能职职级很低 但你可能一夜之间 然后就跟着业务 然后一起成长起来 一下子就上升到一个很高的程度 就这个情况我是见到过的 就是比如说有跟我年龄一样大的 然后现在已经做到那个啊 资深经理就是这这种情况 是有就是因为他做的项目 然后业务成长的很快 那这个是历史的机遇 然后从未来来看 他现在这样的情况会变少 因为现在很多业务 其实发展已经比较成熟 然后蛋糕增长速度没有那么快 所以我在国内 我开始工作的时候 就已经处于这样一种收缩期了 就是一种啊 裁员的这样一种互联网紧缩的时候 然后那对我来说 未来其实就是不断的爬职级 然后呃当你工作个在一个地方 工作个一两年 可能就会考虑啊跳槽 然后到另外一个地方 然后你的职业和薪资 可能会有对应上涨 然后再可能再工作个三四年 然后可能会再有一次跳槽 然后就是这样一个节奏 包括我身边的同事 大概也都是这样去操作的 对然后在国外的话啊 我能看到的发展路径就相对 会更局限一些 就是首先是在国外有很多身份的问题 比如说你啊 跳槽就不会有那么顺利 因为你有时候签证嘛 比如有些同学是OPT 有些同学是HMB 然后你如果是HMB身份的话 你要跳槽 你的新公司肯定要sponsor你 然后然后就会有一些那个阻力在那 比如说 你本身正在排一双v的那个抽卡 那你肯定要 比如说你1212月份 年底12月份 然后这个时候一般开始收集资料 你至少要等到来年的四五月份 知道结果之后 然后才能决定要不要跳槽 那中间这段时间其实就是啊 不那么灵活 有跳槽上面的一个阻碍 然后另外一方面的话 是啊在这边 我目前还没有感受到 非常明确的上升天花板 但是我能感受到公司里啊很厉害的 很厉害的那个经理人 其实啊白人会比较偏多 然后当然我不是说那个 这是一个启示 就是我但我目前没有感觉到 只是说 可能会在未来会有可以预见的天花板 对然后把这两个问题结合来看的话 就是其实我觉得DN和DS这个工作 有很强的国际间可迁移性 就是你在美国积累的经验 将来回国你跳槽回国的话 也是可以用到的 然后所以说如果你可以考虑啊 在美国先工作个两三年 然后回国 或者在这边拿绿卡 然后然后考虑回国去呃 做一个经理的岗位 就是我觉得这样的例子也是非常多的 嗯 然后接下来说第五点 工作强度不同 然后工作强度这一点 刚才已经提到了 就是在国内的话 其实是啊 工作时长会长 但是强度其实还好 就是因为我觉得 没有人可以连续工作12个小时 就这个是这个是不太可能的 脑子是接受不了的 所以其实在国内有很多摸鱼的时间 是同事一起吃饭 买咖啡午休啊 然后聊聊天啊 对这些 这些时间其实都是一个放松的过程 只是说 你可能要全身心的把自己的啊 工作时间全部都贡献给公司 然后这是一个呃工工作状态 然后在国外的话 当然就是工作强度也未必小吧 就虽然工作时长比较短 但是在规定规定时间之内 你该干的活还是要干完 然后所以我觉得强度来看 就可能只是时长上的区别 强度没有太大的区别 然后对然后第六点 薪资待遇的话 其实我我觉得薪资待遇这个问题 要非常辩证的看待 因为这个不同人的偏好区别很大 就是有些人 他就是想拿一个相对高一点的起薪 对吧然后有些人他可能就是说啊 我薪资能够让我日常生活比较舒服 就够了对 那如果你是第一种 你希望拿到一个很高的工资的话 那其实啊美国工资肯定会相应来说高 如果你平时生活很节省 然后你想攒钱的话 你的也也能攒下一些钱 但是如果你比较追求生活质量 希望自己啊有钱但是也有消费 那其实在国内生活 在国内的话我觉得会更好 因为呃虽然工资没有那么高 但是他的物价也很低 像些外卖快递 然后平时周末去逛 商场然后都会觉得自己啊 能够自自己可以生活的很舒服 比较高质量的生活 嗯然后 然后就说这些吧 这是这就是我说的6点 那个国内跟北美工作的不同之处

发布了笔记 2月前

中美两地之间招工的特点

我们可以请老师简单分析一下 当前中美两地的招工特点 然后如果有小伙伴在北美 还有中国求职的话 应该侧重的不同方向 就像我刚才说到的啊 就是求职特点的话 在美国是分两种或者是两类 一种是以比如说Amazon Google Maida为首的大公司 那么这种的话公司 他的招聘的量会比较大 他招聘你来的话 是不expect你是什么专门方向的 这个expert 他会去培养你 他会去期待你 可以就是说 在任何一个岗位上去胜任 当然这个是面试比较久 具体而言听match 他可能更希望你去 有一个经验上面的match 所以就是导致的结果就是 他的招聘比较general 可能是这个样子的 就是一开始简历官 如果你很幸运过了简历官的话 那么会有一些风interview 就比如说 然后包括后面的话 就会有一些outsighting的 这种其实就是4个面试连在一起 然后考你算法 这些都是考算法 然后考算法的话 并不是说 你把题做的完美无瑕就完事了 它其实通过算法作为一种途径 去看你工作之中的一些工作风格 就比如说 如果你遇到了一些含糊不清的问题 你是不是去积极主动去寻求解决方案 你还是在那就愣住了 两眼一抹黑啊 我干干脆在那等10月等 等两个月再说 或者说是你有没有在 就是说积极的 对比不同的solution之间的PROS and CONS 求职的话会分 我觉得最对大厂而言最重要是两方面 第一是当然是你的 简历第二是你的面试 面试的话就是会分你的算法能力 和你的这个面试的一些经验技巧 包括你个人的一些这个综合素质 对我而言 当时反正我的经验就是 我把这个面试就基本上当成说相声了 跟一直说单口相声似的 然后最后的话 他可能会加一个behavior question behavior question的话 就看你这个人 有没有把这个get things done的一些哎 心态包括去怎么去 就是说团队合作 嗯这方面的话 没有其实并没有完全正确的答案 但一定有错误的答案 就比如说有人有人会去面试 我去摔倒了一个面试 他去面试一个manager 然后有人就问他啊 你如果想推行一个系数 那么底下的人他不愿意接受怎么办 而这个面试面试者candidate就会说呃 那他我就会让他们去选择 还是接受这个技术 还是离开这里 然后面试完就是啥 对 所以其实主要的话就是简历官的筛选 以及这个算法岗位的算法轮的面试 那么在国内的话 就像刚才我说到的 就是他会面试你的基础知识的宽度 基基础知识的这个深度 然后再包括一下代码能力 所以算法的占的比例的话 会因公司而异 比如说自己也可能会高一些 阿里可能会低一些 所以国内的话 更多是要求你 首先是你要是提前熟悉基础知识 然后其次的话 是对自己的简历 有一个相当程度上的熟悉 并不仅仅是你要把自己的简历啊 就是每一个字都了然于心 而是你笑心 里有一个想法 他会在什么地方去做一个突破 去去问你 那比如说你用到了某些技术吗 用到某些亮点 然后你觉得哎 在这个地方他可能会问我 或者说我想引导他在这个地方问我 那么对我们的这个同学的要求就是 你可能需要在这个地方 多准备一些基础知识 多准备一些 这个基础背后 这些比较深层次的一些知识 就是我们俗称的背8股 但背8股的话并没有 并不是说你随随便便拿一个东西就背 然后此外的话 对算法算法也很重要 但是算法它并没有 国内就是美国这种 就是说去会考察你的 一个沟通的一个这种目的 它就纯纯纯纯就看你的代码能力 即使你一言不发 你把它做出来的这人完全OK的 但如果你一言不发 在美国这边 绝对这个分绝对不会高的 国内 他可能HR或者说这些部门的领导 会跟你有一个电话 去问你一些个人的这个想法了 目标目标了之类的问题 可能有时候会让你觉得 问的问题比较personal 对那这种的话 在美国那可能是不会不会发生的 所以以上就是不同的侧重 美国中小公司 招聘的人数会明显少很多 可能一个公司可能就几百人 甚至不到上千人 他可能一个岗位可能就几个人 所以如果他面临拿到大量的 这个就是说application的话 那么他可能就是 对简历筛选 对面试会有更严苛的要求 他并不是说更难 而是说他会更要求你这个人的经验 跟我完美的匹配 那他跟大厂的思路就截然相反 大厂是希望进来是一个通才 那么小公司的话 希望进来是一个专才 尽快上手 然后最好也不需要身份上的sponsor 这是一个明显的区别 那么很多同学觉得小公司 包括之前我刚跟一个同学聊了 觉得小公司问了很多很砖的问题 然后最后把它拒掉了 就觉得内心很受伤 那其实我想说的就是 其实这很正常 因为小公司 他的风格要求 跟这个对着求职人的经验的匹配 要求比较高 并且最重要的是他招聘的人很少对 所以是基本上准备上面的差别

发布了笔记 4月前

Harvey 国内和北美大厂工作的不同

好的老师 可以比较一下 国内和北美大厂工作有什么不同吗 啊好的 就是我回答这个问题的基础呢 是因为我在国内的互联网大厂 工作了将近两年的时间 然后现在啊在北美工作 所以啊根据我的个人经验去看一下 我从我个人视角出发 看一下不同之处的 不一定是普遍的情况 但是我个人的感受 然后我主要从几个方面来说吧 第一个是啊 找工方面 就是首先我在国内是实习生转正 然后我身边我观察到的新入职的员工 大概4/5吧都是实习生转正 就我觉得 国内还是很强调这个实用的 一种价值观 就是因为实习生他在这个岗位 而且他有意向加入 并且他现在这个活就是他干的 然后呢干脆直接就把他转正 省的就是在招新人 然后再还要去让他去重新on board on board 然后去教他熟悉业务干嘛 所以我觉得哪怕你实力不是最强的 就可能你的代码写的一般 但是你就因为你在这个岗位上实习 然后招你很方便 所以有可能出于这个考虑 然后去把你转正 这是我觉得在国内的一个找工的情况 非常讲究实用主义 然后在国外的话 我是正常走的校招流程 然后我觉得呃 国外的大厂会相对更加规范一些啊 对他因为呃 我觉得这是一种嗯这种价值观念吧 就是可能应届生的就业啊 对于呃这些公司来说 其实是一种社会责任 然后所以说 为了保证整个流程的规范化啊 也是他们的一种责任 所以说所以说 无论是实习生还是你正常呃校招 然后没有在这里实习过 其实啊 整个竞争平台会相对更公平一些 但只是相对来说 实习生当然也更有可能会转正 嗯然后这是找工方面的不同 然后第二个工作环境的话 工作环境的不同其实还蛮大 因为我在国内 是啊有一种被包养的感觉 就是啊食堂是免费的 然后健身房也是免费的嘛 然后包括你租房也有房补 其实减去房补 也就自己也花不了多少钱 当然你的衣食住行 公司都啊帮你去负担了 然后当然你就全身心工作就好了 工作强度也是很大的嘛 就是啊每天都要干到很晚 然后起床就去上班 然后上班回家就睡觉 大概是这样一个节奏 对然后在国外工作的话 其实我会觉得自由时间更多 因为我现在在呃IBM工作室 然后就是嗯 你不想去工作的话 你可以一天都不去 然后所以而且上班时间就上班时间 也比较呃 呃相对比较短吧 就是8个小时 然后晚上5点下班之后 其实你的同城市都不会上班 就是你想上班也没有人对接你 然后所以你要找很多啊 自己的业余的生活去做 就是啊我觉得这是一个很大的 工作环境的不同 当然也不是说呃哪种一定比另外更好 就这两种我都觉得挺挺有好处的 对就是 然后这是第二点 从呃工作环境上来说 呃另外一个很大的不同 是语言方面的不同吧 就是呃 这个我觉得在国外工作的障碍会更 大一点因为在国内工作的时候 其实呃像做过DI或DS的朋友们都知道 就是其实这个东西三分靠做 然后七分靠你自己说怎么去表达 就是你同样的东西你做出来 然后但是你啊讲述的方式不一样 然后你达到的效果就会完全不同 然后包给领导留下的印象 或者给业务方面的感觉都会很不一样 然后 所以我觉得靠说去推进还是蛮重要 就这点在国内的话我是没什么障碍 因为我呃本身也比较擅长去说 去表达 然后呃在国内的时候就比较得心应手 但是现在在呃在IBM工作 其实很多场景下 我需要用英语去表达我的思路 然后会有一些障碍 但是呃 这个我觉得最主要的还是心态问题 就是说让你够自信 然后就是虽然你说的你可以说的很慢 然后你可以说的 就是不那么纯正的英语 但是你这个时候就是要表达出来 你的态度 就是大家都停一下 听我说我有一个想法 然后就是让他们强迫他们停下来 然后听你说 然后等你表达完之后 对然后 但 他们还是会很认真的去对待你的意见 然后 我近期也遇到过一些这样的情况吧 就是开会的时候就本来我有一个想法 可能呃我会把大家停下来OK听我说 说完之后当然就是你如果说的有道理 他们确实也会啊给你相相应的 非常非常认可你的这个表达 所以我觉得这是一个not 不同语言表达上不同 然后另外一个啊不同从个 人发展角度说一下吧 这已经是第四点 个人发展的角度 呃个人发展角度话 国内其实我个人体感 因为我入职的时候是比较低的职级 然后啊对我来说 我看待未来的发展就是爬职级 然后呃因为如果在前些年的话 可能1618年 那个时候 其实会有一些额外的上升通道 比如说有些业务它增长特别快 然后你呃 虽然你现在可能职职级很低 但你可能一夜之间 然后就跟着业务 然后一起成长起来 一下子就上升到一个很高的程度 就这个情况我是见到过的 就是比如说有跟我年龄一样大的 然后现在已经做到那个啊 资深经理就是这好的老师 可以比较一下 国内和北美大厂工作有什么不同吗 啊好的 就是我回答这个问题的基础呢 是因为我在国内的互联网大厂 工作了将近两年的时间 然后现在啊在北美工作 所以啊根据我的个人经验去看一下 我从我个人视角出发 看一下不同之处的 不一定是普遍的情况 但是我个人的感受 这种情况 是有就是因为他做的项目 然后业务成长的很快 那这个是历史的机遇 然后从未来来看 他现在这样的情况会变少 因为现在很多业务 其实发展已经比较成熟 然后蛋糕增长速度没有那么快 所以我在国内 我开始工作的时候 就已经处于这样一种收缩期了 就是一种啊 裁员的这样一种互联网紧缩的时候 然后那对我来说 未来其实就是不断的爬职级 然后呃当你工作个在一个地方 工作个一两年 可能就会考虑啊跳槽 然后到另外一个地方 然后你的职业和薪资 可能会有对应上涨 然后再可能再工作个三四年 然后可能会再有一次跳槽 然后就是这样一个节奏 包括我身边的同事 大概也都是这样去操作的 对然后在国外的话啊 我能看到的发展路径就相对会更局 限一些就是 首先是在国外有很多身份的问题 比如说你啊 跳槽就不会有那么顺利 因为你有时候签证嘛 比如有些同学是OPT 有些同学是HMB 然后你如果是HMB身份的话 你要跳槽 你的新公司肯定要sponsor你 然后然后就会有一些那个阻力在那 比如说 你本身正在排一双v的那个抽卡 那你肯定要 比如说你1212月份 年底12月份 然后这个时候一般开始收集资料 你至少要等到来年的四五月份 知道结果之后 然后才能决定要不要跳槽 那中间这段时间其实就是啊 不那么灵活 有跳槽上面的一个阻碍 然后另外一方面的话 是啊在这边 我目前还没有感受到 非常明确的上升天花板 但是我能感受到 公司里啊很厉害的 很厉害的那个经理人 其实啊白人会比较偏多 然后当然我不是说那个 这是一个启示 就是我但我目前没有感觉到 只是说 可能会在未来会有可以预见的天花板 对 然后把这两个问题结合来看的话就是 其实我觉得DN和DS这个工作 有很强的国际间可迁移性 就是你在美国积累的经验 将来回国你跳槽回国的话 也是可以用到的 然后所以说如果你可以考虑啊 在美国先工作个两三年 然后回国 或者在这边拿绿卡 然后然后考虑回国去呃 做一个经理的岗位 就是我觉得这样的例子也是非常多的 嗯 然后接下来说第五点 工作强度不同 然后工作强度这一点刚才已 经提到了 就是在国内的话 其实是啊工作时长会长 但是强度其实还好 就是因为我觉得 没有人可以连续工作12个小时 就这个是这个是不太可能的 脑子是接受不了的 所以其实在国内有很多摸鱼的时间 是同事一起吃饭 买咖啡午休啊然后聊聊天啊 对这些 这些时间其实都是一个放松的过程 只是说 你可能要全身心的把自己的啊 工作时间全部都贡献给公司 然后这是一个呃工工作状态 然后在国外的话 当然就是工作强度也未必小吧 就虽然工作时长比较短 但是在规定规定时间之内 你该干的活还是要干完 然后所以我觉得强度来看 就可能只是时长上的区别 强度没有太大的区别 然后对然后第六点薪资待遇的话 其实我我觉得薪资待遇这个问题 要非常辩证的看待 因为这个不同人的偏好区别很大 就是有些人 他就是想拿一个相对高一点的起薪 对吧然后有些人他可能就是说啊 我薪资能够让我日常生活比较舒服 就够了对那如果你是第一种 你希望拿到一个很高的工资的话 那其实啊美国工资肯定会相应来说高 如果你平时生活很节省 然后你想攒钱的话 你的也也能攒下一些钱 但是如果你比较追求生活质量 希望自己啊有钱但是也有消费 那其实在国内生活 在国内的话我觉得会更好 因为呃虽然工资没有那么高 但是他的物价也很低 像些外卖快递然后平时周末去逛商场 然后都会觉得自己啊 能够自自己可以生活的很舒服 比较高质量的生活 嗯然后 然后就说这些吧 这是这就是我说的6点 那个国内跟北美工作的不同之处 嗯好的嗯

发布了笔记 5月前

DS求职误区

今天和大家聊一聊关于DS求知的一些常见的误区以及一些小的建议，首先声明一下我想分享的更多是基于我个人的经历和观察，如果你有不一样的想法欢迎在评论区补充，我们一起来讨论。 那么第一个误区呢，其实是现在依然有很多小伙伴尤其是new grad在找工作，在寻找机会的这样的一个环节里依然会给自己设很多我认为不必要的限制，但是大家也知道啊现在的求职市场其实并不好，岗位数量很少并且公司裁员，会让整个市场里其实充满了高质量的候选人，竞争其实是比以前更加激烈的。 在这样的一个环境下唯一大家能做的其实就是多投，不要去过度的筛选行业，不要去过度的筛选公司规模，然后更不要纠结具体岗位的title。其实如果说假设说你能找到一份DA、BA、BIE的工作，你之后等行业回暖了有新的机会出现以后，你想再转成DS或者别的岗位其实都是有机会的，所以在目前的情况下在寻找机会的时候不要给自己设置太多不必要的限制。 那么第二个常见的误区其实关于简历的，虽然就是想找DS工作的求职者的背景非常的多元，有来自各种各样不同专业的这个同学，但是简历其实同质化程度非常高。那其中有一类就是非常普遍的一类简历，就是他的实习或者工作经历非常缺乏但是他写了好几个比较天花乱坠的projects，在描述里可能填满了非常多高级的复杂的模型的名称和技术手段。但是非常残酷的一个现实是这样的简历往往其实很难在同质化如此之高的DS求职的环境下脱颖而出，因为对于绝大部分本科和硕士毕业生而言其实你所求职的DS岗位，它并不会是非常research oriented甚至modeling的这样的responsibility都不会占比非常高。 所以说公司往往更在乎的其实是这个求职者他过往的工作和实习经历，尤其是你如何用数据去解决问题的这样的一个track record。所以说如果大家还在纠结自己到底需不需要找实习或者说想找什么样的实习，那么我给大家最大的一个建议就是说实习非常有必要。如果说大家可以在学校期间就找到一些有data analysis或者说有DS Intern这样的一些实习经历的话，其实远比你在简历上放很多非常deep非常fancy的这种projects要有吸引力的多。 那么相似的误区其实会一路延续到面试的环节当中，就我个人的经历而言有相当高比例的候选人其实没有在面试前真正的去夯实自己的fundamentals。就比如说我们见过很多候选人他们的简历上写了非常多fancy的projects、NLP、各种deep learning、reinforcement learning等等等等。但是他们真正fall掉面试的原因其实仅仅是P-value他们没有办法解释清楚linear regression on the line assumption没有说对没有说全，或者说甚至是只是因为没有在规定时间内把SQL题目做出来，这样的failure就非常可惜但是也很值得大家的警醒。 那另一个常见的面试误区呢是很多小伙伴在面对Prada case的问题的时候会去追求广而全的答案，但往往这样的回答呢其实会显得非常的发散，有一种东一榔头西一棒的感觉。那我给大家的建议其实是在面试过程中应该和面试官保持非常积极的沟通，通过去问clarifying question 和面试官一起商讨一个具体的继续探讨这个问题的方向。在确定方向之后我们需要着重强调的其实是自己的逻辑思变，深入思考通过数据解决问题的这样一个thought process，而不是去追求一个非常comprehensive、非常全面但是蜻蜓点水的这样一类回答。 希望今天的分享对大家有帮助，最后也祝愿所有的小伙伴能在现在这样的一个竞争激烈的市场环境之下顺利的找到自己心仪的工作！

发布了笔记 5月前

阿里职级解析-p5,p6的能力要求和薪酬

哈喽大家好 欢迎收看篱笆老师职场小课堂 我是你们的篱笆老师Edison 我在阿里工作5年呢 目前是一名研发技术专家 对于准备国内校招的宝宝们 想必对阿里的职级体系有所耳闻 为了帮助同学们 更好地了解阿里的职级划分 作为一路从P5晋升到P7的过来人 在这里给大家带来一期 关于阿里P5 P6级别对应能力要求的解读 同时视频结尾 我们分享一下 当前P5和P6的大致薪酬范围 一定要看到最后哦 那我们先从P5说起 P5的关键词是基础扎实快速学习 快速执行 大部分的校招应届生录制 阿里的定级都是P5 作为P5 最基本的要求就是要能解决问题 也就是能完成一些具体的任务 这些任务一般都比较明确 只需要作为执行者 保质保量的完成就行 同时阿里在面试P5技术同学的时候 要求比较扎实的基本功 并且需要有快速学习的能力 也就是对于学习的领域 可以快速的上手 P6的关键词是独当一面 融会贯通辅导他人和持续学习 P6成绩相比P5有了更高的要求 P6的核心能力要求是独立负责 端到端的项目任务 做到在一些领域独挡一面 也就意味着不光是要能解决问题 还要能主动发现自己领域的问题 同时P6已经可以承担师兄的角色 辅导P5的同学更好地完成工作 并且能够持续学习 对自己的领域有一定的积累和见解 最后揭秘一下目 前P5和P6的薪资范围 P5的薪水呢 大致在30万到40万之间 P6的薪水范围则更广 一般在40万到60万左右 当然具体的数字 还受到不同岗位和工作年限的影响 感谢大家收看 如果你对阿里直接还有什么问题 或者想要了解的 记得留言告诉我 别忘了点赞和订阅 我们下期再见

发布了笔记 6月前

Quant竟然是这样的人！｜职业性格，工作内容

Hello，大家好！我是篱笆学姐。今天我来劝退量化金融了hhh其实是因为近几年量化金融的热度很高，许多不同专业的小伙伴都对转行跃跃欲试。因此，篱笆学姐在这里是希望能够更全面客观地帮助大家了解Quant，从而发现真正适合自己的职业。 先说职业性格。成为Quant，你得聪明，从学习角度来看，大部分quant至少都拥有一个理工方向的硕士或博士学位，在这个过程中你需要熟练掌握各种数理知识，具备扎实的写码基础，对数据结构有一定了解；从工作角度来看，这是一个研究型的职业，你应该保持思考，随时提出新的想法和方法，并将其应用到实际交易中。作为Quant，需要耐心，量化交易需要进行大量的数据处理和模型测试。适合做quant的人应该有缜密和细致的工作风格，仔细处理数据，埋头debug，确保模型的准确性和稳定性。Quant也需要很强的抗压能力，量化交易是一个长期的过程，需要经受市场波动和高风险的考验。同时还要具备忍耐和冷静的心态，在面对市场的不确定性和压力时，要能做到理智沉着并做出明智的决策。除此之外，强大的自学能力也是关键，金融市场是一个动态的环境，市场条件和行情经常发生变化，量化交易策略和模型需要根据市场情况进行调整和优化；而且随着技术的不断进步，量化交易领域的工具和方法也在不断发展和改进，任何新兴的科技和技术都要考虑被应用到交易过程中。持续学习才能保证quant掌握最新的技术和工具，提高交易效率和准确性。所以说，Quant对于人的性格要求是比较特殊的，既要果断坚决，同时又冷静沉着。 再说说Quant的工作内容。就工作环境来说，quant常常处于一个快节奏，高压力，高风险的工作环境下；就工作状态来说，quant需要埋头做模型，圈子比较小，不需要太多社交，也不涉及people business；就工作成果来说，这是一个需要“运气和机遇”的职业，对数字敏感，有强逻辑思维，有创新思想很重要，这个岗位不是靠着经验和资历就能够胜任的。另外，在公司里，大牛对真正能够赚钱的核心策略一般是秘而不宣的，很难跟着大公司或是大牛去学到有价值的东西。所以说，以发展的眼光来看待这个职业，其实这个职业是比较封闭的，如果你做quant一直没有可观的业绩，可能就会面对比较大的职业压力。如果自己对未来职业道路没有详细规划，一头扎进这个领域，风险还是比较高的。 最后，聊聊目前的市场环境。当前的美国市场经济环境正在逐渐复苏，政府的干预和刺激措施对经济的复苏起到了重要作用。同时，技术和创新仍然是美国经济的重要驱动力。但整个市场经济仍面临通货膨胀压力和贸易政策变化的挑战，许多以往Hedge Fund使用的模型面临这样的情况往往表现不尽如人意。Quant岗位竞争也仍然激烈。在国内，随着中国金融市场的不断开放和改革，越来越多的机构和投资者开始关注和采用量化金融策略。中国政府也相继出台了一系列支持量化金融发展的政策，包括鼓励金融科技创新、提供数据支持和建设量化交易基础设施等。中国的量化金融目前处在快速发展的阶段，出现了很多投资公司，虽然各种私募百花齐放，但是仍然具有招人少，门槛高的特点，也就代表竞争依然非常激烈。 说到这里，你还依然对Quant有兴趣？事实上，每个行业都有许多不为人知的辛苦之处，如果你在“看清quant本质以后依然热爱这个工作”，那么就放心大胆的去尝试一下吧！别忘了点赞收藏关注，对于quant还有什么想要了解的，欢迎留言！

发布了笔记 6月前

华尔街金融圈Quant居然被中国留学生承包，这是什么操作？

大家好，我是你们的学姐！你们知道吗，在纽约的高楼林立中，有一个小群体正默默地改变着华尔街的格局。不！他们不是那些常年霸占着金融新闻头版的大鳄，而是一群年轻的面孔——中国留学生。这些年轻的量化分析师（Quant），带着卓越的数学和编程能力，正在以一种前所未有的方式承包了华尔街金融圈。接下来，让我带你一探究竟，看看这股“东风”是如何吹动全球金融中心的风向标。 金融Quant职位有着其独特的不可替代性与高薪吸引力： quant在金融行业里面就像各个金融机构的大脑，精心地策划和调整投资策略。如果你有梦想在我行我素的金融天地中占有一席之地，那有特色和独到处非常关键。据业内数据来看，quant的职位空缺从2019年至2021年有10%的年增长率，而且他们的决策被相信可以提高至少15%的投资回报率。这样的专业性与影响力使得这条职业道路不仅有着不小的挑战性，同时也成为一个长期稳定的选择。 同时金融界的工资，那可是人尽皆知的诱人，尤其是对quant来说,在美国，就算你还是刚入门的新手，策略分析师的起薪也能够达到12万美元，并且这仅仅是基础薪资。根据最新的统计数据，像在Goldman Sachs这种重量级公司，除了基本工资之外，股票期权、提成和年终奖可以将一个策略分析师的年收入推高至17万美元或更多。 那么为什么华尔街金融圈quant会出现被中国留学生承包的现象呢？为什么那么好的工作机会不全数留给北美本土学生呢？有一部分原因在于北美的年轻人不那么热衷于编程和建模：他们更重视创新和创造力，面对日复一日的代码和复杂的数学模型，不少人觉得提不起兴趣。而这恰恰是中国留学生的舞台——尤其是那些擅长应用数学、信息技术或金融数学的人。数据显示，拥有这些技能的国际生在科技行业找工作时更受欢迎，他们的求职成功率比本土毕业生平均高出约30%。而且，他们通常能拿到更高的薪水——平均起薪往往比本土毕业生高上一大截，这差距有时能达到20%或更多。这不仅提高了他们留在北美工作的机会，同时也给了他们更好的职业启航。 作为投行“专为”中国留学生打造的职位，华尔街金融圈quant为中国留学生提供了许多机会，也是给中国学生Sponsor最多的岗位之一。根据最新的数据，从华尔街的投资银行到咨询公司，中国留学生通过担任quant获得工作的比例已经超过了15%。而且，得益于金融公司对于海外人才的渴望，成功获得工作签证的概率极高，与其他行业相比，该职位的H-1B签证批准率提升了30%以上，给予留学生在求职过程中明显的竞争优势。这让人不禁感叹，对于我们这群有梦想的留学生来说，华尔街的确是一扇充满希望的大门！ 就这样，这些来自中国的留学生不仅刷新了我们对于高科技英雄的传统想象，还在证明一个重要的观点：才能和激情是无国界的。他们在数学的荣耀和编程的辉煌中书写自己的华尔街篇章，不同于故事开头的神话形象，他们真实存在，并持续影响着金融世界的未来。 所以学姐觉得：无论你来自哪里，只要敢于梦想并勇往直前，就能成为你自己人生故事的英雄。好了，朋友们，不知道你们听完后有什么看法？不妨在评论区一起讨论一下，或者也去追寻那份属于你的华尔街荣耀！

发布了笔记 6月前

risk留学生在投行或银行就是一整个混吃等死的状态？

大家好！我是学姐~最近呢，学姐的一位在北美某银行做risk的朋友向我大倒苦水，说risk根本没有网上说的那么好！现在他每天上班都处于一种混吃等死的状态。这到底是怎么回事？risk留学生在投行或银行工作的真实面目到底是什么？下面让我来跟大家浅浅盘一下。 首先呢，真实的投行生活与媒体描述的状态可是有着天壤之别的。当人们聊起金融服务业时，往往存在很多误解，大部分是因为媒体过度夸张的报道所致。真实的金融服务行业并不像人们想象的那样奢华——每日参加高端聚会，周游世界，轻松赚取大额奖金。外界可能会想象金融经理们都是社交场上的常客，周围围绕着才华横溢的精英人士。然而，实际情况是，从事投行或银行risk的工作和其他职业没有太大区别，同样需要为了生计而辛勤工作，与其他工作相比或许有量的区别，但没有质的不同。当然，risk工作在某些方面可能带来较高的经济收入，但它不会一夜之间改变一个人的社会地位。 下面我们来细盘一下目前投行或银行不是risk的一个很好的工作选择的原因： ①工作内容枯燥无味，收入较低，工作内容困难较大并且晋升空间不大。在投行或银行的普通risk职员的年收入介于10万至30万美元之间，而普通公司中层管理职位的年收入也大概在这个区间，两者相差无几。高压高强度的工作内容却不会带来较高的薪资水平。在晋升空间方面呢，career growth和business impact有限，稍微有点想法的人就是转entry level的ds或者mle ②业务市场面临僧多粥少的尴尬局面。一方面优质企业越来越少，随着优质企业陆续上市，符合条件的企业做一家少一家，加上同业竞争日趋激烈，收费标准也屡创新低，投行创收每况愈下，一年不如一年；另一方面，投行看天吃饭，过去行情好的时候招了大批业务人员，到了现在行情差的时候还要养活这些人，可是在收入少、人员增加的情况下怎么办呢？开源节流，开不了源只好节流，奖金？基本工资能有保障就谢天谢地了，还要什么自行车，于是降薪裁员是最近几年铺天盖地频繁出现在投行这个行业中的关键词，那么这种时候一些在投行或银行的risk职员就是在岗位上混吃等“裁”了 ③从工作状态来看：996对很多投行人员来讲有些奢侈了，每天加班到10点以后太正常了，而且在投行人员的概念里没有周末的概念，只要项目没结束，每天都是工作日，每天都要时刻准备着战斗，项目最忙的时候连续几个通宵也是家常便饭     总体来说呢，在投行或者银行的risk并没有表面看着那么光鲜亮丽，大部分都是被媒体包装出来的假象呢，学姐的朋友血淋淋的真实案例摆在面前，当然我并不是完全劝退学risk，知识提醒risk留学生们慎重选择未来就业岗位，其实risk在求职中是绝对的“万金油”，不仅仅是投行，银行，其他各种行业，包括金融公司，科技公司等行业都是需要风控来帮助企业保护其利益的。那么大家要是有什么不同的看法，或者想要表达的，都可以在评论区跟学姐进行互动噢，我们下期见~

发布了笔记 6月前

机器学习在量化金融市场的机遇与挑战

哈喽大家好啊我是篱笆导师Derek。机器学习这项技术相信大家并不陌生，今天呢我们就来聊一聊机器学习在量化金融领域的机遇和挑战。 机器学习技术呢在金融市场中的应用正以非常惊人的速度引领着这个行业的革新，随着我们可以获得的数据量越来越大，金融领域的各种应用也已经验证了使用人工智能确实可以更好的进行投资或者业务决策，人们呢也更加愿意相信人工智能技术在金融领域的应用前景。但人工智能它是提供了一种适用于从个人数据到业务流程的高效数据分析工具，同时呢我们也看到越来越多的金融机构开始使用机器学习方法，从而期望在市场竞争中获得一个优势。包括有一些量化投资机构也已经在逐渐的抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。 与传统投资方式相比量化投资具有更高的效率和准确性，因为其更多的是依托于数据模型寻找计算啊最优的这样一个投资策略。而机器学习的优势就在于能够提供对于非线性关系的模糊处理弥补了我们人脑这样一个思维模式，同时利用相关算法也可以大幅的提高数据挖掘处理的效率。借助机器学习确实是可以让我们的量化投资策略变得更加丰富。 拿一些实际的应用来举例子。像rebellion research是世界首款完全由人工智能驱动的一个基金，在应用过程中对于2008年的股市公盘进行了非常精准的预测，并且在下一年9月就对希腊债券信用评级给出了f评级这样一个结果，这个结果是早于汇率评级给出的结果的。 像rebellion research这样一个人工智能系统，通过自我学习全球53个国家的股票债券外汇和大宗商品的交易数据来评估各种资产组合的未来收益和潜在风险，从而帮助客户去这样合理配置资产。像该模型的人工智能系统呢基于贝叶斯算法，对于宏观、行业和公司的三个层面的数据进行分析，而且呢该模型还能够自动将历史数据和最新数据进行整合，使得它能够自动的来预测市场的这样一个走势。 当然了我们也看到机器学习的应用并不是完美的，像在投资领域应用机器学习算法仍然存在着不少的问题和挑战。 相对于传统的方法而言机器学习方法存在四个很大的优势：非线性的优势、数据化优势、速度优势和复杂度优势。但是金融数据的高噪音、低维输入、动态性的特点给这些应用带来了非常大的挑战。像我们常用的实时金融数据集范围大幅的增加，包括从在线交易记录到高频的限价单试驾单等各种数据，由于呢这些数据的低信噪比和复杂多模态等特点常常使得我们的模型学习效果不能得到一个很好的稳定性的保证。像数据中的噪音可能会被误读为交易信号从而导致潜在的财务损失甚至引发非常严重的危机。 而机器学习它最容易陷入的误区就是对于数据的过度挖掘，不当的使用机器学习算法可能导致结果过拟和严重降低历史数据和预测的相关性。机器学习算法目前在这个投资领域的应用方式其实也较为单一，大多数像我们熟知的定义为涨跌幅的预测的回归任务或者是涨跌幅的分类任务，像这样一来它面临的就是金融信号的低性噪比一个简单的模型，它能够过滤掉噪音但是同时也会把交易信号过滤掉，复杂的模型的相反。 所以最好来说一般机器学习算法也需要和传统量化投资的专业知识进行一个相结合，专业知识的相结合不仅可以帮我们改进模型还能够从经济金融学的角度来理解模型的行为，如果能够得到这样相互的一个印证那么其实我们的模型输出可信度便可以大大的提升。 综上所述我们不难看出机器学习这项技术在量化金融领域其实还是有非常广阔的应用前景的，但其实就像任何一样新兴技术总是机遇和挑战并存的。所以以后希望在化金融领域从业的同学们一定要勇于探索、深入了解和掌握这项技术，我们才能与时俱进不被淘汰。 以上这些是我们今天分享的全部内容，如果还有任何关于机器学习相关的问题，随时可以咨询篱笆老师，我们下期再见啦！