[北美] 美國PhD轉Data Scientist求職心得（一）

看板Oversea_Job作者judykeystsai (judy)時間5年前 (2018/11/22 05:28)推噓43(43推 0噓 5→)

留言48則, 43人參與討論串1/1

Data Science領域現在在美國很紅，但感覺非相關科系的new grad求職還是很不容易，去年秋季我開始在這個領域尋找機會，一直到最近終於拿到一份理想的offer，一路上雖然辛苦但受到很多人的幫助，所以想將我的經驗記錄成四篇文章分享給大家，裡頭分別會談到：一、我的背景及轉職準備過程二、介紹Insight Data Science Program 三、Data Scientist面試經驗分享四、Offer negotiation心得分享這一系列的文章可能比較適合非CS/DS背景出身轉DS或是其他在Analytics/BI roles的人參考，也希望能夠藉此幫助跟鼓勵到還在這條路上努力的人 :) ◎背景： BS in Atmospheric Science at NTU PhD in Meteorology and Atmospheric Science at Penn State 我的學歷比較像是所謂的冷門理工科系，也不像CS/Stats/ITS跟Data Scienc有比較直接相關，我的博班研究跟DS幾乎沒有關係，頂多就是用multiple linear regression看看海溫對區域氣候變遷的影響這部分可以算是沾得上邊。然後大概知道PCA是什麼但也沒有實際運用在我的研究上。相關的背景知識也蠻缺乏的，所以一開始真的找DS的工作很不順利。在Coding方面，當時我完全不會Python、SQL或一般業界常用的語言。而且在2017秋天以前我幾乎不太知道Machine Learning（ ML）是什麼，一些ML算法像是logistic regression、各種tree-based models、clustering techniques、SVM、neural net等等是聽都沒聽過。CS相關課程像是資料結構、演算法等等都是零基礎。統計知識也很一般，至於business/product sense也完全沒有。不過在博班時因為有在Linux Cluster上跑氣候變遷的模擬與分析，這部分在對於一開始的上手應該算有些許幫助。 ◎轉職歷程概述：為了踏入Data Science領域我花了些時間自學Python。因為念大氣科學的人多少有過用其他語言寫script分析數據的經驗，只要花時間學一下語法的話，單就入門不會太困難。在熟悉語法後，我嘗試將一部分的博班研究工作「翻譯」成Python，然後學著用jupyter notebook將一部分的程式碼以及視覺化的成果放在我新建立的GitHub上當個小作品。建議有心學Python的人也可以試試這個方法，因為這可以把你用Python分析的結果跟用別的語言分析的結果做相互的對照，過程會比較好follow，也可以慢慢練習coding的能力。比較熟悉Python後，我開始學習scikit-learn跟其他做資料分析時會用到的工具，例如 pandas、matplotlib、seaborn等等，偶爾逛逛Kaggle去觀摩別人的kernels來學習做 ML project 的思維。不過我只有跟著做過兩三個很簡單的projects熟悉一下，後來就荒廢了，因為發現自己需要補強更多ML相關的背景知識，而且我不喜歡在我不知道這個 model在幹嘛的情況下直接調用，預測結果出來也不知道要怎麼interpret。於是開始斷斷續續上網看各種Data Science相關的教學影片。 2017夏天時聽朋友提起她參加Insight Data Science Program的經驗，覺得好像可以試試，所以隨手申請了2018一月的session，沒想到竟然最後被accept（不是炫耀文XD），於是有點誤打誤撞開啟了要認真踏入Data Science career的旅程。我其實本來在參加 Insight之前一直有點排斥，會質疑自己花兩個多月是否值得？是否會學到東西？是否最後真的能找到Data Scientist的工作？然後很害怕自己做不出data product。但現在回頭看這些擔心都是多餘的，因為Insight帶給我的價值完全超乎我的想像。我在Insight做的project在往後每一個面試都是個很棒的selling point，然後Insight的 network非常強大，在我自己找工作的過程中真的對我幫助很多。即便我在參加完之後並沒有馬上找到工作，而且最後的offer也不是透過Insight拿到的，但我真心覺得能夠參加 Insight絕對是我人生中最重要且最棒的決定之一！誠心推薦給大家，詳情我會另寫一篇 Insight心得文跟大家分享。如果無法參加這個program也沒關係，我也會在那篇文章中分享參加的過程與準備，如果可以試著follow他們的workflow應該也會對你有一些幫助。今年三月初參加完Insight後，三月中旬就重回學校做研究寫論文準備畢業，中間陸續有跟幾家Insight refer的公司面試，然後大概到4月中差不多都掛光了XD。不過即使 program結束之後Insight還是一直會po職缺以及介紹想聽我們demo的公司，所以多少還是有一些機會。但在4月後我就沒有積極找工作面試了，主要在準備論文口試跟忙其他事情，真正又開始比較認真投工作跟面試是在六月中後，但此時又要準備收拾搬家，所以其實也沒能全心全意在找工作跟準備面試。九月初搬到芝加哥附近後有開始比較積極找工作。基於個人因素，我只想找芝加哥附近的工作，且我又只偏好某幾種方向的Data Scientist，所以在諸多限制下其實要找到一個很fit的職缺真的是困難重重。有幾次真的很想放棄，不過後來很幸運能同時拿到兩家 Data Scientist的offer，一家是畢業前一直想去的產物保險公司，業務還滿廣的，而且是涵蓋我最有興趣的氣候╱農業相關的保險。另外一家是Slice，後來被Rakuten買下，現在改名叫Rakuten Intelligence，主要做online shopping market research。雖然除了自己喜歡網購以外，對這個產業了解並不多。但最後還是決定去Rakuten試試看，原因是Slice的所有條件幾乎都狂勝另一家保險公司（體會到有多個offer的好處），而且manager跟teammates感覺都很不錯。另外，我在決定選哪個offer之前，還利用Insight的network去跟之前在Slice待過的 Insight fellow稍微聊過（再次感到Insight network的強大XD），覺得各方面感覺都很好，才做了決定。 ◎Data Science準備過程與學習資源：其實現在回去檢視整個找DS工作的過程，我覺得自己起步有點太晚，在DS相關背景知識還不夠強就去參加Insight，所以參加program的過程會有一點辛苦，雖然之後在跟Insight 合作公司的面試時候有漸入佳境，但還是沒能夠透過這個管道拿到offer。但如今能拿到這兩個很棒的offer，也是基於之前參加Insight以及過去面試失敗的經驗，所以不論面試成功與否，如果能夠從這些經驗裡學習並一步步改進，過去的失敗其實是很珍貴的，面試詳情我會在第三篇文章分享。接下來想跟大家分享一些Data Science相關的學習資源（我都是用免費的option，也沒有做作業）。面試Data Scientist需要準備的項目真的太廣了，其深度也會根據職缺要求而異，不過總體來說可分為六大部分：一、 SQL (1) Codecademy SQL語法：https://www.codecademy.com/learn/learn-sql SQL練習：https://www.codecademy.com/learn/sql-table-transformation SQL應用：https://www.codecademy.com/learn/sql-analyzing-business-metrics 我的SQL一開始就在這邊學的，個人比較喜歡介面是interactive 的方式。不過我個人不是很喜歡SQL，比較偏好Python的pandas。所以沒有很認真地持續練習SQL，且我會盡量避免需要寫超級advanced SQL query的工作，而我自己的面試從來沒有被考過需要當場寫SQL，但有被問過說SQL會什麼command。 (2) SQL zoo https://sqlzoo.net/ 還不錯的練習，我無聊的時候會拿來refresh一下。不會SQL的人也可以從這個網站下手。 (3) Hakerrank https://www.hackerrank.com/domains/sql 也是還不錯的練習，但是我只做到medium而已，因為真的不太擅長刷題。二、CS Fundamentals 這個我真的不會，版上SWE分享文很多，就不在這野人獻曝了。 Insight有推薦這個網站好像不錯： http://interactivepython.org/runestone/static/pythonds/index.html 另外Cracking the Coding Interview那本書聽說也很有用，刷題的話就Leetcode跟 Hackerrank。但因為我沒學過資料結構跟演算法，所以只寫了不到10個easy題就放棄了。如果想學Python，我推薦Codecademy的課程： https://www.codecademy.com/learn/learn-python。這也也是interactive的介面，我的Python就是在那邊學的。之後的學習方式就是不斷的Google跟Stack Overflow。三、ML知識 (1) Machine Learning Foundations（機器學習基石）by 林軒田教授 (2) Machine Learning Techniques （機器學習技法）by 林軒田教授我的ML學習之路是從這裡開始，影片在YouTube跟Coursera都有。滿喜歡看林軒田教授的教學影片，因為覺得有些冷笑話很好笑XD。當初不想給自己太大壓力，怕自己無法堅持看完所有影片，所以沒有很認真地逼自己拿紙筆一步步follow課程，我是以比較輕鬆的心態在學，有點像看影集那樣一天看一小時，最後不知不覺地把所有的影片都看完（不推薦這樣的學習法XD），並且開始對ML有點概念。不過這堂課還是滿多數學符號，且需要線性代數、微積分跟矩陣運算的概念，這些基礎比較弱的人可能要注意一下。 (3) Machine Learning course by Andrew Ng 這門課在美國Data Science領域很有名，我自己沒上過，但聽說是不錯的ML入門課程。 (4) Applied Machine Learning in Python by Kevyn Collins-Thompson (Coursera) 我覺得算是不錯的入門課程，不過我自己是自學一段時間後才看這門課，所以覺得滿簡單的。這門課跟林教授的課比起來簡單很多，比較少數學證明推導，但ML概念涵蓋還算廣，整體來說偏應用，有許多使用Python實作ML的簡單例子，可大略地提供做 ML project pipeline的觀念，例如不同ML models選擇、data前置處理、evaluate results等等。四、Stats 統計相較於其他方向來說算是我比較熟悉的一個領域，不過在準備面試的過程中還是找了一些線上資源來複習跟學習。根據我的面試經驗大部分會問一些regression、 correlation、statistical inference相關的問題。介紹幾個不錯的學習平台： (1) Khan Academy https://www.khanacademy.org 裡面的Statistics and probability部分很多人有推薦，但我沒有全部看完，裡面很多部分可以挑著看。 (2) Statquest by Josh Starmer （大推！）他是一位UNC-Chapel Hill Genetics系的教授，錄了很多統計以及ML相關的教學短片。他的影片對我的面試準備幫助非常大！真的超級感謝他！他很擅長把很複雜的觀念或 ML模式用很淺顯的方式解釋清楚，這點不論是在觀念的理解上，以及在面試時能清楚回答統計或ML相關問題都非常有幫助。我的經驗是在communication skills在Data Scientist面試的時候是非常重要的一部份，如果能夠將較深的統計/ML觀念解釋清楚絕對是大為加分的。我幾乎在每個tech screen 前都會再重看幾個比較重要的影片。而且他的影片都不長，不會造成太大的心理學習壓力（點開影片的活化能較低XD），真的是非常棒的資源！這是他的YouTube頻道： https://www.youtube.com/channel/UCtYLUTtgS3k1Fg4y5tAhLbw 所有教學影片的分類細項： https://statquest.org/video-index/ (3) Intro to Inferential Statistics by Udacity https://www.udacity.com/course/intro-to-inferential-statistics--ud201 這門課對重新複習Inferential Statistics還滿有幫助的，這部分的課程算是A/B Testing跟product面試的基礎。五、Business Case Studies 由於我從來沒有在業界工作的經驗，所以真的非常沒有business/product sense。我只能談談我是如何慢慢學習的： (1) A/B Testing by Udacity https://www.udacity.com/course/ab-testing--ud257 這門課很多人推薦，我一開始上的時候常常需要反反覆覆看，不是很習慣他們談話性的教法，不過算是對A/B Test有初步的了解。建議有Inferential Statistics的概念後再上比較好。 (2) Lean Analytics: Use Data to Build a Better Startup Faster http://leananalyticsbook.com/ 這本書是Insight推薦的，Insight要我們去onsite前一定要看。但我來不及看完所以只有看個大概。我覺得是培養以data的角度對business的了解還不錯的入門書。如果沒有時間看這本書，滿推薦看作者（Alistair Croll）的演講影片： https://www.youtube.com/watch?v=-CB4w_OtrKw

我看完有種恍然大悟的感覺，覺得有學到新東西，不過可能是因為我沒有任何業界經驗的關係。六、Behavioral interview questions Behavioral questions在Data Scientist面試中也是很重要的，因為Data Scientist除了需要好的溝通能力，也需要知道如何跟其他人合作，所以這部分絕對需要好好準備，我會在之後的文章分享我的準備方法。第一篇先寫到這裡，當然DS需要學習的東西還有很多，如果有好的資源也歡迎分享。附上我的LinkedIn：http://www.linkedin.com/in/chiiyuntsai 歡迎Data Science領域的朋友們connect，我的Data Scientist職涯才剛起步，希望前輩們不吝指教，也祝福還在往這條道路上努力的朋友找工作順利，找工作是很孤獨又辛苦的路程，希望這些分享文可以幫助跟鼓勵到你。 p.s. 我是#1RvJ9zZo的原po，感謝版友的意見，但我不知道stan1234567是誰XD -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 24.13.233.115 ※ 文章網址: https://www.ptt.cc/bbs/Oversea_Job/M.1542835716.A.DAB.html

推

drajan

11/22 05:30, 5年前 , 1^F

11/22 05:30, 1^F

※ 編輯: judykeystsai (24.13.233.115), 11/22/2018 05:35:11

推

dark104

11/22 05:42, 5年前 , 2^F

11/22 05:42, 2^F

推

d611301

11/22 06:14, 5年前 , 3^F

11/22 06:14, 3^F

推

blizzard258

11/22 08:26, 5年前 , 4^F

11/22 08:26, 4^F

推

david820505

11/22 08:55, 5年前 , 5^F

11/22 08:55, 5^F

推

TAMSHUI

11/22 08:59, 5年前 , 6^F

11/22 08:59, 6^F

推

wintercoldb

11/22 09:12, 5年前 , 7^F

11/22 09:12, 7^F

→

wintercoldb

11/22 09:12, 5年前 , 8^F

11/22 09:12, 8^F

推

sexypilot12

11/22 09:18, 5年前 , 9^F

11/22 09:18, 9^F

推

swancloud

11/22 09:41, 5年前 , 10^F

11/22 09:41, 10^F

推

rayu

11/22 09:43, 5年前 , 11^F

11/22 09:43, 11^F

推

becalm

11/22 09:55, 5年前 , 12^F

11/22 09:55, 12^F

哈哈，是有一點點捨不得本來做的研究沒錯>< 不過真的不少PhD跟postdoc都轉行了

推

umum29

11/22 10:04, 5年前 , 13^F

11/22 10:04, 13^F

推

RoyKudo

11/22 10:29, 5年前 , 14^F

11/22 10:29, 14^F

→

RoyKudo

11/22 10:33, 5年前 , 15^F

11/22 10:33, 15^F

我只有面過一間美國滿大間的retail pharmacy company耶。如果對醫療跟Insight有興趣，可以考慮health data science program。

推

bluebluelan

11/22 11:50, 5年前 , 16^F

11/22 11:50, 16^F

→

bluebluelan

11/22 11:50, 5年前 , 17^F

11/22 11:50, 17^F

推

resay543

11/22 12:04, 5年前 , 18^F

11/22 12:04, 18^F

推

keyut2433

11/22 12:06, 5年前 , 19^F

11/22 12:06, 19^F

根據Insight的program安排及強度我覺得是。詳情可以看我第二篇文章分享的program內容再衡量一下。

推

uni012157

11/22 12:31, 5年前 , 20^F

11/22 12:31, 20^F

推

rainingmoon

11/22 12:33, 5年前 , 21^F

11/22 12:33, 21^F

推

ZERX

11/22 13:11, 5年前 , 22^F

11/22 13:11, 22^F

推

plankton

11/22 13:14, 5年前 , 23^F

11/22 13:14, 23^F

推

clemsontiger

11/22 13:32, 5年前 , 24^F

11/22 13:32, 24^F

推

philip09227

11/22 13:43, 5年前 , 25^F

11/22 13:43, 25^F

推

belindazo

11/22 13:57, 5年前 , 26^F

11/22 13:57, 26^F

推

bowin

11/22 14:20, 5年前 , 27^F

11/22 14:20, 27^F

→

bowin

11/22 14:20, 5年前 , 28^F

11/22 14:20, 28^F

不太確定你說的需要身份的部分，不過我補充一下，F1 OPT跟已經有H1B的都是可以參加的。我參加的時候是F1在學學生。

推

abc53

11/22 15:22, 5年前 , 29^F

11/22 15:22, 29^F

推

ryanlei

11/22 15:41, 5年前 , 30^F

11/22 15:41, 30^F

推

babyfang

11/22 20:05, 5年前 , 31^F

11/22 20:05, 31^F

推

tmtm39

11/22 22:10, 5年前 , 32^F

11/22 22:10, 32^F

推

CVPR2019

11/22 22:27, 5年前 , 33^F

11/22 22:27, 33^F

我的面試比較少碰到白板題，可能是我申請工作的時候會稍微查一下該公司如何面試。不過我碰到過的leetcode題都不太難，部分是OA（可google查）或是“口述”。倒是碰到過比較多需要做data challenge然後再present結果。不過DE和machine learning engineer 那類的還是建議要努力刷題。

推

yenting1006

11/23 02:33, 5年前 , 34^F

11/23 02:33, 34^F

推

a972celia

11/23 13:55, 5年前 , 35^F

11/23 13:55, 35^F

→

jiayun0902

11/23 22:05, 5年前 , 36^F

11/23 22:05, 36^F