发信人: gunner06 ([Math06] arsenal forever), 信区: Abroad
标 题: [zz]CS专业留学生毕业之后留美的难度有多大？
发信站: 南京大学小百合站 (Tue Mar 3 12:12:19 2015)
******************************************************************************
*
（经原作者同意，转载自知乎“CS专业留学生毕业之后留美的难度有多大？”问题下@曾博
的回答。个人觉得挺中肯的，虽然不得不承认现阶段cs专业比其他专业好找工作一些，但
有些人的确把找cs专业的工作说的太容易了。注:文中flag指代facebook,linkedin,
amazon(又说apple or airbnb)和google）
******************************************************************************
*
CS 专业据我所知，如果你是第一阶梯CS 专业大神phd , 例如CMU , Stanford , MIT ,
Berkeley , 学习视觉，机器学习，AI，数据库，算法，搜索之类的，你找不到20W加（含
package）的flag 最优厚工作岗位我现在就从我家跳下去喂狗。最后还托人把我的首级寄
给你供你赏玩。当然，要想从国内本科申到这些学校的cs phd，并且顺利毕业的话，难度
可以说是很大。温兆伦都没做到这一点。说句不好听的，各学校还有假借其他专业录取，
以一来就转cs的。这主要是因为除了cs以外，其他专业的phd都比较好申（而且找不到工作
）的缘故。
如果你是第一阶梯CS硕士，毕业前多写一点代码刷刷题搞一个github . 你的疑虑应该是：
哪家公司工资高，待遇好，是要去flag 呢还是要去start up? Start up 承诺给我10000股
，能上市吗？ start up 给我offer 就比google 的少2W，我被lowball 了吗？之类的问题
这种人往往是四处宣传CS专业好找工作，文科生都要的人。实际上他们准备面试5个月看了
几千页的书（4大本或者5大本，algorithm, intro to algorithm, programming perl,
cracking the interview等等）和paper （flag自己的paper），面试了20多轮（一家
full time 3-5轮，面了5-6家算少的），这不会告诉你的。如果你想入行，多去看看人家
面挂了的经历，或者自己去挂几次，试试看，自然会了解其中困难。我这么和你说，这些
美帝顶尖学校的对口硕士生，都有面挂的可能。当然他们总有人要的。不是f就是l，不是
a就是g
如果你是第二，三阶梯的CS硕士/博士。好好搞GPA，参加job fair , 刷题，练题，面试，
在job fair上，如果你处于你们学校前30%的位置，会有公司给你面试并且表现好的话就要
你的。为什么大家都在谈刷题？因为如果你不刷题，第一轮都过不了。当然如果你以为只
有第一轮，你这辈子也不要找CS工作了。flag 都会问你特别专业的设计问题。比如如何实
现一个搜索引擎，怎么调度10000个server ，这种很技术的问题。或者谈谈你的项目。你
都不知道/没有，那祝您好运。
如果你是其他专业的硕士，博士。我可以告诉你，这些人找到CS工作的概率基本不超过10
%。通过多轮面试的人往往有多年的实习和项目经历，你让一个非cs的学生捏造一些项目经
历出来，这就好像让一个非物理系的学生在简历上说：我的物理经历：1）推导过maxwell
方程组，2）练习过牛顿定律的几种变化，3）上课的时候做过薛定谔方程，一样。你知道
内行看你（我们）这种简历的心情是什么吗？你知道一个正确的cs学生的cs经历应该是什
么吗？换成物理语言，就是：1）我写过5000行的手写推倒，得到了关于gaussian beam
goui phase的理论解释；2）我用大型计算机通过gpu加速计算出3体问题的几个稳定解，并
且发表了会议paper；3）一个项目研究并讨论了薛定谔方程量子化的几条途径。一个非cs
专业的人，它的简历，让人看起来就和小学生一样。公司会要一个小学生吗？
那些真正找到的，无不是及早就开始准备转行了，而且不仅仅转行，而是学有所长。什么
是有所长？刷题不是长。他们只是从来不说而已。此外，这些人找到工作的另外一个方法
，就是拿到统计或者cs的硕士学位，靠此学位找工作。或者是flag心血来潮要招一个非cs
的专员，例如做光学工程，材料，机械，等等。当然无一例外这些都是engineering。如果
你不是名校engineering的研究生，恭喜您，您的机会又下降了几个层次。
当然这些是没人告诉您的。。“您一定会失败”这种事，没人会愿意说。因为机会总是存
在。但是你要知道，有些机会纯粹是“浪费大家时间”因为“最后一定失败”。
每年也有很多985，211的学生申请MIT，Stanford，CMU，Berkeley . 你能说他们一定失败
吗？但你能说他们极可能成功吗？
如果你没有计算机学位，在我看来，你不要浪费时间了。如果你有，根据上面的4类人，自
己对号入座。另外把眼光放小一点，flag是去不了了（虽然那里面的工作大量的只需要cs
中等生，但我说了他们只要1，2类人才），可以去local company, 传统company，实在不
行去银行写代码。既然都是写代码了，你就和社会尊重社会地位这种第三层次精神追求无
缘了。
幸存者效应，那些过了面试的人，一定会和你说面试很容易，只需要刷题就好了。那是因
为专业的计算机知识他们信手拈来。你自己去看看多少被刷掉的人，都是因为计算机专业
知识=0，没有任何一个像样的项目经验，没有大型代码库的接触，没有和人组队写过一个
大项目。计算机专业知识我建议你花1年半把CS课程学完。
那些没什么计算机知识也侥幸找到工作的，他们是不会来告诉你这些真相的。因为他们的
工作太不值得一提了，基本上和写if else 语句没有区别。他们在公司的地位也极低。这
样的人主要潜水，不会出头露面。（这里，data scientist 除外。不过这属于统计的范畴
，与本文无关）
所以，往往只有第一，二类大神出来说，CS好简单啊。我来推荐你们吧。殊不知他们推荐
的人，要么必须是名校cs专业的对口研究生，要么是3-5年的业务经历。根本不是你理解的
那个“简单”的意思。即便是这样的人，他们也要面很多轮。虽然第一轮的确就是算法没
错。许多学校的phd prelim第一轮还考中学物理呢，难道你认为中学物理生就可以来读
phd了？
如果你有可能的话，我建议你找个好本科重读cs，然后研究生选一个和视觉，机器学习，
搜索有关的方向。发几篇paper，就等着你秒杀flag
计算机需求是很大，这是相对拿到第一类专才科学家学历数目来说的。
对，申请的门槛是很低，这就是为什么需要简单的面试题来刷掉那些连这些都不会的人。
一班人却据此认为cs工作很好找，找工作门槛低到只需要刷题，说起这些，上帝都醉了。
最后参考一下知友 @陈然 的背景和他找工作的介绍。1-5，请看你自己能符合几条：
1. 一是我们的项目名字叫 Master of Computational Data Science，一看就是相关专业
，感谢项目改名！
2. 二是我选了大量Machine Learning的课程，从基础的Machine Learning到中级统计到
Probabilistic Graphical Model，基本对于现在工业界能用的Model都了解
3. 三是我会使用Hadoop等工具，这主要得益于第一我选过Cloud Computing，这课手把手
，还给钱，教使用AWS做了很多东西。第二我选过Machine Learning in Big Data, 这课主
要教的就是怎么在Hadoop和Hadoop Stream上实现Naive Bayes，虽然内容不多，但是讲了
方方面面的很多琐碎的东西，而且工业界很适用。
4. 四是我有实际的Machine Learning项目经验。我来读Master的时候就希望可以把一个项
目的时间做的尽可能的长，我很厌倦实习和毕设那2个月做一个项目但是什么都做不出来的
感觉，所以我通过Spring 2014选课+暑期留在实验室+Fall 2014毕设做同一个项目把这个
项目做了8个月。这是个在法律界的使用NLP，IR，ML的项目，太难做了，太繁琐了，太多
Dirty Work了，太多心得了。但是面试的人跟我总是有特别多的共鸣。
5. 最后当然我本科也是学CS的，计算机组成原理，计算机网络，数据库，编译原理，操作
系统，信息检索等课程也都上过，基础知识也没有什么短板，这个也很重要。
我申请的时候主要投的职位包括：Software Engineer, Software Engineer in Machine
Learning, Data Scientist, Data Engineer, Data Science Engineer。至于这些所谓的
Data Scientist 或者类似的职位到底是做什么的，每家公司情况都不一样，我的所见所谓
主要是有这么几类：
1. 做Infrastructure的。这一类就是做系统的，而且要求不低。
2. 做传统数据分析的。Excel，SQL，写report。
3. 做比较新的数据分析的。往往要使用爬虫到处爬数据，写脚本处理Log，Hadoop处理数
据等等。
4. 做Machine Learning应用的。常见的Machine Learning的相关的应用包括搜索，NLP，
图像，广告，反欺诈等等。
5. 其他的大杂烩的。
--
※ 来源:．南京大学小百合站 http://bbs.nju.edu.cn [FROM: 107.15.48.252]
标 题: [zz]CS专业留学生毕业之后留美的难度有多大？
发信站: 南京大学小百合站 (Tue Mar 3 12:12:19 2015)
******************************************************************************
*
（经原作者同意，转载自知乎“CS专业留学生毕业之后留美的难度有多大？”问题下@曾博
的回答。个人觉得挺中肯的，虽然不得不承认现阶段cs专业比其他专业好找工作一些，但
有些人的确把找cs专业的工作说的太容易了。注:文中flag指代facebook,linkedin,
amazon(又说apple or airbnb)和google）
******************************************************************************
*
CS 专业据我所知，如果你是第一阶梯CS 专业大神phd , 例如CMU , Stanford , MIT ,
Berkeley , 学习视觉，机器学习，AI，数据库，算法，搜索之类的，你找不到20W加（含
package）的flag 最优厚工作岗位我现在就从我家跳下去喂狗。最后还托人把我的首级寄
给你供你赏玩。当然，要想从国内本科申到这些学校的cs phd，并且顺利毕业的话，难度
可以说是很大。温兆伦都没做到这一点。说句不好听的，各学校还有假借其他专业录取，
以一来就转cs的。这主要是因为除了cs以外，其他专业的phd都比较好申（而且找不到工作
）的缘故。
如果你是第一阶梯CS硕士，毕业前多写一点代码刷刷题搞一个github . 你的疑虑应该是：
哪家公司工资高，待遇好，是要去flag 呢还是要去start up? Start up 承诺给我10000股
，能上市吗？ start up 给我offer 就比google 的少2W，我被lowball 了吗？之类的问题
这种人往往是四处宣传CS专业好找工作，文科生都要的人。实际上他们准备面试5个月看了
几千页的书（4大本或者5大本，algorithm, intro to algorithm, programming perl,
cracking the interview等等）和paper （flag自己的paper），面试了20多轮（一家
full time 3-5轮，面了5-6家算少的），这不会告诉你的。如果你想入行，多去看看人家
面挂了的经历，或者自己去挂几次，试试看，自然会了解其中困难。我这么和你说，这些
美帝顶尖学校的对口硕士生，都有面挂的可能。当然他们总有人要的。不是f就是l，不是
a就是g
如果你是第二，三阶梯的CS硕士/博士。好好搞GPA，参加job fair , 刷题，练题，面试，
在job fair上，如果你处于你们学校前30%的位置，会有公司给你面试并且表现好的话就要
你的。为什么大家都在谈刷题？因为如果你不刷题，第一轮都过不了。当然如果你以为只
有第一轮，你这辈子也不要找CS工作了。flag 都会问你特别专业的设计问题。比如如何实
现一个搜索引擎，怎么调度10000个server ，这种很技术的问题。或者谈谈你的项目。你
都不知道/没有，那祝您好运。
如果你是其他专业的硕士，博士。我可以告诉你，这些人找到CS工作的概率基本不超过10
%。通过多轮面试的人往往有多年的实习和项目经历，你让一个非cs的学生捏造一些项目经
历出来，这就好像让一个非物理系的学生在简历上说：我的物理经历：1）推导过maxwell
方程组，2）练习过牛顿定律的几种变化，3）上课的时候做过薛定谔方程，一样。你知道
内行看你（我们）这种简历的心情是什么吗？你知道一个正确的cs学生的cs经历应该是什
么吗？换成物理语言，就是：1）我写过5000行的手写推倒，得到了关于gaussian beam
goui phase的理论解释；2）我用大型计算机通过gpu加速计算出3体问题的几个稳定解，并
且发表了会议paper；3）一个项目研究并讨论了薛定谔方程量子化的几条途径。一个非cs
专业的人，它的简历，让人看起来就和小学生一样。公司会要一个小学生吗？
那些真正找到的，无不是及早就开始准备转行了，而且不仅仅转行，而是学有所长。什么
是有所长？刷题不是长。他们只是从来不说而已。此外，这些人找到工作的另外一个方法
，就是拿到统计或者cs的硕士学位，靠此学位找工作。或者是flag心血来潮要招一个非cs
的专员，例如做光学工程，材料，机械，等等。当然无一例外这些都是engineering。如果
你不是名校engineering的研究生，恭喜您，您的机会又下降了几个层次。
当然这些是没人告诉您的。。“您一定会失败”这种事，没人会愿意说。因为机会总是存
在。但是你要知道，有些机会纯粹是“浪费大家时间”因为“最后一定失败”。
每年也有很多985，211的学生申请MIT，Stanford，CMU，Berkeley . 你能说他们一定失败
吗？但你能说他们极可能成功吗？
如果你没有计算机学位，在我看来，你不要浪费时间了。如果你有，根据上面的4类人，自
己对号入座。另外把眼光放小一点，flag是去不了了（虽然那里面的工作大量的只需要cs
中等生，但我说了他们只要1，2类人才），可以去local company, 传统company，实在不
行去银行写代码。既然都是写代码了，你就和社会尊重社会地位这种第三层次精神追求无
缘了。
幸存者效应，那些过了面试的人，一定会和你说面试很容易，只需要刷题就好了。那是因
为专业的计算机知识他们信手拈来。你自己去看看多少被刷掉的人，都是因为计算机专业
知识=0，没有任何一个像样的项目经验，没有大型代码库的接触，没有和人组队写过一个
大项目。计算机专业知识我建议你花1年半把CS课程学完。
那些没什么计算机知识也侥幸找到工作的，他们是不会来告诉你这些真相的。因为他们的
工作太不值得一提了，基本上和写if else 语句没有区别。他们在公司的地位也极低。这
样的人主要潜水，不会出头露面。（这里，data scientist 除外。不过这属于统计的范畴
，与本文无关）
所以，往往只有第一，二类大神出来说，CS好简单啊。我来推荐你们吧。殊不知他们推荐
的人，要么必须是名校cs专业的对口研究生，要么是3-5年的业务经历。根本不是你理解的
那个“简单”的意思。即便是这样的人，他们也要面很多轮。虽然第一轮的确就是算法没
错。许多学校的phd prelim第一轮还考中学物理呢，难道你认为中学物理生就可以来读
phd了？
如果你有可能的话，我建议你找个好本科重读cs，然后研究生选一个和视觉，机器学习，
搜索有关的方向。发几篇paper，就等着你秒杀flag
计算机需求是很大，这是相对拿到第一类专才科学家学历数目来说的。
对，申请的门槛是很低，这就是为什么需要简单的面试题来刷掉那些连这些都不会的人。
一班人却据此认为cs工作很好找，找工作门槛低到只需要刷题，说起这些，上帝都醉了。
最后参考一下知友 @陈然 的背景和他找工作的介绍。1-5，请看你自己能符合几条：
1. 一是我们的项目名字叫 Master of Computational Data Science，一看就是相关专业
，感谢项目改名！
2. 二是我选了大量Machine Learning的课程，从基础的Machine Learning到中级统计到
Probabilistic Graphical Model，基本对于现在工业界能用的Model都了解
3. 三是我会使用Hadoop等工具，这主要得益于第一我选过Cloud Computing，这课手把手
，还给钱，教使用AWS做了很多东西。第二我选过Machine Learning in Big Data, 这课主
要教的就是怎么在Hadoop和Hadoop Stream上实现Naive Bayes，虽然内容不多，但是讲了
方方面面的很多琐碎的东西，而且工业界很适用。
4. 四是我有实际的Machine Learning项目经验。我来读Master的时候就希望可以把一个项
目的时间做的尽可能的长，我很厌倦实习和毕设那2个月做一个项目但是什么都做不出来的
感觉，所以我通过Spring 2014选课+暑期留在实验室+Fall 2014毕设做同一个项目把这个
项目做了8个月。这是个在法律界的使用NLP，IR，ML的项目，太难做了，太繁琐了，太多
Dirty Work了，太多心得了。但是面试的人跟我总是有特别多的共鸣。
5. 最后当然我本科也是学CS的，计算机组成原理，计算机网络，数据库，编译原理，操作
系统，信息检索等课程也都上过，基础知识也没有什么短板，这个也很重要。
我申请的时候主要投的职位包括：Software Engineer, Software Engineer in Machine
Learning, Data Scientist, Data Engineer, Data Science Engineer。至于这些所谓的
Data Scientist 或者类似的职位到底是做什么的，每家公司情况都不一样，我的所见所谓
主要是有这么几类：
1. 做Infrastructure的。这一类就是做系统的，而且要求不低。
2. 做传统数据分析的。Excel，SQL，写report。
3. 做比较新的数据分析的。往往要使用爬虫到处爬数据，写脚本处理Log，Hadoop处理数
据等等。
4. 做Machine Learning应用的。常见的Machine Learning的相关的应用包括搜索，NLP，
图像，广告，反欺诈等等。
5. 其他的大杂烩的。
--
※ 来源:．南京大学小百合站 http://bbs.nju.edu.cn [FROM: 107.15.48.252]
No comments:
Post a Comment