Re: [請益] 學界轉業界-網站前端
感謝大家的各種建言。
這陣子我的腦子只要是醒著的時候就是在糾結拔河，
讀完大家的分享，原本想說總之就自己再好好想想吧。
不過轉念一想，強迫自己與大家做更深入的對話，
無疑是個審視自己的好機會。
對各位的回覆不管是推文或者透過寄信，我先說聲萬分感謝！
底下我把大家寶貴的建議以及看法整理出來，
一方面幫助自己釐清思緒，二方面也許對有類似處境的人會有幫助。
放棄累積的高門檻太可惜了
-------------------------------
唉，這是真的，一個博士的養成很花時間，
而且個人感覺在學術圈人脈的重要性比業界還大（強調：個人感覺啦）。
外人要進入學界的門檻真的很高。
從這個角度看，我總是不禁在想是不是把自己的人生搞砸了呢。
不過其實學界也有學界的問題，僧多粥少的窘境一樣存在，甚至我覺得更嚴重。
（看川普都提案要大砍美國的各種基礎科研經費了。）
即使有幸當到教授，面臨的其實是更多非學術相關的瑣事。
而那些「瑣事」（例如寫計畫申請書）卻是能決定下個年度
你還有沒有錢去支撐研究的關鍵。
啊唉，其實我在學界也還沒混到能批評這些制度的高度啦。
主要還是想說，我真正的興趣是在軟體開發，
如果學術圈有那種能讓我「專心」開發科研軟體的工作，
一直做到老我也願意。
但我看到的案例是，一位在國家研究室開發科研軟體的英國研究者，
抱怨上頭在乎的只是論文數，管你的職位是什麼，
即使是付錢請你來寫程式，但是每年審核的標準仍然只看論文發表數。
所以與其坐在船上用小槳慢慢地滑，我寧願跳進水裡直接用游的，
雖然一開始會比較慢甚至嗆幾口水，但只要撐過沒溺死，
之後就會游得比用小槳滑還快了吧！
旁人看了說，你好不容易上了船，跳下太可惜啦！
要快的話何不拿把大槳就好了呢？
我說，你也知道大槳就那幾把而已，而且還要每年寫千字計畫書加報告書才有機會拿。
而且重點是...... 我就是想游泳嘛！
（小劇場完）
有學長來信提到中研院也有軟體工程師的工作
-----------------------------------------------------
哇瞬間打臉我上面說學術圈沒有類似工作的說法。
不過我比較擔心的是，這樣感覺我還是待在了舒適圈裡，
是否真的能進步呢？
無論如何這的確是個可考慮的選項之一。
有前輩提到專業與興趣的差別
-------------------------------
「悠閒看資料讀興趣和當工作是天差地遠的」
不知有沒有人可以進一步闡釋這個差別？
我的想像是，做興趣的話可以隨自己高興採用最新技術，不管相容性地往前衝，
而工作的話就會礙手礙腳地被客戶跟老 IE 限制住等等。
至於說工作有 deadline 還有可能碰到機車老闆這件事，
我想這情況不管是在學界或業界都是一樣討厭的吧。
「興趣不一定要當工作」
這可以分兩層來討論。
第一層，有些興趣是無法或者很難當工作的。
例如我也很喜歡打電動，可是我知道要把電競當職業是非常難的，
所以我不強求要把這個興趣當工作。
但有些興趣是它真的就可以是個工作，而且做得好還會有不錯的報酬，
那這樣為何不努力讓這份興趣變工作呢？
第二層，有些東西當興趣是會對工作有負面影響的。
我想應該很多程式人都能體會，寫程式是會把人的腦袋吸走的！
當我只是想說，啊這個週末來著手寫個交通模擬程式玩一玩吧，
沒想到卻造成接下來幾個禮拜，我在本科研究工作上的進展為零。
因為一旦開始寫程式，那個「靈魂」是很難抽離的，
想說啊再花個一天做完這個功能就告一段落吧，
然後遇到 bug，最後花了一個禮拜才完成。
看到結果，嘿好有成就感呀！既然這樣那另一個功能也再「微調」一下吧，
然後就無限 loop 了。
也就是說，真的在寫有興趣的程式的時候，是進入聖人模式，沒日沒夜，
老婆穿戰鬥服呼換也沒法撼動的那種。
所以若有人說他們只是把寫程式當興趣，
我會覺得好厲害，自制力一定非常高強！
萬一兩年後後悔要回本行怎麼辦
------------------------------------
對我而言這個抉擇有個簡單的思考方式：
跳進業界兩年後我有沒有可能會後悔，有可能。
但我知道若我現在不跳出學界去嘗試想做的事情的話，
我一定會一直在後悔。
那最壞的打算就是：
既然終究是要後悔一輩子，選後者好像還可以少後悔兩年比較賺 XD
縱有數值分析的經驗，仍無法抵過本科生大學 CS 四年打的基礎
------------------------------------------
同意。不知道如果我能好好啃完 Introduction to Algorithms (CLRS)，
能不能稍微彌補一些？
得有心理準備接受低薪
-----------------------------
這的確是我要看開，並且先跟家人溝通好的一點。
至少在能力還沒建構起來可以有效說服雇主之前。
可以考慮走機器學習
-----------------------------
我還真的有考慮過 Machine Learning，把 edX 跟 Coursera 的課都修完了，
甚至失心瘋地花了錢把那兩張證照都買下來放上 Linkedin。
（自以為這樣就會有獵人頭來找我了哈哈）
ML 是很有趣，但它很難靠自己就玩出好結果，因為需要大量的數據。
不然就是要拿例如 Google 已經先 train 過放出的佛心 data 來用。
但這種也是可遇不可求吧。所以我覺得少了一點「浪漫」。
所謂浪漫就是，今天有了什麼有趣的點子，
做網站的人可以很快地靠自己實現它，
但 ML 是就算你有什麼好點子，也要先考慮如何搜集大量數據這個難題。
而這通常是很難靠一己之力完成的。
（ML 我只懂皮毛，有誤請指正）
總之人工智慧這方面，也是我內心深處的憧憬之一。
想當年剛去日本唸化學博士時，教授問我有沒有想要研究哪個新領域，
我試探性加抱著一絲希望地回答「人工智慧」。
教授很好心地說了些鼓勵的話後，
還是讓我做了個很正常的題目，模擬蛋白質分子。
跟大家分享一個點子，
我有想過做個「群眾外包式的類神經網路機器人對戰平台」，
就像 AlphaGo 跟自己下棋對戰做自我訓練一樣，
每個人只要開著瀏覽器就可以開始養自己的機器人。
可以讓它跟自己對戰精進能力，也可以跟別人訓練好的機器人對戰。
運算是在客戶端上，所以平台不用耗什麼運算資源。
流量需求也不大，因為只是傳遞訓練好的類神經網路參數。
要商業化的話還可以課金賣機器人配件 XD
各位大大你們誰來做一個吧！
點子免費授權使用，只要讓我當 VIP，金幣無限就好 :p
（這應該很難成功啦，除非能想到什麼方法將規則極簡化又不失遊戲性，
否則玩家可能要對著螢幕看機器人對戰一千次一萬次後，
才會發現一點點的進步。但在那之前，
大家一定都已經關上螢幕丟遙控器說「神經病」了吧。）
可考慮 Data Scientist
--------------------------
當 data scientist 的確是跟我現在身份最契合的一種前往業界的方式，
畢竟都是在做數值分析。可是這也表示這工作跟程式設計還是有很大的差距。
如果我單純只是想離開學界去業界的話，
data scientist 的確是對我而言最容易又直接的方式。
但問題是，教練，我想寫程式！
（以上也只是我對 data scientist 的初步認知，有誤請指正）
我這樣的背景應該去後端，因為前端技術更迭太快，
複雜的 UI 背後疊了各種框架造就了門檻。
---------------------------------------------------------
改成以後端為主的確是一個要認真考慮的選項。
不過網路上對後端的教學似乎不多，
通常只著重在寫資料庫、使用樣板、回傳表單或者直接套用 MVC framework 等，
對底層更深入的伺服器架構、分散式運算似乎很少著墨？
這樣的話不太容易自學的樣子。
而且老實說，我寫程式的動力大部分是來自於，
我知道現在辛苦地這樣弄那樣弄，
之後就可以看到我想要的東西在螢幕上 pew pew pew 地跑來跑去了！
（窩醬四不四很膚淺 QQ）
前端工程師不只要會 js 搞搞 react 寫寫 angular、vue 而已，
瀏覽器的運作，效能的優化，安全性的知識都是必要的。
---------------------------------------------------------
很認同，謝謝提醒。
Google 在 Udacity 上有提供兩個免費課程：
Website Performance Optimization https://goo.gl/k8uylN
Browser Rendering Optimization https://goo.gl/xSMb6B
MDN 上有關於安全性的教學文件
https://developer.mozilla.org/en-US/docs/Web/Security
我知道列出一堆其實我自己也還沒看過的教學資源是有點像在打高空說大話，
不過主要是想跟大家討論說，有這些資源的存在，
應該會讓我的成功率高一點吧？
背景非資訊的程式高手們，成立公司開發新東西吧
---------------------------------------------------------
其實說真的我也認同，若腦中有什麼宏大的願景、超棒的想法，
確認是可行的話，那直接借錢開公司，高薪聘請當下能找到的最棒的人才來做，
應該是最快的方式了，且對產業活絡也有幫助（吧？）
但一方面我現在也沒什麼立即性的偉大的點子要去實現，
二方面是花錢請人拼樂高，還是不如自己拼來得有趣呀！
台灣整體純軟的產業規模不大，薪水有其極限，
建議刷 leetcode 去美國中國等，長遠來看比現在更有發展機會。
---------------------------------------------------------
嗚嗚，我當然也想去美國發展呀，如果我有美國工作居留權，
當然優先找美國工作囉。
我知道不少人是用先去美國念 CS 碩再求職的方式，
但我實在不想再這樣繞一圈了，已經拖好久失去耐心想趕快上了。
回台灣的職涯發展，還是建議去加入GG
-------------------------------------
感謝建議，不過如果我對台 GG 有興趣，當初碩班畢業就會去啦。
現在一堆同學早已經在裡面不知道賺幾桶金囉。
留在日本不要回來搶工作啦！
----------------------------
大哥給條生路嘛～
可以嘗試進那種按學歷敘薪的大公司，也許很爛但至少保有一定薪水
---------------------------------------------------------------
這還真是我沒想過的策略。不過我有點在意「很爛」是什麼意思？
沒有創新？不重視技術？可能我得再深入了解才能決定是否要走這種偷吃步 :p
不過我大概能想像，太重視學歷的公司也許都比較死板吧？
就台灣的現狀而言，能讓人發揮技術、薪水夠高的工作，
絕大部分都是前途未卜的新創公司，要有一兩年就換工作的準備。
----------------------------------------------------------
其實我對新創公司還滿有好感的，
可能是覺得進去了會讓自己年輕十歲吧 XD
一直換工作是個問題，因為可能要搬家。
還好台灣小小的，似乎變成了優勢？
工作千萬要慎選，否則學不到好的開發習慣就只是浪費時間罷了
-----------------------------------------------------------
點頭如搗蒜。不過這似乎是個很難在進去公司前就發現的事情？
前端初學門檻不高，但要做到極致非常困難
-----------------------------------------
能理解但可能得等真的做下去後才能體會。
我會期許自己能往極致邁進。
底下再列一些大家說得很棒的話：
- 什麼都玩一玩很有趣，但轉換跑道來資訊業要想清楚，要在哪個領域好好奉獻。
因為人不可能做通家，只有「專精」才會有偉大的成就。
- 建立自信，不要便宜賣掉自己。
- 寫 blog，參與社群，做有技術深度與商業潛力的 side project。
- 思考的方式對了，技能自然跟著來。
所以「技術」不是最重要的，是對事情有沒有自己獨特的看法。
- 做自己沒做過的事情，並且把它做好，自然會有你的 reputation。
by 台大 葉丙成 （註：是有好心人跟我分享這句話，不是葉教授親自來跟我說啦 XD）
另外也有人跟我分享了一些可以嘗試的公司的資訊，非常感謝。
只是目前還在整理履歷中，畢竟領域差太大，學界的 CV 無法直接拿來用。
而且有些東西其實還是要沈澱一下，請再給我一些時間吧。
感謝大家與我分享討論，我會盡快確立思路，展開新的旅途。（準備跳水）
最後補充個想離開學界的原因。我現在身處的環境其實讓人有點寂寞，
沒有技術控，大家重視的東西都跟我不一樣。（以前曾有一個，不過後來跑去東京了）
我好想嘗試 pair coding，也好想有朋友跟我在 Github 上拉來拉去呀呀呀！
（Update: 有人提醒一般正確是講 pair programming。）
P.S. 我在文章裡刻意不寫上各位前輩的 id，不是不想給 credit，
而是因為有些人是寄私信，不確定好不好透露，且避免版面太亂而作罷。
另外給了 credit 不知道會不會感覺變成我是什麼總編輯在收錄名言佳句，
對沒有入圍的作品好像很對不起一樣 ><
不是不是，每個留言我都很認真看待，反覆思量。
這裡只是放些我目前能回應的部份。
UPDATE 2018/06/05
=================
距離這篇文章已超過一年，
也許會有人好奇我後來的去向，所以偷偷更新一下。
我後來回台進了趨勢科技，當 Machine Learning Engineer。
現在工作了約一個半月，很是開心。
這個部門學習風氣盛，
能跟一群對技術有熱忱的朋友一起精進自己，我感到很幸運。
最後請讓我炫耀一下，果然 Leetcode 有準備有差，
當聽到自己的 Codility 分數是一百分時，
我不禁高興地舉起雙手歡呼！
雖然不確定趨勢最後決定錄取我跟這分數是否有關，
但總之知道自己在最後幾分鐘才 debug 完成的程式通過了所有 test cases，
就是讓人全身舒暢，就是爽啦！
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 121.84.153.129
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1492451432.A.CAF.html
推
04/18 02:17, , 1F
04/18 02:17, 1F
推
04/18 02:28, , 2F
04/18 02:28, 2F
推
04/18 03:22, , 3F
04/18 03:22, 3F
→
04/18 03:22, , 4F
04/18 03:22, 4F
→
04/18 03:22, , 5F
04/18 03:22, 5F
→
04/18 03:22, , 6F
04/18 03:22, 6F
→
04/18 03:23, , 7F
04/18 03:23, 7F
→
04/18 04:05, , 8F
04/18 04:05, 8F
→
04/18 04:09, , 9F
04/18 04:09, 9F
→
04/18 04:10, , 10F
04/18 04:10, 10F
→
04/18 04:11, , 11F
04/18 04:11, 11F
→
04/18 04:12, , 12F
04/18 04:12, 12F
→
04/18 04:14, , 13F
04/18 04:14, 13F
推
04/18 05:12, , 14F
04/18 05:12, 14F
→
04/18 05:13, , 15F
04/18 05:13, 15F
→
04/18 05:14, , 16F
04/18 05:14, 16F
→
04/18 05:15, , 17F
04/18 05:15, 17F
→
04/18 05:16, , 18F
04/18 05:16, 18F
推
04/18 05:37, , 19F
04/18 05:37, 19F
→
04/18 05:38, , 20F
04/18 05:38, 20F
推
04/18 07:53, , 21F
04/18 07:53, 21F
推
04/18 08:33, , 22F
04/18 08:33, 22F
→
04/18 08:37, , 23F
04/18 08:37, 23F
→
04/18 08:40, , 24F
04/18 08:40, 24F
推
04/18 08:51, , 25F
04/18 08:51, 25F
推
04/18 09:20, , 26F
04/18 09:20, 26F
推
04/18 09:28, , 27F
04/18 09:28, 27F
→
04/18 09:28, , 28F
04/18 09:28, 28F
→
04/18 09:29, , 29F
04/18 09:29, 29F
→
04/18 09:30, , 30F
04/18 09:30, 30F
推
04/18 10:37, , 31F
04/18 10:37, 31F
推
04/18 14:07, , 32F
04/18 14:07, 32F
※ 編輯: TuTu522 (133.1.24.67), 04/18/2017 15:43:22
推
04/18 16:23, , 33F
04/18 16:23, 33F
推
04/18 17:08, , 34F
04/18 17:08, 34F
→
04/18 17:09, , 35F
04/18 17:09, 35F
→
04/18 17:10, , 36F
04/18 17:10, 36F
推
04/18 19:51, , 37F
04/18 19:51, 37F
→
04/18 19:51, , 38F
04/18 19:51, 38F
推
04/18 21:21, , 39F
04/18 21:21, 39F
→
04/18 21:22, , 40F
04/18 21:22, 40F
→
04/18 21:32, , 41F
04/18 21:32, 41F
→
04/19 12:39, , 42F
04/19 12:39, 42F
→
04/19 12:39, , 43F
04/19 12:39, 43F
→
04/19 12:40, , 44F
04/19 12:40, 44F
→
04/19 12:41, , 45F
04/19 12:41, 45F
→
04/19 12:41, , 46F
04/19 12:41, 46F
→
04/19 18:21, , 47F
04/19 18:21, 47F
→
04/20 20:55, , 48F
04/20 20:55, 48F
※ 編輯: TuTu522 (114.34.34.152), 06/05/2018 22:53:59
推
08/10 03:08, , 49F
08/10 03:08, 49F
→
08/10 03:12, , 50F
08/10 03:12, 50F
→
08/10 03:15, , 51F
08/10 03:15, 51F
→
08/10 03:17, , 52F
08/10 03:17, 52F
討論串 (同標題文章)