- UID
- 1317038
- 在线时间
- 小时
- 注册时间
- 2017-11-22
- 最后登录
- 1970-1-1
- 主题
- 帖子
- 性别
- 保密
|
楼主是迈阿密大学MSBA项目2018届的学生.
在迈阿密读书总体来说是很开心的,因为天气很好,项目本身也能学到很多东西,最后也很顺利地找到了一份entry level data engineer的工作.
先说说课程设置吧,课程设置会cover大部分工作中需要的技能,迈阿密大学的课程设置是围绕着实用为主的,每一年的课程都会针对最新的
反馈(来自学生,公司,或者其他方面的建议)进行调整.不能说课程设置百分百就是你想要的或者正确的,但是本身这个调整机制是为迎合公司
需求,希望项目的学生更有竞争力而设置的.另外说一下tech不tech的问题,这个问题其实因人而异,如果你本身是数理背景的,一些基础课对你
来说绝对是小菜一碟,但是没有数理背景的话,你得从零开始学起.第一学期第二个term开始,课会越来越难,很多本届的学生反应课程太难,教授
也适当降低了课程难度,可以这么说,课上的内容如果你去深究,会非常非常tech,如果只是说想学到能够应用的程度,那么我感觉是适中的.
再说说找工作的事儿吧.项目里会提供很多机会给同学,但是这些机会不仅仅只是给中国学生的,还有外国学生,一般interview的名额是各占一半.
像这种由公司让学校发学生简历的机会, 公司和学校一般是会看个人综合能力,比如GPA,英语水平,沟通技能等等.所以并不是说来了这个项目,就是包工作
或者说工作很好找这么简单.如果面试者本身并不具备公司看重的条件,即使有第一轮interview的机会,也会被筛下去,这一点请想来这个项目的同
学们切记!!!!另外,虽然机会确实很多,也比自己在外面投简历来得容易,但是项目内的学生本身也是存在一种竞争关系,谁的简历被公司选上去,谁的简历
不被选上去,这点就看各自的本事了. (通常有工作经验和intern的会被选的概率比较大, 但是也有同学是没有经验被选上的,其次简历内容至关重要,两者若有一者非常突出也是行的)
最后再说一下一些'大道理',我觉得这部分才是你能不能找到工作的成因.请大家想几个问题:
1.你觉得什么是Business Analytics?或者什么是Data Science?
2.当你明白第一个问题以后,什么技能是你必备的?你该怎么准备?
3.你的简历上有任何的经历能够展现你在BA或者DS方面的能力吗?如果有的话,你能把这段经历当成一个故事讲给面试官听并说服他们你的这种能力
可以在将来帮助到公司吗?(一般面试官不会想听泛泛而谈的东西,只关注你能不能给公司带来实际的东西)4.你的communication skill好不好? 经常性的在interview里,一些interaction是非常必要的,因为这将会给你的communication skill加分. 被问到问题千万不要
一下子就开始答题,试着和面试官再次确认一下你对题目的理解.面试不是考试,真的不需要你对答如流,相反,当有问题你卡住了,你愿意和面试官沟通并且讲解你自己对问题的理解,
这反而会让他觉得你在实际解决未知的问题的时候也是以一种沟通的方式进行的.
其实面试方面还有很多是可以讲的,去网上查一查也有一大堆资料,重点是平时得找对方向去准备,因为项目的时间是10个月(当然也是可以延期的),除了平时上课,还得去参加info session,
非常非常忙,如果仅仅只是在面试前去抱佛脚, 是比较不现实的.
—————————————————— 5/26/2019 updated ————————————————————
更新一下课程设置的内容，这个是我给一个帖子的回帖，起因是想解释一下到底UM的课程设置tech不tech的问题，
大家可以根据自己的感觉去定义这个事情：
项目本身是比较注重实际应用的, 也会考虑到不同同学个人的实际接受能力,
所以如果是难的课一般考试会稍稍降低难度, 学习内容并没有减少多少. 再说说我们具体学了什么课吧,
主要分三个方面, 统计理论和模型, 编程(主要涉及machine learning的package), 商科课程(比如marketing, supply chain,
还有一门必修的做presentation和写writing的课).
统计理论的课, 一开始是比较初阶的linear analysis, 主要是讲
怎么基于model做inference, 线性回归在面试里以及实际应用中比较广泛,因为简单好解释, 所以这门课虽然是初级课,但是应用
会比较广, 毕竟不是所有人都懂bagging, boosting或者deep learning的.
后面又会上machine learning这个课也有两个层次,
你可以选择高阶课, 也可以选择普通课, 主要涉及模型的理论基础和怎么应用模型, 比如线性结构的模型, 又比如树结构的模型,
他们的优缺点, loss function是什么, 基于什么假设, 都会涉及一些,并且会开设一个in class kaggle竞赛(高阶课里是直接参与kaggle竞赛, 区别是数据是教授给的还是kaggle host给的还有data size),
我们这一次比赛的data是imbalanced, 所以怎么处理imbalanced data, 怎么做data preprocessing, 比如PCA, normalization, train test split, 具体怎么做classification, 怎么调参, 大家到最后都会明白一些,
同时这个项目是可以写进简历里面试的时候说的. 高阶课里还会涉及一些推荐系统和神经网络的内容, 有兴趣是可以和教授探讨的, 考试里可能不做要求, 毕竟一个BA的课程里讲推荐系统确实要求有点高了.
再后面是讲神经网络, 自然语言处理(NLP), 图像处理, 以及时间序列. 神经网络这门课除了必修的一门课, 还可以专门选修CS系的一门课的, 两门课用的包不一样, 一门课主要用keras, 另外一门是用pytorch,
如果对神经网络有兴趣的话, 并且想深学的话, 建议学一下CS系的那门课, 因为pytorch对于神经网络的运用更灵活一些, keras比较简单容易上手但是customization这方面很差. 时间序列这门课, 老师人很
nice, 并且教的很认真, 是个大美女.(真的不吹牛)
哦! 对了, 统计课最开始是有一门boot camp, 主要讲一些基础统计理论, 比如最大似然数(这个东西就和后面model的loss function联系起来了), 期望的积分公式, 矩阵, cdf, pdf,
贝叶斯理论, 高斯分布, 泊松分布, Chi-Square这些, 会大略讲一下这些分布都什么性质, 有什么用处, 还有一大堆学了很快就会忘的东西. (这门课只有两个礼拜,算是为了没有基础的同学打下基础用的,也分两个level, 可以选简单的也可以选难的). 还有一门必修的optimization的课, 讲的是怎么找到最优解, 这门课也很有意思, 因为大致是拿来写最优化方程的, 具体要做optimization的话得用到电脑但是这门课算是一个理论课最多是用excel, matlab做一下简单的实现. 当然这不代表考试的时候不用计算只用写个方程就是了, 还挺麻烦的.
编程课除了R, SQL, tableau, 其他都是选修. 我们大多数课是基于R, R的话会教你怎么做可视化, 主要涉及的包是ggplot, 一个map的package(具体我也忘记了), 还有更advanced是用shinny app做, 做成一个网站一样的东西当最后的project, 还有之前说的建模, time series, data pre-processing, data cleaning这些都会用R涉及一些. (我平时主要用Python, 所以R的课上的不是很细, 有点反其道而行) SQL的话会讲到一些query, 但是对于数据库的搭建这方面是不会涉及的, 另外怎么做优化运算, 怎么考虑时间复杂度和空间复杂度, 不会涉及. (大部分是BA岗的日常要求, 总不能指望一个analyst去抢data engineer的饭碗吧) Tableau算是比较fancy的软件了, 做可视化很好用也很方便, 最后会有一个project是关于tableau的, 这个软件其实上手比较快, 所以是和SQL一起上的.
再讲讲Python吧, 我们python的教授比较, 怎么说呢, 比较严厉吧, 要求也很高. 我们上python那会儿, 只简单讲了一下list, 他就拿一个公司面试题给我们写, 当时是很崩溃的. 后面更惨绝人寰, 给了一个project, 要
自己做一个餐馆的menu, 基本要求是能够点单, 删除, 计算, 算小费, 退出点单系统之类的. (那会儿刚接触编程, 半夜写代码很愁, 而且这个课是只有6个礼拜的, 东西讲的有点快) 我们最后一个project是最最
难的, 用oop模拟社交关系, 还有很多忘记了, 记得那个project有20-30道题目, 最后是没人能做完. 不过现在好像换教授了(可能被举报太难了?), 下一届可能不会那么难了. 虽然很辛苦, 但是还是觉得学到很多python的基础知识的.
然后是Spark, 我们也上Spark的. Spark是基于RDD做运算的一个框架, 主要是拿来做分布式运算的(简单点讲就是让我处理数据的速度更快). 这个课就和大数据直接相关了, 因为数据量不大, 一般可能用不到
Spark做运算. 老师讲课一般, 但是该涉及到的内容都会涉及, 主要是数据处理, 模型训练, 会讲到流处理的应用(这个比较advanced了), 当然还有之前讲到的自然语言这些. 这个课之后好像会改成选修课, 因为BA或者DA
用到Spark的不多, DS会用到比较多.
商科课程里最先说说必修的critical thinking, 这门课对陆本的同学很重要, 因为有很多机会锻炼口语, 写作以及怎么做presentation. 我觉得这门课是很良心的, 教授都有很多的这方面的经验,
同时会给同学一些实际的case, 自己表达自己的观点. 其次是supply chain, 很多公司来招聘都是招的supply chain analyst, 这门课的老师其中之一是麦肯锡的senior partner, 还有一位印度老师, 两个人讲的都很生动,
会教很多现实里的case, 作业极难, 而且很多要自己去网上找资料, 还会教怎么用python 做supply chain的simulation, 他们这种教法难是很难, 但是对于自主思考这方面给了充足的空间, 以后如果是在面试中, 可以提到一些
课里的内容会有很大的帮助. Marketing没上过, 不过据说也比较麻烦. 还有人上过accounting analysis, 那个好像需要之前是accounting major或者上过相关课程的同学才可以上, 没机会上到.
除了之前讲的三大类, 还会有一个和当地公司合作的capstone. 对于这个capstone, 褒贬不一, 有些公司会认真对待, 有些公司可能就不是很care, 所以capstone的质量如何, 还得看分到什么公司. (也有些公司可以把你的capstone转成intern, 这样做的好处是你相当于多了一段美国intern的经历, 在之后找工作的时候好处很多) 最后capstone是要给公司高层做演讲的, 我们天去做presentation来了一个vice president, 大概有10来个人不同部门的人来, 还挺好玩的.
具体来说UM的课tech不tech其实得看你选的是什么课了, 如果想选难得课, 是可以用Elective的课去换非常tech的课, 但是这毕竟是一个以BA为主的项目, 项目虽然能在一定程度上提供flexibility同时给出难易两种课程, 照顾到不同背景的同学, 也不能把所有DS的内容都在照搬到BA的项目里去, 大致的教学方式是以实用为主, 公司对BA岗位的要求为主, 以同学们能力背景为主.
据说下一届好像有DS track, 而且时间是一年半, 不是很确定, 真的有想学非常tech的课的想法, 走这条路试一试.
最后再讲一讲找工作的优势吧! 项目找工作的亮点在于, 凡是找到学校里, 希望通过项目找到几个analyst的公司, 他们最后都会招走几个人.
也就是说, 你的竞争者只在这个项目里面, 而不是其他学校其他地方的人. 这样大大加大了被选到interview的几率. 在美国这边, 开始找工作
投简历, 很多时候是没有回应的, 除非简历十分好看. 而UM的MSBA项目, 真的是很认真的在拉公司来做presentation以及询问是否有工作
岗位空缺的.
—————————————————— 3/16/2020 updated ————————————————————
说一下接到第一个offer之后发生的事，接到offer以后中美开始打贸易战，由于楼主去的是一个航空公司，最后offer被cancel了。当时已经relocate到那个公司所在的城市，
并且租好了房子，接到通知的时候OPT只剩下两个半月的时间，所以情况还是比较严峻的。后来只得重新开始找工作，拿了一个start-up的DE offer，只能先去了。工作了
几个月发现和这个公司的working style不符，后来就不做了。提醒一下去start-up的同学，在start-up里你可能需要一个人去完成一个project，并且没有training program帮助你去获得
一些工作中需要掌握的知识，所有的一切都需要你自己一个人去网上找资料并且在极短的时间里完成，压力还是很大的。之后又重新开始找工作，从2020年开始，工作
明显开始比2019年难找，这个也是因为经济形势的原因，有些公司开始减少这方面的budget，还有一个就是没有学校牵线，拿到面试的机会也少了。最终拿了一个澳大利亚银行的offer，以及一个国内华为的offer。因为疫情原因，最后还是回国保命了，现在在酒店隔离，之后可能会去华为也可能重新回美国去银行工作（如果h1b能下来）。在美国求职的经历还是很坎坷的，我从毕业开始总共搬了五次家，先后去了佛州，新泽西，纽约等几个城市，估计没有几个人会有我这种经历，所以个人感觉华为虽然苦但是更稳定一些。
以上，是此次求学求职的经历，与君共勉，希望大家以后能够走得更远吧。
|
|
京公网安备11010202008513号 京ICP证101109号 京ICP备12012021号
发表于 2019-3-11 06:20:33
收藏
收藏
楼主
