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！
