发布了笔记 1天前

机器学习量化金融

机器学习的优势就在于 能够提供对于非线性关系的模糊处理 弥补了我们人脑这样一个思维模式 同时利用相关算法 也可以大幅的提高数据挖掘 处理的效率 哈喽大家好啊 我是理发导师Derek 机器学习这项技术相信大家并不陌生 今天呢我们就来聊一聊 机器学习 在量化金融领域的机遇和挑战 机器学习技术呢 在金融市场中的应用 正以非常惊人的速度 引领着这个行业的革新 随着我们可以获得的数据量越来越大 金融领域的各种应用呢 也已经验证了 使用人工智能 确实可以更好的进行投资 或者业务决策 人们呢也更加愿意相信 人工智能技术在金融领域的应用前景 但人工智能呢 它是提供了一种适用于从个人数据 到业务流程的高效数据分析工具 同时呢我们也看到 越来越多的金融机构 开始使用机器学习方法 从而期望在市场竞争中 获得呃一个优势 包括有一些量化投资机构 也已经在逐渐的抛弃传统的分析方法 转而使用机器学习算法 预测市场走势和选择投资组合 与传统投资方式相比呢 量化投资呢 具有更高的效率和准确性 因为其更多的是依托于数据模型 寻找计算啊最优的这样一个投资策略 而机器学习的优势就在于 能够提供对于非线性关系的模糊处理 弥补了我们人脑这样一个思维模式 同时利用相关算法 也可以大幅的提高数据挖掘 处理的效率 借助机器学习 确实是可以让我们的量化投资策略 变得更加丰富 拿一些实际的应用来举例子 像rebellion research 是世界首款 完全由人工智能驱动的基金 一个基金呢 在应用过程中 对于2008年的股市公盘 进行了非常精准的预测 并且在下一年9月 就对希腊债券信用评级 给出了f评级这样一个结果 这个结果 是早于汇域评级给出的结果的 按照 像rebellion research这样一个人工智能系统 通过自我学习全球53个国家的股票 债券外汇和大宗商品的交易数据 来评估各种资产组合的未来收益 和潜在风险 从而帮助客户去这样合理配置资产 像该模型的人工智能系统呢 基于贝叶斯算法 对于宏观 行业 和公司的三个层面的数据进行分析 而且呢该模型还能够自动将一数据 和最新数据进行整合 使得它能够自动的来预测 市场的这样一个走势 当然了我们也看到 机器学习的应用并不是完美的 但在投资领域 应用机器学习算法 仍然存在着不少的呃问题和挑战 相对于传统的方法而言 机器学习方法存在四个很大的优势 非线性的优势 数据化优势速度优势和复杂度优势 但是呢金融数据的高噪音低维输入 动态性的特点 给这些应用带来了非常大的挑战 像我们常用的实时金融数据集 范围大幅的增加 包括从在线交易记录到高频的限价单 试驾单等各种数据 由于呢 这些数据的低信噪比和复杂多模态等 特点常常使得我们的模型学习效果 不能得到一个很好的稳定性的保证 但数据中的噪音呢 可能会被误读为交易信号 从而导致潜在的财务损失 甚至引发呢非常严重的危机 而机器学习呢 它最容易陷入的误区 就是对于数据的过度挖掘 不当的使用机器学习算法 可能呢导致结果过腻 和严重降低历史数据和预测的相关性 机器学习算法呢 目前在这个投资领域的应用方式 其实也较为单一 大多数呢 像我们熟知的 就定义为涨跌幅的预测的回归任务 或者是涨跌幅的分类任务 像这样一来呢 它面临的就是金融信号的低性噪比 一个简单的模型它能够过滤掉噪音 但是呢同时也会把交易信号过滤掉 复杂的模型的相反 所以最好来说 一般机器学习算法 也需要和传统量化投资的专业知识 进行一个相结合 专业知识的相结合不仅呢 可以帮我们改进模型 还能够从经济金融学的角度 来理解模型的行为 如果能够得到这样相互的一个印证 那么其实我们的模型输出可信度 便可以大大的提升 为综上所述 我们不难看出 机器学习这项技术在量化金融领域呢 呃 其实还是有非常广阔的应用前景的 但其实就像任何一样 新兴技术总是机遇和挑战并存的 所以呃 以后希望在化金融领域从业的同学们 一定要勇于探索 深入了解和掌握这项技术 我们才能与时俱进 不被淘汰啊 以上这些呢 是我们今 天分享的全部内容 如果 还有任何关于机器学习相关的问题 随时可以咨询李巴老师 我们下期再见啦

发布了笔记 1天前

金融行业vsIT行业那个更容易年薪百万

其实很多人比较感兴趣的是 薪资方向的问题 然后呢我们可以问下老师 如果单从薪资方面考虑的话 金融行业和it行业 哪个更容易年薪百万 嗯这个对于我来说 可能 可能是一个比较难以回答的问题吧 就是我也会解释下 为什么我觉得难以回答 因为呃总的来说 金融跟it还是两个比较大的领域 就是说他每个领域底下还会有细分 像金融你可以是 比方说你可以说是做资本市场的 你也可以是做风险管理的 你可以是做传统金融的 就是就比方贷款这些业务的 你可以是保险或者证券公司的 这种啊 各个各方面 然后包括it也是 你可以是做开发的 可以是做应为的 做测试的 然后包括还有更有还有更高级别 比方说你是做呃AI 或者人工智能相相关的东西 算法之类的东西的 就就说不同的细分领域 它的差距还是会有一些的 像这种的 你做前台 做呃sales and trading 像这种就是工作强度会比较大一点 但是当你业绩好的时候 你的你的呃收入 尤其是就是奖励部分的收入 可能是成倍的在增加的 同理就是在在it方面 就是你做呃开发 也就是做呃比方说算法相关 比较呃 门槛相对更高一些的工作的时候 你会比一些呃运维 运维方面的岗位收入会要高一些的 所以说这个还是所以说我觉得他难 难以回答的点在于 就是说 还是要看具体呃细分到哪一个领域 然后更有甚者 比方说现在呃 把金融和it两个结合起来的呃 比方说像量化行业呃 它需要你同时具备很强的金融的能力 和it能力 这样的话 其实对于量化行业来说 它们的整体性质 就是一个比较高的水平 所以说我觉得这个问题要具体到 看具体的哪一个细分的领域 然后如果真的让我回答一下 金融跟爱奇艺哪个更容易年薪百万呢 就我自己个人的一些理解啊 也有可能大家有不不一样的意见 就是我觉得可能对于我自己来说 我觉得ID行业更容易年薪百万一些 是因为我觉得it行业对于未来来说 它的应用的场景更广 就是我们现在生活中接触的一切东西 它在未来的某个时间点 它都可能进行进行it化 就比方说它会智能化自动化怎样的 呃对于我来说 可能金融在变革的可能性上 会比it略微小一些 所以这就是我愿意给it这个 更多青睐一点的原因吧

发布了笔记 2天前

data工作黑幕

先说data science啊 我个人觉得最大一个就是黑幕 就是啊你学的东西可能非常的Fancy 非常的Vans 非常的state of the art 但是啊实际工作里面根本用不到 就是你在工作的过程中 你会慢慢体会到一句老话 就是平平凡凡才是真 就是有些东西虽然很好用 很fancy和advance 但是不一定 所有人都能get到你这个advance的点 或者说 不一定很多人都愿意相信你啊 这是这个reality的一个现实 也是每一个scientists都要面对的现实 就是你能come up with a good theory 就你有一个很成熟的一个内容和东西 但是不一定大众 或者是整个的 就是广泛的audience已经都ready for了 就是大家都愿意去用这个东西 这个还是有差别和距离的 你就打个比方 比如差GPT 其实GPT的东西 已经在几年前就已经有了 但是为什么直到最近 这个东西才真的被大 就是大众所接受呢 就这就会嗯 牵扯到一个adoption education这样一个process 所以有时候你学到的东西虽然很fancy 但是你工作的时候是用不到的 另外一个黑幕就是啊 很多人觉得 dialyst是一个 很搞不清楚是什么的一个工作啊 那么恭喜你 这个感觉是对的 因为很多这些做这些工作 或者是设置这些title的这些人 他们不一定真的搞明白他们想要什么 而且他们也真的不太搞明白 dialyst和dialyst有什么区 别而且一大黑幕或者一大瓜 就是他们可能甚至只是没有budget 去招一个dialyst 那他们就会把他们的title设成dialyst yeah i know 就是他们真的会有这样的操作 因为不同的title他们会有不同的level 而且在不同的level上面 他们就会有设置不同的薪水 所以他们会根据他们的公司情况 然后来去找人 所以你可能会看到一个data analyst title 但是job disco的内容全部都是 data science work data scientist work啊 甚至可能甚至还有些did engineer work 就who knows啊 就是公司穷了 真的什么事情都能干出来 嗯相信我 还有一个黑幕就是啊 我是Dana engineer 然后我的前身是sophoengineer 我肯定干很多code 我其实就是个码农 我其实就是一个去拧螺丝 写扣的这样一个人 但是no no no no no 你错了就是在data的新环境下面 你不仅要去做 你原本做的那些coding的部分 你还要试图去理解 说到底整个的business plan 或者data的这个demon是什么样的 就surprisingly 你现在可能啊还是很就是挨的 就很安静的一个工作 但是你需要跟前端的一些人 去做更多的沟通啊 而且同时还有个很重要的一点就是呃 你会出现一个什么状况呢 就是你自己去做present很多东西 然后前面的人就会bata school of啊 这也是呃学校不可能教给你的 或者不can教给你的东西 但是呃过来 人可以告诉你嗯 Dale scientist也有另外一个 很大的一个 我不能算是坑吧 但是一个瓜 就是你觉得你的data其实已经ready了 但是当你真的去做的时候 你就发现哪里都是问题 你这个时候就要put on your data engineer hat 然后 你就要开始做一些data engineer的活啊 而且你还不能指望 DNA就真的把这个活帮你去做好 因为你给他们解释功夫 你可能自己都做出来了 嗯 这也是一些所谓的黑幕和一些瓜吧

发布了笔记 3天前

美国和加拿大的对比

那我们来聊一下美国跟加拿大的对比 那么美国 其实是一个我个人觉得是节奏 工作节奏会比较快的一个地方 竞争也会相对比较激烈 但是同样的 就是作为竞争激烈的一个结果 就非常多的机会 不会有非常多的这些risk 你需要考虑到 那么在工作方面 尤其是这个science 朋友美国最近几年的 其实不管是Lao还是opening都很多啊 所以也确实是 在这样的一个改革的一个阶段 所以会有很多动荡 但是总体来说 美国的整体的经济还是更活跃 而且job market会更嗯更active这样 而且美国的工作是同level 或者是同情况的 跟加拿大做对比了 其实要比加拿大的钱会更多一些 当然就是HIGHER risk higher的return 那么其实我会觉得美国更适合一些 就是新华American dream 然后有很多的抱负和理想的卷娃们 去的不一定是真的卷 但是你一定是一个把工作 和你的个人成就 什么achievement的这些ambition 放在很高的位置上的 嗯会比较适合 美国那边的工作环境跟就是社会环境 加拿大这边就是 我经常开玩笑讲 说美国其实有点像就是北美巨统 加拿大就是北美巨熊 就是一个非常 怎么说呢 都很很很贪 很很很佛的一个地方 就打比方来说 我拿我自己做做比方吧 我其实就觉得我是一个生物 节奏是特别慢的一个人 所以我在加拿大会感觉到很很舒服 没有那么多的强烈的对比感 不会有那么多的杂事 就比方说你在工作当中 其实很多人也会非常的chill 而且非常分离 就加拿大人的stereotype是吻合的 加拿大人确实是相对的比较温和 而且比较礼貌 有时候 甚至可能礼貌的有那么一点点过分 嗯而且我其实自己有一个heart take 就可能就和和大部分人的想法不一样 就是我会觉得 加拿大其实他的学术氛围是很好的 虽然排名什么的 就是美国肯定还是更领先 但是我会觉得加拿大这些学校 其实大部分学校 公立性可能没有那么强 有很多的学校 尤其是像澳门UTL的这种 这种学校在理工科方面 他们其实是有很多的 这种对于学生的实践能力 和就是Siri的两两两手抓的 这样的一个能力和追求吧 那么这点 我觉得 其实很多美国学校不一定真的有 也有但是普遍 我觉得没有像加拿大这边的这么注重 嗯 可能还是归源于整个的一个生活节奏 和态度因为加拿大人 我觉得其实还是比较把生活 作为他们的一个更高的pride了 所以我觉得美国加拿大 说白了最大的一个区别 其实就在于节奏的快慢 和生活和工作的这更看重哪哪一方 所以主要要看这两方面 而最近几年 其实又出现了一个更新的情况 就是关于这些移民政策 然后还有一些就是公签的这些问题 但是美国的很多小伙伴 到最后跑到加拿大的 一个很重要的原因就是在此 因为加拿大作为一个移民大国 他很多移民政策 还有就是在这些工作签证上面的处理 会比美国要更好一点 就是美国真的会有很多人等了很久 日本跟前者 都没有办法得到一个特别稳定的 这样的一个结果 所以 加拿大会是一个比较稳妥的second notion 这也是很多人选择它的一个原因 别的其实整体来说 美美其实还是有很多相似之处的 你会发现 美国很多公司在加拿大都有分布 而且加拿大人和美国也是 确实联系很紧密 嗯而且很多的加拿大的这种包容性 其实也导致了有很多的美国人 愿意来这边去寻求一些商机 所以就是两个国家的差别 其实不是那么的大 但是重要的就是在于 工作节奏跟移民政策上面 这两大区别 可能是导致不同的人做不同选择时候 我觉得比较重要的一个factor

发布了笔记 3天前

文科生成功转码

哈喽大家好 我是妮娜 是一名有着3年工作经验的daviscientist 又到了一年一度的找工高峰季 最近 我在抖音上收到不少小伙伴的Richard 询问我 有关数据分析求职的经验和建议 其中 有不少小伙伴和我的背景比较类似 本科专业没有数据分析相关的实习 也没有在美国工作的经验 他们也都有相同的困惑 数据分析的门槛到底有多高 我到底适合数据分析吗 以及如何扭转0认识0 offer的局面 鉴于 我已经在这条路上摸爬滚打很久了 今天我很想给大家分享一下 文科转数据分析的经验和干货 如果你也感兴趣的话 就继续看下去吧 在开始之前 我想先跟大家简单介绍一下我的背景 我的本科 是新闻学院项目的广告学专业 研究生 是商学院项目的市场营销分析专业 和商科理科专业数据分析的人不同 我是纯纯文科背景 没有任何数学基础 其次我的实习 大多数是传统媒体 和市场营销方面的实习 我没有任何数据分析相关的经验 拥有这样的地域式开局 求职的过程非常非常艰辛 但是一切并不是不可能的 只要我们准备的方向是对的 准备的非常充分 我们也一定可以斩获offer 在了解了 数据分析的主要公司内容之后 接下来我们要了解一下 文科转数据分析的最大阻碍在哪里 对于我个人来说 我最大的阻碍莫过于我的数学 尤其是统计 在认识到这一点之后 我就开始了大量的网课 学习我学习了google的a b testing课程 还有harvard的非常著名的cs幺零课程 其次 会看了大量的和统计相关的书籍 比如说introduction to probability 比如说practical stats for data scientists 还有time series analysis 在这个过程中 我也同时阅读了大量有DS相关的job description这些JD告诉我 他们非常看重a b testing 和predictive modeling的经验 如果你有neural network 或者是处理大数据的经验 是非常加分的 因此我也着重加强了我在a b testing 和deep learning方面的学习 也为我丰富简历 开拓思路 在完善这一切查补缺之后 接下来我们就要学习如何包装自己 让自己成为一个非常合格的DS candidate 在这个过程中 首先我会在简历里 列举我学过的所有和数据 和数据分析相关的课程 其次对于我的实习经历 我会着重强调和数据分析相关的经验 而弱化其他方面的经验 比如说我之前有一段 在欧莱雅市场部门的实习 我就会弱化我在sales和campaign brainstorming这一块的经验 反而强调我是如何用数据分析工具 去分析和处理campaign和sales performance的 并且在这一过程中 我会强调数据量级分析工具的使用 以及最后的campaign表现 至此如果我们的实习经验过于单薄 不够cover所有的JD上的要求 我会在额外添加我和JD一些关键词 强相关的project performance 然而文科者数据分析并不是 只有困难没有优势的数据分析 不只是简简单单处理数据 business非常关键 也是我们作为人不可被取代的一点 因此 我们一定要好好利用自己的背景优势 对于我来讲 我有着广告和市场的背景 在处理数据问题过程中 我会着重利用自己的市场分析 的思维优势 我会把注意力放在定位问题 多角度分析问题和给出合理化建议上 这里我比较建议大家找工作的时候 去找和自己的专业比较相关的行业 或者是在面试之前 对这家公司 以及所属行业进行更加深刻的了解 同时我也推荐一本书叫DST空challenge 这对训练我们解决问题的思维 是很有帮助的 记住没有任何一个数据分析问题 是可以脱离business context的 我们一定要好好利用的 是自己的思维优势 最后我想说 文科转数据分析并不是天方夜谭 只要我们学会查漏补缺 合理包装自己 并且充分利用自己的背景优势 我们最后一定都会上岸 掌握心仪的offer

发布了笔记 4天前

data投递100次拿offer不容易

data投递100次拿offer不容易 100分里面可能是五五到10分 应该得一个 得到回复 不管是笔试啊面试啊 或者那个用出面的一个封号任何的 只要没有被拒的5到10分 我觉得 已经是一个比较优秀的一个简历了 这个的时候我觉得就是没有问题 你只要继续投 你只要你就会能一直拿到 这样的面试机会 这种应该是很很有机会能够伤害的 一个有趣的说法 说是面10次好像可能不必定是面试 就是得到10个回复里面最后能成一个 但是我觉得 这个可能稍微有那么一点点太夸张 我觉得在在简历那一步 被刷掉的这个概率是会不 不说概率 是说它的一个比例 可能是会比你拿到面试 最后到offer这个要更高的 也就是说其实你拿到了面试 代表这个公司已经愿意付出 呃比如说好好几轮 好几个很多人力的这个资源 来考察你这个人才 已经是说明你这这个已经是很有希望 当然这个很很很大取决于就是每个呃 每个同学 他自己的水平 有的人可能就是面试技能非常强 他可能只是简历就是没有找 好好的修改 但是他其实个人技能是非常强 到面试的时候 口顶啊什么的问题都能对答如流 那么他拿到offer其实是非常容易的 我只是说 就是一个比较大概的一个秘密 可能会是最后1到2分吧

发布了笔记 4天前

什么样的实习在北美找CS岗位更有含金量

那我们可以问一下老师 什么样的实习 到北美找CS岗位才更有含金量 我把这个分为大概四档 首先有实习肯定是比没有实习好的 这个是一定的 但不同的实习 之间的含金量也是不一样的 首先我觉得最有含金量 就是最能能够受到认可的 就是在外企的知名大公司实习 比如像微软啊 亚马逊啊 谷歌啊这些公司 那这些公司都是全球知名的公司 能够在这些公司实习的话 对将来找全职工作是很有好处的 而且 很多人可能通过实习就能直接转正 这样的话就不用去找钱的工作了 但人在国内的学生来说 我觉得即使没有办法在美国进行实习 能够在这些公司的中国的分布 进行实习 也是很好的 比如说苏州微软 或者北京亚马逊这样的地方哦 在找全职工作的时候 HR一般来说 是不会那么介意说 你这个地方一定是在啊 美国的然后第二档呢 就是美国的中小公司啊 这个就很多了 我觉得如果实在找不到 这种知名的大公司的实习的话 能够在美国找一个中小公司的实习 也是比在美国以外的地方实习要好的 第三档呢 就是国内那些知名的大公司 比如说百度啊 字节阿里啊这些公司 这些公司往往在国外 比如说在美国也是有一定的知名度的 所以在这些公司实习 也可以证明 你的有是有一定的工作经验和能力 最后呢 就是国内的不正经公司的实习 就虽然虽然一开始说的虽 然说含金量不高 但是也比完全没有工作经验要好

发布了笔记 5天前

国内大厂vs北美大厂，工作有何不同

老师 可以比较一下 国内和北美大厂工作有什么不同吗 啊好的 就是我回答这个问题的基础呢 是因为我在国内的互联网大厂 工作了将近两年的时间 然后现在啊在北美工作 所以啊根据我的个人经验去看一下 我从我个人视角出发 看一下不同之处的 不一定是普遍的情况 但是我个人的感受 然后我主要从几个方面来说吧 第一个是啊 找工方面 就是首先我在国内是实习生转正 然后我身边我观察到的新入职的员工 大概4/5吧都是实习生转正 就我觉得 国内还是很强调这个实用的 一种价值观 就是因为实习生他在这个岗位 而且他有意向加入 并且他现在这个活就是他干的 然后呢干脆直接就把他转正 省的就是在招新人 然后再还要去让他去重新on board on board 然后去教他熟悉业务干嘛 所以我觉得哪怕你实力不是最强的 就可能你的代码写的一般 但是你就因为你在这个岗位上实习 然后招你很方便 所以有可能出于这个考虑 然后去把你转正 这是我觉得在国内的一个找工的情况 非常讲究实用主义 然后在国外的话 我是正常走的校招流程 然后我觉得呃 国外的大厂会相对更加规范一些啊 对他因为呃 我觉得这是一种嗯这种价值观念吧 就是可能应届生的就业啊 对于呃这些公司来说 其实是一种社会责任 然后所以说 为了保证整个流程的规范化啊 也是他们的一种责任 所以说所以说 无论是实习生还是你正常呃校招 然后没有在这里实习过 其实啊 整个竞争平台会相对更公平一些 但只是相对来说 实习生当然也更有可能会转正 嗯然后这是找工方面的不同 然后第二个工作环境的话 工作环境的不同其实还蛮大 因为我在国内 是啊有一种被包养的感觉 就是啊食堂是免费的 然后健身房也是免费的嘛 然后包括你租房也有房补 其实减去房补 也就自己也花不了多少钱 当然你的衣食住行 公司都啊帮你去负担了 然后当然你就全身心工作就好了 工作强度也是很大的嘛 就是啊每天都要干到很晚 然后起床就去上班 然后上班回家就睡觉 大概是这样一个节奏 对然后在呃国外工作的话 其实我会觉得自由时间更多 因为我现在在呃IBM工作室 全远程然后就是嗯 你不想去工作的话 你可以一天都不去 然后所以 而且上班时间就上班时间也比较呃 相对比较短吧 就是8个小时 然后晚上5点下班之后 其实你的同城市都不会上班 就是你想上班也没有人对接你 然后所以你要找很多啊 自己的业余的生活去做 就是啊我觉得这是一个很大的 工作环境的不同 当然也不是说呃哪种一定比另外更好 就这两种我都觉得挺挺有好处的 对就是 然后这是第二点 从呃工作环境上来说 呃另外一个很大的不同 是语言方面的不同吧 就是呃这个我觉得在国外工作的障 碍会更大一点 因为在国内工作的时候 其实呃像做过DI或DS的朋友们都知道 就是其实这个东西三分靠做 然后七分靠你自己说怎么去表达 就是你同样的东西你做出来 然后但是你啊讲述的方式不一样 然后你达到的效果就会完全不同 然后包给领导留下的印象 或者给业务方面的感觉都会很不一样 然后 所以我觉得靠说去推进还是蛮重要 就这点在国内的话我是没什么障碍 因为我呃本身也比较擅长去说 去表达 然后呃在国内的时候就比较得心应手 但是现在在呃在IBM工作 其实很多场景下 我需要用英语去表达我的思路 然后会有一些障碍 但是呃 这个我觉得最主要的还是心态问题 就是说让你够自信 然后就是虽然你说的你可以说的很慢 然后你可以说的 就是不那么纯正的英语 但是你这个时候就是要表达出来 你的态度 就是大家都停一下 听我说我有一个想法 然后就是让他们强迫他们停下来 然后听你说 然后等你表达完之后 对然后 但 他们还是会很认真的去对待你的意见 然后 我近期也遇到过一些这样的情况吧 就是开会的时候就本来我有一个想法 可能呃我会把大家停下来OK 听我说 说完之后当然就是你如果说的有道理 他们确实也会啊给你相相应的 非常非常认可你的这个表达 所以我觉得这是一个not 不同语言表达上不同 然后另外一个啊不 同从个人发展角度说一下吧 这已经是第四点 个人发展的角度 呃个人发展角度话 国内其实我个人体感 因为我入职的时候是比较低的职级 然后啊对我来说 我看待未来的发展就是爬职级 然后呃因为如果在前些年的话 可能1618年 那个时候 其实会有一些额外的上升通道 比如说有些业务它增长特别快 然后你呃 虽然你现在可能职职级很低 但你可能一夜之间 然后就跟着业务 然后一起成长起来 一下子就上升到一个很高的程度 就这个情况我是见到过的 就是比如说有跟我年龄一样大的 然后现在已经做到那个啊 资深经理就是这这种情况 是有就是因为他做的项目 然后业务成长的很快 那这个是历史的机遇 然后从未来来看 他现在这样的情况会变少 因为现在很多业务 其实发展已经比较成熟 然后蛋糕增长速度没有那么快 所以我在国内 我开始工作的时候 就已经处于这样一种收缩期了 就是一种啊 裁员的这样一种互联网紧缩的时候 然后那对我来说 未来其实就是不断的爬职级 然后呃当你工作个在一个地方 工作个一两年 可能就会考虑啊跳槽 然后到另外一个地方 然后你的职业和薪资 可能会有对应上涨 然后再可能再工作个三四年 然后可能会再有一次跳槽 然后就是这样一个节奏 包括我身边的同事 大概也都是这样去操作的 对然后在国外的话啊 我能看到的发展路径就相对 会更局限一些 就是首先是在国外有很多身份的问题 比如说你啊 跳槽就不会有那么顺利 因为你有时候签证嘛 比如有些同学是OPT 有些同学是HMB 然后你如果是HMB身份的话 你要跳槽 你的新公司肯定要sponsor你 然后然后就会有一些那个阻力在那 比如说 你本身正在排一双v的那个抽卡 那你肯定要 比如说你1212月份 年底12月份 然后这个时候一般开始收集资料 你至少要等到来年的四五月份 知道结果之后 然后才能决定要不要跳槽 那中间这段时间其实就是啊 不那么灵活 有跳槽上面的一个阻碍 然后另外一方面的话 是啊在这边 我目前还没有感受到 非常明确的上升天花板 但是我能感受到公司里啊很厉害的 很厉害的那个经理人 其实啊白人会比较偏多 然后当然我不是说那个 这是一个启示 就是我但我目前没有感觉到 只是说 可能会在未来会有可以预见的天花板 对然后把这两个问题结合来看的话 就是其实我觉得DN和DS这个工作 有很强的国际间可迁移性 就是你在美国积累的经验 将来回国你跳槽回国的话 也是可以用到的 然后所以说如果你可以考虑啊 在美国先工作个两三年 然后回国 或者在这边拿绿卡 然后然后考虑回国去呃 做一个经理的岗位 就是我觉得这样的例子也是非常多的 嗯 然后接下来说第五点 工作强度不同 然后工作强度这一点 刚才已经提到了 就是在国内的话 其实是啊 工作时长会长 但是强度其实还好 就是因为我觉得 没有人可以连续工作12个小时 就这个是这个是不太可能的 脑子是接受不了的 所以其实在国内有很多摸鱼的时间 是同事一起吃饭 买咖啡午休啊 然后聊聊天啊 对这些 这些时间其实都是一个放松的过程 只是说 你可能要全身心的把自己的啊 工作时间全部都贡献给公司 然后这是一个呃工工作状态 然后在国外的话 当然就是工作强度也未必小吧 就虽然工作时长比较短 但是在规定规定时间之内 你该干的活还是要干完 然后所以我觉得强度来看 就可能只是时长上的区别 强度没有太大的区别 然后对然后第六点 薪资待遇的话 其实我我觉得薪资待遇这个问题 要非常辩证的看待 因为这个不同人的偏好区别很大 就是有些人 他就是想拿一个相对高一点的起薪 对吧然后有些人他可能就是说啊 我薪资能够让我日常生活比较舒服 就够了对 那如果你是第一种 你希望拿到一个很高的工资的话 那其实啊美国工资肯定会相应来说高 如果你平时生活很节省 然后你想攒钱的话 你的也也能攒下一些钱 但是如果你比较追求生活质量 希望自己啊有钱但是也有消费 那其实在国内生活 在国内的话我觉得会更好 因为呃虽然工资没有那么高 但是他的物价也很低 像些外卖快递 然后平时周末去逛 商场然后都会觉得自己啊 能够自自己可以生活的很舒服 比较高质量的生活 嗯然后 然后就说这些吧 这是这就是我说的6点 那个国内跟北美工作的不同之处

发布了笔记 5天前

中美两地之间招工的特点

我们可以请老师简单分析一下 当前中美两地的招工特点 然后如果有小伙伴在北美 还有中国求职的话 应该侧重的不同方向 就像我刚才说到的啊 就是求职特点的话 在美国是分两种或者是两类 一种是以比如说Amazon Google Maida为首的大公司 那么这种的话公司 他的招聘的量会比较大 他招聘你来的话 是不expect你是什么专门方向的 这个expert 他会去培养你 他会去期待你 可以就是说 在任何一个岗位上去胜任 当然这个是面试比较久 具体而言听match 他可能更希望你去 有一个经验上面的match 所以就是导致的结果就是 他的招聘比较general 可能是这个样子的 就是一开始简历官 如果你很幸运过了简历官的话 那么会有一些风interview 就比如说 然后包括后面的话 就会有一些outsighting的 这种其实就是4个面试连在一起 然后考你算法 这些都是考算法 然后考算法的话 并不是说 你把题做的完美无瑕就完事了 它其实通过算法作为一种途径 去看你工作之中的一些工作风格 就比如说 如果你遇到了一些含糊不清的问题 你是不是去积极主动去寻求解决方案 你还是在那就愣住了 两眼一抹黑啊 我干干脆在那等10月等 等两个月再说 或者说是你有没有在 就是说积极的 对比不同的solution之间的PROS and CONS 求职的话会分 我觉得最对大厂而言最重要是两方面 第一是当然是你的 简历第二是你的面试 面试的话就是会分你的算法能力 和你的这个面试的一些经验技巧 包括你个人的一些这个综合素质 对我而言 当时反正我的经验就是 我把这个面试就基本上当成说相声了 跟一直说单口相声似的 然后最后的话 他可能会加一个behavior question behavior question的话 就看你这个人 有没有把这个get things done的一些哎 心态包括去怎么去 就是说团队合作 嗯这方面的话 没有其实并没有完全正确的答案 但一定有错误的答案 就比如说有人有人会去面试 我去摔倒了一个面试 他去面试一个manager 然后有人就问他啊 你如果想推行一个系数 那么底下的人他不愿意接受怎么办 而这个面试面试者candidate就会说呃 那他我就会让他们去选择 还是接受这个技术 还是离开这里 然后面试完就是啥 对 所以其实主要的话就是简历官的筛选 以及这个算法岗位的算法轮的面试 那么在国内的话 就像刚才我说到的 就是他会面试你的基础知识的宽度 基基础知识的这个深度 然后再包括一下代码能力 所以算法的占的比例的话 会因公司而异 比如说自己也可能会高一些 阿里可能会低一些 所以国内的话 更多是要求你 首先是你要是提前熟悉基础知识 然后其次的话 是对自己的简历 有一个相当程度上的熟悉 并不仅仅是你要把自己的简历啊 就是每一个字都了然于心 而是你笑心 里有一个想法 他会在什么地方去做一个突破 去去问你 那比如说你用到了某些技术吗 用到某些亮点 然后你觉得哎 在这个地方他可能会问我 或者说我想引导他在这个地方问我 那么对我们的这个同学的要求就是 你可能需要在这个地方 多准备一些基础知识 多准备一些 这个基础背后 这些比较深层次的一些知识 就是我们俗称的背8股 但背8股的话并没有 并不是说你随随便便拿一个东西就背 然后此外的话 对算法算法也很重要 但是算法它并没有 国内就是美国这种 就是说去会考察你的 一个沟通的一个这种目的 它就纯纯纯纯就看你的代码能力 即使你一言不发 你把它做出来的这人完全OK的 但如果你一言不发 在美国这边 绝对这个分绝对不会高的 国内 他可能HR或者说这些部门的领导 会跟你有一个电话 去问你一些个人的这个想法了 目标目标了之类的问题 可能有时候会让你觉得 问的问题比较personal 对那这种的话 在美国那可能是不会不会发生的 所以以上就是不同的侧重 美国中小公司 招聘的人数会明显少很多 可能一个公司可能就几百人 甚至不到上千人 他可能一个岗位可能就几个人 所以如果他面临拿到大量的 这个就是说application的话 那么他可能就是 对简历筛选 对面试会有更严苛的要求 他并不是说更难 而是说他会更要求你这个人的经验 跟我完美的匹配 那他跟大厂的思路就截然相反 大厂是希望进来是一个通才 那么小公司的话 希望进来是一个专才 尽快上手 然后最好也不需要身份上的sponsor 这是一个明显的区别 那么很多同学觉得小公司 包括之前我刚跟一个同学聊了 觉得小公司问了很多很砖的问题 然后最后把它拒掉了 就觉得内心很受伤 那其实我想说的就是 其实这很正常 因为小公司 他的风格要求 跟这个对着求职人的经验的匹配 要求比较高 并且最重要的是他招聘的人很少对 所以是基本上准备上面的差别

发布了笔记 2月前

Harvey 国内和北美大厂工作的不同

好的老师 可以比较一下 国内和北美大厂工作有什么不同吗 啊好的 就是我回答这个问题的基础呢 是因为我在国内的互联网大厂 工作了将近两年的时间 然后现在啊在北美工作 所以啊根据我的个人经验去看一下 我从我个人视角出发 看一下不同之处的 不一定是普遍的情况 但是我个人的感受 然后我主要从几个方面来说吧 第一个是啊 找工方面 就是首先我在国内是实习生转正 然后我身边我观察到的新入职的员工 大概4/5吧都是实习生转正 就我觉得 国内还是很强调这个实用的 一种价值观 就是因为实习生他在这个岗位 而且他有意向加入 并且他现在这个活就是他干的 然后呢干脆直接就把他转正 省的就是在招新人 然后再还要去让他去重新on board on board 然后去教他熟悉业务干嘛 所以我觉得哪怕你实力不是最强的 就可能你的代码写的一般 但是你就因为你在这个岗位上实习 然后招你很方便 所以有可能出于这个考虑 然后去把你转正 这是我觉得在国内的一个找工的情况 非常讲究实用主义 然后在国外的话 我是正常走的校招流程 然后我觉得呃 国外的大厂会相对更加规范一些啊 对他因为呃 我觉得这是一种嗯这种价值观念吧 就是可能应届生的就业啊 对于呃这些公司来说 其实是一种社会责任 然后所以说 为了保证整个流程的规范化啊 也是他们的一种责任 所以说所以说 无论是实习生还是你正常呃校招 然后没有在这里实习过 其实啊 整个竞争平台会相对更公平一些 但只是相对来说 实习生当然也更有可能会转正 嗯然后这是找工方面的不同 然后第二个工作环境的话 工作环境的不同其实还蛮大 因为我在国内 是啊有一种被包养的感觉 就是啊食堂是免费的 然后健身房也是免费的嘛 然后包括你租房也有房补 其实减去房补 也就自己也花不了多少钱 当然你的衣食住行 公司都啊帮你去负担了 然后当然你就全身心工作就好了 工作强度也是很大的嘛 就是啊每天都要干到很晚 然后起床就去上班 然后上班回家就睡觉 大概是这样一个节奏 对然后在国外工作的话 其实我会觉得自由时间更多 因为我现在在呃IBM工作室 然后就是嗯 你不想去工作的话 你可以一天都不去 然后所以而且上班时间就上班时间 也比较呃 呃相对比较短吧 就是8个小时 然后晚上5点下班之后 其实你的同城市都不会上班 就是你想上班也没有人对接你 然后所以你要找很多啊 自己的业余的生活去做 就是啊我觉得这是一个很大的 工作环境的不同 当然也不是说呃哪种一定比另外更好 就这两种我都觉得挺挺有好处的 对就是 然后这是第二点 从呃工作环境上来说 呃另外一个很大的不同 是语言方面的不同吧 就是呃 这个我觉得在国外工作的障碍会更 大一点因为在国内工作的时候 其实呃像做过DI或DS的朋友们都知道 就是其实这个东西三分靠做 然后七分靠你自己说怎么去表达 就是你同样的东西你做出来 然后但是你啊讲述的方式不一样 然后你达到的效果就会完全不同 然后包给领导留下的印象 或者给业务方面的感觉都会很不一样 然后 所以我觉得靠说去推进还是蛮重要 就这点在国内的话我是没什么障碍 因为我呃本身也比较擅长去说 去表达 然后呃在国内的时候就比较得心应手 但是现在在呃在IBM工作 其实很多场景下 我需要用英语去表达我的思路 然后会有一些障碍 但是呃 这个我觉得最主要的还是心态问题 就是说让你够自信 然后就是虽然你说的你可以说的很慢 然后你可以说的 就是不那么纯正的英语 但是你这个时候就是要表达出来 你的态度 就是大家都停一下 听我说我有一个想法 然后就是让他们强迫他们停下来 然后听你说 然后等你表达完之后 对然后 但 他们还是会很认真的去对待你的意见 然后 我近期也遇到过一些这样的情况吧 就是开会的时候就本来我有一个想法 可能呃我会把大家停下来OK听我说 说完之后当然就是你如果说的有道理 他们确实也会啊给你相相应的 非常非常认可你的这个表达 所以我觉得这是一个not 不同语言表达上不同 然后另外一个啊不同从个 人发展角度说一下吧 这已经是第四点 个人发展的角度 呃个人发展角度话 国内其实我个人体感 因为我入职的时候是比较低的职级 然后啊对我来说 我看待未来的发展就是爬职级 然后呃因为如果在前些年的话 可能1618年 那个时候 其实会有一些额外的上升通道 比如说有些业务它增长特别快 然后你呃 虽然你现在可能职职级很低 但你可能一夜之间 然后就跟着业务 然后一起成长起来 一下子就上升到一个很高的程度 就这个情况我是见到过的 就是比如说有跟我年龄一样大的 然后现在已经做到那个啊 资深经理就是这好的老师 可以比较一下 国内和北美大厂工作有什么不同吗 啊好的 就是我回答这个问题的基础呢 是因为我在国内的互联网大厂 工作了将近两年的时间 然后现在啊在北美工作 所以啊根据我的个人经验去看一下 我从我个人视角出发 看一下不同之处的 不一定是普遍的情况 但是我个人的感受 这种情况 是有就是因为他做的项目 然后业务成长的很快 那这个是历史的机遇 然后从未来来看 他现在这样的情况会变少 因为现在很多业务 其实发展已经比较成熟 然后蛋糕增长速度没有那么快 所以我在国内 我开始工作的时候 就已经处于这样一种收缩期了 就是一种啊 裁员的这样一种互联网紧缩的时候 然后那对我来说 未来其实就是不断的爬职级 然后呃当你工作个在一个地方 工作个一两年 可能就会考虑啊跳槽 然后到另外一个地方 然后你的职业和薪资 可能会有对应上涨 然后再可能再工作个三四年 然后可能会再有一次跳槽 然后就是这样一个节奏 包括我身边的同事 大概也都是这样去操作的 对然后在国外的话啊 我能看到的发展路径就相对会更局 限一些就是 首先是在国外有很多身份的问题 比如说你啊 跳槽就不会有那么顺利 因为你有时候签证嘛 比如有些同学是OPT 有些同学是HMB 然后你如果是HMB身份的话 你要跳槽 你的新公司肯定要sponsor你 然后然后就会有一些那个阻力在那 比如说 你本身正在排一双v的那个抽卡 那你肯定要 比如说你1212月份 年底12月份 然后这个时候一般开始收集资料 你至少要等到来年的四五月份 知道结果之后 然后才能决定要不要跳槽 那中间这段时间其实就是啊 不那么灵活 有跳槽上面的一个阻碍 然后另外一方面的话 是啊在这边 我目前还没有感受到 非常明确的上升天花板 但是我能感受到 公司里啊很厉害的 很厉害的那个经理人 其实啊白人会比较偏多 然后当然我不是说那个 这是一个启示 就是我但我目前没有感觉到 只是说 可能会在未来会有可以预见的天花板 对 然后把这两个问题结合来看的话就是 其实我觉得DN和DS这个工作 有很强的国际间可迁移性 就是你在美国积累的经验 将来回国你跳槽回国的话 也是可以用到的 然后所以说如果你可以考虑啊 在美国先工作个两三年 然后回国 或者在这边拿绿卡 然后然后考虑回国去呃 做一个经理的岗位 就是我觉得这样的例子也是非常多的 嗯 然后接下来说第五点 工作强度不同 然后工作强度这一点刚才已 经提到了 就是在国内的话 其实是啊工作时长会长 但是强度其实还好 就是因为我觉得 没有人可以连续工作12个小时 就这个是这个是不太可能的 脑子是接受不了的 所以其实在国内有很多摸鱼的时间 是同事一起吃饭 买咖啡午休啊然后聊聊天啊 对这些 这些时间其实都是一个放松的过程 只是说 你可能要全身心的把自己的啊 工作时间全部都贡献给公司 然后这是一个呃工工作状态 然后在国外的话 当然就是工作强度也未必小吧 就虽然工作时长比较短 但是在规定规定时间之内 你该干的活还是要干完 然后所以我觉得强度来看 就可能只是时长上的区别 强度没有太大的区别 然后对然后第六点薪资待遇的话 其实我我觉得薪资待遇这个问题 要非常辩证的看待 因为这个不同人的偏好区别很大 就是有些人 他就是想拿一个相对高一点的起薪 对吧然后有些人他可能就是说啊 我薪资能够让我日常生活比较舒服 就够了对那如果你是第一种 你希望拿到一个很高的工资的话 那其实啊美国工资肯定会相应来说高 如果你平时生活很节省 然后你想攒钱的话 你的也也能攒下一些钱 但是如果你比较追求生活质量 希望自己啊有钱但是也有消费 那其实在国内生活 在国内的话我觉得会更好 因为呃虽然工资没有那么高 但是他的物价也很低 像些外卖快递然后平时周末去逛商场 然后都会觉得自己啊 能够自自己可以生活的很舒服 比较高质量的生活 嗯然后 然后就说这些吧 这是这就是我说的6点 那个国内跟北美工作的不同之处 嗯好的嗯

发布了笔记 2月前

DS求职误区

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！

发布了笔记 2月前

阿里职级解析-p5,p6的能力要求和薪酬

哈喽大家好 欢迎收看篱笆老师职场小课堂 我是你们的篱笆老师Edison 我在阿里工作5年呢 目前是一名研发技术专家 对于准备国内校招的宝宝们 想必对阿里的职级体系有所耳闻 为了帮助同学们 更好地了解阿里的职级划分 作为一路从P5晋升到P7的过来人 在这里给大家带来一期 关于阿里P5 P6级别对应能力要求的解读 同时视频结尾 我们分享一下 当前P5和P6的大致薪酬范围 一定要看到最后哦 那我们先从P5说起 P5的关键词是基础扎实快速学习 快速执行 大部分的校招应届生录制 阿里的定级都是P5 作为P5 最基本的要求就是要能解决问题 也就是能完成一些具体的任务 这些任务一般都比较明确 只需要作为执行者 保质保量的完成就行 同时阿里在面试P5技术同学的时候 要求比较扎实的基本功 并且需要有快速学习的能力 也就是对于学习的领域 可以快速的上手 P6的关键词是独当一面 融会贯通辅导他人和持续学习 P6成绩相比P5有了更高的要求 P6的核心能力要求是独立负责 端到端的项目任务 做到在一些领域独挡一面 也就意味着不光是要能解决问题 还要能主动发现自己领域的问题 同时P6已经可以承担师兄的角色 辅导P5的同学更好地完成工作 并且能够持续学习 对自己的领域有一定的积累和见解 最后揭秘一下目 前P5和P6的薪资范围 P5的薪水呢 大致在30万到40万之间 P6的薪水范围则更广 一般在40万到60万左右 当然具体的数字 还受到不同岗位和工作年限的影响 感谢大家收看 如果你对阿里直接还有什么问题 或者想要了解的 记得留言告诉我 别忘了点赞和订阅 我们下期再见

发布了笔记 3月前

Quant竟然是这样的人！｜职业性格，工作内容

Hello，大家好！我是篱笆学姐。今天我来劝退量化金融了hhh其实是因为近几年量化金融的热度很高，许多不同专业的小伙伴都对转行跃跃欲试。因此，篱笆学姐在这里是希望能够更全面客观地帮助大家了解Quant，从而发现真正适合自己的职业。 先说职业性格。成为Quant，你得聪明，从学习角度来看，大部分quant至少都拥有一个理工方向的硕士或博士学位，在这个过程中你需要熟练掌握各种数理知识，具备扎实的写码基础，对数据结构有一定了解；从工作角度来看，这是一个研究型的职业，你应该保持思考，随时提出新的想法和方法，并将其应用到实际交易中。作为Quant，需要耐心，量化交易需要进行大量的数据处理和模型测试。适合做quant的人应该有缜密和细致的工作风格，仔细处理数据，埋头debug，确保模型的准确性和稳定性。Quant也需要很强的抗压能力，量化交易是一个长期的过程，需要经受市场波动和高风险的考验。同时还要具备忍耐和冷静的心态，在面对市场的不确定性和压力时，要能做到理智沉着并做出明智的决策。除此之外，强大的自学能力也是关键，金融市场是一个动态的环境，市场条件和行情经常发生变化，量化交易策略和模型需要根据市场情况进行调整和优化；而且随着技术的不断进步，量化交易领域的工具和方法也在不断发展和改进，任何新兴的科技和技术都要考虑被应用到交易过程中。持续学习才能保证quant掌握最新的技术和工具，提高交易效率和准确性。所以说，Quant对于人的性格要求是比较特殊的，既要果断坚决，同时又冷静沉着。 再说说Quant的工作内容。就工作环境来说，quant常常处于一个快节奏，高压力，高风险的工作环境下；就工作状态来说，quant需要埋头做模型，圈子比较小，不需要太多社交，也不涉及people business；就工作成果来说，这是一个需要“运气和机遇”的职业，对数字敏感，有强逻辑思维，有创新思想很重要，这个岗位不是靠着经验和资历就能够胜任的。另外，在公司里，大牛对真正能够赚钱的核心策略一般是秘而不宣的，很难跟着大公司或是大牛去学到有价值的东西。所以说，以发展的眼光来看待这个职业，其实这个职业是比较封闭的，如果你做quant一直没有可观的业绩，可能就会面对比较大的职业压力。如果自己对未来职业道路没有详细规划，一头扎进这个领域，风险还是比较高的。 最后，聊聊目前的市场环境。当前的美国市场经济环境正在逐渐复苏，政府的干预和刺激措施对经济的复苏起到了重要作用。同时，技术和创新仍然是美国经济的重要驱动力。但整个市场经济仍面临通货膨胀压力和贸易政策变化的挑战，许多以往Hedge Fund使用的模型面临这样的情况往往表现不尽如人意。Quant岗位竞争也仍然激烈。在国内，随着中国金融市场的不断开放和改革，越来越多的机构和投资者开始关注和采用量化金融策略。中国政府也相继出台了一系列支持量化金融发展的政策，包括鼓励金融科技创新、提供数据支持和建设量化交易基础设施等。中国的量化金融目前处在快速发展的阶段，出现了很多投资公司，虽然各种私募百花齐放，但是仍然具有招人少，门槛高的特点，也就代表竞争依然非常激烈。 说到这里，你还依然对Quant有兴趣？事实上，每个行业都有许多不为人知的辛苦之处，如果你在“看清quant本质以后依然热爱这个工作”，那么就放心大胆的去尝试一下吧！别忘了点赞收藏关注，对于quant还有什么想要了解的，欢迎留言！

发布了笔记 3月前

华尔街金融圈Quant居然被中国留学生承包，这是什么操作？

大家好，我是你们的学姐！你们知道吗，在纽约的高楼林立中，有一个小群体正默默地改变着华尔街的格局。不！他们不是那些常年霸占着金融新闻头版的大鳄，而是一群年轻的面孔——中国留学生。这些年轻的量化分析师（Quant），带着卓越的数学和编程能力，正在以一种前所未有的方式承包了华尔街金融圈。接下来，让我带你一探究竟，看看这股“东风”是如何吹动全球金融中心的风向标。 金融Quant职位有着其独特的不可替代性与高薪吸引力： quant在金融行业里面就像各个金融机构的大脑，精心地策划和调整投资策略。如果你有梦想在我行我素的金融天地中占有一席之地，那有特色和独到处非常关键。据业内数据来看，quant的职位空缺从2019年至2021年有10%的年增长率，而且他们的决策被相信可以提高至少15%的投资回报率。这样的专业性与影响力使得这条职业道路不仅有着不小的挑战性，同时也成为一个长期稳定的选择。 同时金融界的工资，那可是人尽皆知的诱人，尤其是对quant来说,在美国，就算你还是刚入门的新手，策略分析师的起薪也能够达到12万美元，并且这仅仅是基础薪资。根据最新的统计数据，像在Goldman Sachs这种重量级公司，除了基本工资之外，股票期权、提成和年终奖可以将一个策略分析师的年收入推高至17万美元或更多。 那么为什么华尔街金融圈quant会出现被中国留学生承包的现象呢？为什么那么好的工作机会不全数留给北美本土学生呢？有一部分原因在于北美的年轻人不那么热衷于编程和建模：他们更重视创新和创造力，面对日复一日的代码和复杂的数学模型，不少人觉得提不起兴趣。而这恰恰是中国留学生的舞台——尤其是那些擅长应用数学、信息技术或金融数学的人。数据显示，拥有这些技能的国际生在科技行业找工作时更受欢迎，他们的求职成功率比本土毕业生平均高出约30%。而且，他们通常能拿到更高的薪水——平均起薪往往比本土毕业生高上一大截，这差距有时能达到20%或更多。这不仅提高了他们留在北美工作的机会，同时也给了他们更好的职业启航。 作为投行“专为”中国留学生打造的职位，华尔街金融圈quant为中国留学生提供了许多机会，也是给中国学生Sponsor最多的岗位之一。根据最新的数据，从华尔街的投资银行到咨询公司，中国留学生通过担任quant获得工作的比例已经超过了15%。而且，得益于金融公司对于海外人才的渴望，成功获得工作签证的概率极高，与其他行业相比，该职位的H-1B签证批准率提升了30%以上，给予留学生在求职过程中明显的竞争优势。这让人不禁感叹，对于我们这群有梦想的留学生来说，华尔街的确是一扇充满希望的大门！ 就这样，这些来自中国的留学生不仅刷新了我们对于高科技英雄的传统想象，还在证明一个重要的观点：才能和激情是无国界的。他们在数学的荣耀和编程的辉煌中书写自己的华尔街篇章，不同于故事开头的神话形象，他们真实存在，并持续影响着金融世界的未来。 所以学姐觉得：无论你来自哪里，只要敢于梦想并勇往直前，就能成为你自己人生故事的英雄。好了，朋友们，不知道你们听完后有什么看法？不妨在评论区一起讨论一下，或者也去追寻那份属于你的华尔街荣耀！

发布了笔记 3月前

risk留学生在投行或银行就是一整个混吃等死的状态？

大家好！我是学姐~最近呢，学姐的一位在北美某银行做risk的朋友向我大倒苦水，说risk根本没有网上说的那么好！现在他每天上班都处于一种混吃等死的状态。这到底是怎么回事？risk留学生在投行或银行工作的真实面目到底是什么？下面让我来跟大家浅浅盘一下。 首先呢，真实的投行生活与媒体描述的状态可是有着天壤之别的。当人们聊起金融服务业时，往往存在很多误解，大部分是因为媒体过度夸张的报道所致。真实的金融服务行业并不像人们想象的那样奢华——每日参加高端聚会，周游世界，轻松赚取大额奖金。外界可能会想象金融经理们都是社交场上的常客，周围围绕着才华横溢的精英人士。然而，实际情况是，从事投行或银行risk的工作和其他职业没有太大区别，同样需要为了生计而辛勤工作，与其他工作相比或许有量的区别，但没有质的不同。当然，risk工作在某些方面可能带来较高的经济收入，但它不会一夜之间改变一个人的社会地位。 下面我们来细盘一下目前投行或银行不是risk的一个很好的工作选择的原因： ①工作内容枯燥无味，收入较低，工作内容困难较大并且晋升空间不大。在投行或银行的普通risk职员的年收入介于10万至30万美元之间，而普通公司中层管理职位的年收入也大概在这个区间，两者相差无几。高压高强度的工作内容却不会带来较高的薪资水平。在晋升空间方面呢，career growth和business impact有限，稍微有点想法的人就是转entry level的ds或者mle ②业务市场面临僧多粥少的尴尬局面。一方面优质企业越来越少，随着优质企业陆续上市，符合条件的企业做一家少一家，加上同业竞争日趋激烈，收费标准也屡创新低，投行创收每况愈下，一年不如一年；另一方面，投行看天吃饭，过去行情好的时候招了大批业务人员，到了现在行情差的时候还要养活这些人，可是在收入少、人员增加的情况下怎么办呢？开源节流，开不了源只好节流，奖金？基本工资能有保障就谢天谢地了，还要什么自行车，于是降薪裁员是最近几年铺天盖地频繁出现在投行这个行业中的关键词，那么这种时候一些在投行或银行的risk职员就是在岗位上混吃等“裁”了 ③从工作状态来看：996对很多投行人员来讲有些奢侈了，每天加班到10点以后太正常了，而且在投行人员的概念里没有周末的概念，只要项目没结束，每天都是工作日，每天都要时刻准备着战斗，项目最忙的时候连续几个通宵也是家常便饭     总体来说呢，在投行或者银行的risk并没有表面看着那么光鲜亮丽，大部分都是被媒体包装出来的假象呢，学姐的朋友血淋淋的真实案例摆在面前，当然我并不是完全劝退学risk，知识提醒risk留学生们慎重选择未来就业岗位，其实risk在求职中是绝对的“万金油”，不仅仅是投行，银行，其他各种行业，包括金融公司，科技公司等行业都是需要风控来帮助企业保护其利益的。那么大家要是有什么不同的看法，或者想要表达的，都可以在评论区跟学姐进行互动噢，我们下期见~

发布了笔记 3月前

机器学习在量化金融市场的机遇与挑战

哈喽大家好啊我是篱笆导师Derek。机器学习这项技术相信大家并不陌生，今天呢我们就来聊一聊机器学习在量化金融领域的机遇和挑战。 机器学习技术呢在金融市场中的应用正以非常惊人的速度引领着这个行业的革新，随着我们可以获得的数据量越来越大，金融领域的各种应用也已经验证了使用人工智能确实可以更好的进行投资或者业务决策，人们呢也更加愿意相信人工智能技术在金融领域的应用前景。但人工智能它是提供了一种适用于从个人数据到业务流程的高效数据分析工具，同时呢我们也看到越来越多的金融机构开始使用机器学习方法，从而期望在市场竞争中获得一个优势。包括有一些量化投资机构也已经在逐渐的抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。 与传统投资方式相比量化投资具有更高的效率和准确性，因为其更多的是依托于数据模型寻找计算啊最优的这样一个投资策略。而机器学习的优势就在于能够提供对于非线性关系的模糊处理弥补了我们人脑这样一个思维模式，同时利用相关算法也可以大幅的提高数据挖掘处理的效率。借助机器学习确实是可以让我们的量化投资策略变得更加丰富。 拿一些实际的应用来举例子。像rebellion research是世界首款完全由人工智能驱动的一个基金，在应用过程中对于2008年的股市公盘进行了非常精准的预测，并且在下一年9月就对希腊债券信用评级给出了f评级这样一个结果，这个结果是早于汇率评级给出的结果的。 像rebellion research这样一个人工智能系统，通过自我学习全球53个国家的股票债券外汇和大宗商品的交易数据来评估各种资产组合的未来收益和潜在风险，从而帮助客户去这样合理配置资产。像该模型的人工智能系统呢基于贝叶斯算法，对于宏观、行业和公司的三个层面的数据进行分析，而且呢该模型还能够自动将历史数据和最新数据进行整合，使得它能够自动的来预测市场的这样一个走势。 当然了我们也看到机器学习的应用并不是完美的，像在投资领域应用机器学习算法仍然存在着不少的问题和挑战。 相对于传统的方法而言机器学习方法存在四个很大的优势：非线性的优势、数据化优势、速度优势和复杂度优势。但是金融数据的高噪音、低维输入、动态性的特点给这些应用带来了非常大的挑战。像我们常用的实时金融数据集范围大幅的增加，包括从在线交易记录到高频的限价单试驾单等各种数据，由于呢这些数据的低信噪比和复杂多模态等特点常常使得我们的模型学习效果不能得到一个很好的稳定性的保证。像数据中的噪音可能会被误读为交易信号从而导致潜在的财务损失甚至引发非常严重的危机。 而机器学习它最容易陷入的误区就是对于数据的过度挖掘，不当的使用机器学习算法可能导致结果过拟和严重降低历史数据和预测的相关性。机器学习算法目前在这个投资领域的应用方式其实也较为单一，大多数像我们熟知的定义为涨跌幅的预测的回归任务或者是涨跌幅的分类任务，像这样一来它面临的就是金融信号的低性噪比一个简单的模型，它能够过滤掉噪音但是同时也会把交易信号过滤掉，复杂的模型的相反。 所以最好来说一般机器学习算法也需要和传统量化投资的专业知识进行一个相结合，专业知识的相结合不仅可以帮我们改进模型还能够从经济金融学的角度来理解模型的行为，如果能够得到这样相互的一个印证那么其实我们的模型输出可信度便可以大大的提升。 综上所述我们不难看出机器学习这项技术在量化金融领域其实还是有非常广阔的应用前景的，但其实就像任何一样新兴技术总是机遇和挑战并存的。所以以后希望在化金融领域从业的同学们一定要勇于探索、深入了解和掌握这项技术，我们才能与时俱进不被淘汰。 以上这些是我们今天分享的全部内容，如果还有任何关于机器学习相关的问题，随时可以咨询篱笆老师，我们下期再见啦！

发布了笔记 3月前

零基础怎么准备risk management面试

hello大家好我是篱笆老师Sarah.那上一期呢我已经为同学们介绍了零基础上岸risk要做哪些前期工作,那这一期我要继续为大家讲解上岸risk的关键一步面试准备，希望对小伙伴们找工作能有所帮助。 首先大家要对所应聘的职位有深入的了解。那对于0基础的小伙伴来说risk analyst或者是assistant是一个不错的选择。那这是一类入门级的岗位可以帮助你建立起风险管理领域的一些基础知识和技能那根据risk 不同的领域analyst也会有不同的细分，比如market risk analyst市场风险分析师，是负责监测和评估与金融工具比如说股票债券商品演商品等等相关的潜在风险；还有credit risk analyst就是信用风险分析师，负责评估和控制借款人或者借款机构，没有办法按时偿还贷款的本金和利息的这个风险；那还有operation risk analyst就是操作风险分析师，就是负责评估公司内部的流程系统和操作过程中的一些潜在风险。 那作为risk analyst呢你需要负责收集和分析风险数据、协助风险的评估和报告、参与风险的控制和监控等任务，那这些工作内容可以让你逐步的熟悉风险管理的流程和工具，为未来的职业发展打下基础。 深入了解这些岗位之后大家还要对公司进行了解啊。比如说可以去公司的网站了解公司的历史、产品和服务还有这个公司管理团队愿景使命、文化氛围等等。还可以去查看公司在新闻和媒体上的一些报道，了解公司的最新的动态和当前情况。那这些了解之后还可以去了解这个公司所在的行业，了解行业的趋势、竞争对手等等，所有的这些都是为了让大家能够在面试中讨论你对于这个公司的理解和兴趣。那这里大家要注意对公司和岗位要结合起来进行调查和了解，因为即使是同样的职位名字在不同的公司里也是会有差别的，那对于投递的公司和岗位有了一定了解之后，我们就可以来准备面试的题目了。 那对于0经验的小伙伴来说要至少准备以下4类风险管理问题。 那第一类就是基础知识问题。面试官呢可能会问到关于风险管理的基础理论和概念，比如什么是风险、风险管理的目标原则、风险评估啊和风险控制都是什么等等，比如说他可能会问请列举几种常见的风险类型。 那第二类就是方法和工具问题。具体可以包括啊对于常用的风险管理工具的还有技术的了解，比如风险矩阵、风险评估模型、风险控制策略等等，比如可能会问想描述一些常见的风险评估方法啊、风险矩阵或者风险优先级指数，或者可能会问你知道哪些风险评估的模型就描述一下等等。 那第三类是实际案例和应用问题。面试官可能会给你一个情境要求你描述在啊工作或者项目中如何应对特定的风险并且解释你采取的措施和结果，那比如他可能会问在一个项目中你发现了一个新的风险，你会如何处理和应对这个风险啊。 最后一类就是个人素质和能力问题。他可能会询问你在风险管理方面的一些经验能力啊以及比如如何解决风险问题处理紧急情况和与Stakeholder沟通这方面的能力，比如他可能会问你认为风险管理中最重要的素质是什么，你如何展示这些素质。 那最后要注意大家要在面试前通过各种渠道寻找mock interview的机会，比如大学的这个职业发展中心、risk的相关论坛和群组，还可以在linking in上进行networking甚至利用chat gpt模拟面试。 那大家要保持信心持续的努力啊，上岸risk可能也没有大家想象的那么难，那以上这些就是我们从风险管理知识方面分析大家如何准备面试。之后我们还会从风险管理的technical interview、behavioral interview和case interview三种类型的面试来给大家进行详细的分享，帮助大家更好地应对不同类型的面试。 好了那说了这么多希望大家看完视频之后对于如何上岸risk有了更多的理解，那关于risk你还想了解什么，欢迎点赞留言告诉我们。老师未来会继续给大家带来更多优质的内容，我们下期再见拜拜！

发布了笔记 3月前

北美大厂中小厂CS岗位开放情况

嘿大家好，我是Justin，就是我现在是那个谷歌软件工程师，然后现在也是一个在谷歌的一个面试官。那今天我就给大家从宏观上给大家讲一讲今年2023年的秋招的一个形式。接下来我要想跟大家讲的就是今年不同公司的一个岗位开放情况与一些机会。 今年比较有意思的一个情况是什么呢？传统的一些大厂就我们所谓的FAANG这五家大厂接近于不招人。我说的是 以及Intern，就Meta、apple、Amazon、Netflix和Google这五家大厂。今年Google有短暂的开放过Intern，别的公司有一些就是他按组招有招一些，但是整体上都非常少，new graduate接近于没有开放，所以今年的形势会比较不好。 因为传统就这5家他们招的人会比较多一些，但是今年这5家不招人的话其实对于new graduate的打击会比较大，因为大公司一般会比较他们比较愿意去招一些新人，因为他们有足够的时间和精力去培养这些新人。所以今年这五家大厂不是特别招新人的话对于我们来讲打击会比较大。 但是有一些新的公司开始大肆扩招，就这些大家都知道比如说databricks、TikTok、英伟达还有open AI，其实你去看一下他们的招聘网站他们现在给外面发的面试都很多的而且是有给new graduate发面试的。 所以其实我觉得大家也不要过于担心，当你觉得说可能传统大厂不招人了是不是今年就没有任何的工作机会呢。我觉得有的时候不是这个市场的问题也不完全是这个经济的问题，他有时候只是纯粹意义上的这个行业他们在重新洗牌，传统的比如五家大厂可能他们就有在走下坡路的一个趋势。而有些湾区新贵，有些现在还只是中型公司或者中大型公司这样一些公司，他们可能会是将来的flag或者将来的fan。 所以我觉得大家也不用过于悲观，其实可以把你们的目光就是不单是放在那些传统大厂上，你可以去看一下一些最近比较火的一些公司，他们正在大肆扩招的他们会很愿意去招一些新人去扩张他们的势力。所以大家也可以把目光放在这些公司上，比如说databricks、TikTok、英伟达还有open AI我们的一些湾区新贵了。 然后还有一些中厂小厂其实他们招人就是跟往年都差不多，就还是有招人但招的肯定没有传统大厂那么多，但是他们依旧会有new graduate position，所以我就推荐大家也可以关注一下。就是大家都知道stripe、servicenow、SOFi、Visa、Pinterest、Roblox这些公司大家可以关注一下，他们其实一直有在招人的就是而且包括今年，他们受到经济的冲击也没有特别大。 这个就是关于不同公司一个岗位开放情况。

发布了笔记 4月前

留学生回国求职！！！！

留学生回国求职是否比留在国外更有竞争力！！！！

发布了笔记 4月前

撰写留学申请的个人陈述时有哪些常见的误区

Hello，大家好，我是篱笆学姐，相信每位留学生都知道，PS，也就是个人陈述，是留学申请中非常重要的文件之一，是申请者向留学院校或学位项目展示自身优势、背景、动机和未来规划的重要材料。今天，我就要和大家分享留学个人陈述的定位，具体包括哪些内容，需要避免什么问题，来帮助大家争取梦校，如果对你有帮助的话，欢迎分享你的PS撰写心得！ PS（Personal Statement）个人陈述是申请者自我介绍和宣传的重要手段，可以突出个人优势、成就和未来规划，同时也可以阐述申请者的留学动机和为什么选择这个学位项目。 PS个人陈述的内容要包括以下几个方面： 个人背景和经历：包括个人的学术背景、工作经历、社会实践经历等，突出自己的特点和优势。切入点很重要，找到你的个性的一面，与别的申请者不一样的东西。这部分一定要细节且具体，比如说写自己得了一个奖，我就会写多少人中有多少人才能得。 留学动机：阐述为什么想要申请该留学计划，包括个人的职业规划、学术兴趣、未来规划等。尽量不要扯高中以前的事情，从最近的事谈起。美国喜欢单刀直入的，最好上来就说你对哪一方向感兴趣，这样招生委员会也好分工。 研究计划：阐述自己的研究方向、兴趣和计划，包括研究问题、研究方法和研究目标等。 自我评价：包括自己的优点和不足，以及如何克服不足和提升自己等。这一块切忌虚头巴脑，用一大堆innovative, motivated, dynamic, team spirit, problem solver之类的词，就一定要有实际例子去支持。说一个特点，就讲一个让人信服的证据。 请同学们拿出自己的文书对照检查，自己写PS的时候有没有陷入以下几个误区，尽快改正过来才能提升自己的申请成功率哦！ 误区一：PS有万能模板 PS只是一个敲门砖，关键是看你的本质。想要自己的PS脱颖而出，最好的方法就是老老实实努力，让PS上呈现更多干货。不要去网上下载什么模板，要有个性，PS是申请文书中最体现你个性的东西，要让招生的人切实感受到你是一个活生生的人。 误区二：混淆PS和CV 不要把PS写成CV的扩展版。CV上的内容就尽量不要写在PS上了，即使有也换个侧重点写。比方说CV里提到的了某个奖项，你觉得很重要，那就在PS里提下从中你使用了什么方法解决了什么问题，从中收获什么经验和技能。PS和CV是互补的。 误区三：群发PS 千万不要把一份PS拿去四处投递，每次申请的PS一定要提及自己想申请的学校。申请之前要花时间去了解自己想申请的学校，这样才能在PS里理由充分地说明为什么想申请这个学校。这既是对自己的负责，也是对学校的尊重。 误区四：PS排版混乱 PS切忌花里胡哨以及长篇大论。一般来说，留学申请PS的字数范围在500-1,000字之间。在申请评审的过程中，招生委员会成员需要阅读大量的个人陈述，如果申请者的个人陈述格式混乱、内容又臭又长，将会给评委留下不专业和不严谨的印象，直接影响申请者的申请结果。 误区五：PS语言随意 PS是正规的文书，不要用些口语化的词语（kinda, sort of, wanna, it's, can't,），不要有语法错误，错字或者通篇I, I, I开头的句子。文书直接体现了留学生的英语写作水平，所以一定要多次找专业人士或是老师帮忙修改优化，反复修改很重要！ 好了，以上就是篱笆学姐今天的分享，如果这次分享对你写作PS有所帮助的话，接下来，篱笆留学还会分享更多留学干货，欢迎大家关注。祝每一位同学都能够收获梦校offer！

发布了笔记 4月前

像谈恋爱一样培养Data核心竞争力

哈喽大家好，我是篱笆的Sunny老师。那么最近很多Mentee问的一个问题就是：Sunny老师，你觉得做数据这个行业、做data这个行业，数据打工人最重要的核心能力是什么？ 我个人觉得这是一个特别好的问题，因为很多时候大部分的时候我们都会overestimate，就咱们一年可以做成什么，而underestimate就在5年10年甚至20年这个阶段，我们可以达到怎样的成就，所以提前去规划去刻意练习，培养我们的核心竞争力是特别特别重要的一件事情。那么今天呢sunny老师就想跟你来分享一下这方面的心得。 我个人觉得好的工作和好的伴侣是一样的，都是能让我们变成更好的人变成更好的自己。那么今天sunny老师要用你挑伴侣的方式来培养你的核心竞争力。我们来想我们找伴侣的时候啊一般都有哪3个重要的能力能找到好的伴侣呢？ 那第一个就是咱们要有一个baseline对吧。所谓baseline就是说我们对未来的伴侣有一定的条件框架，当然这不是硬性的条件。很多小伙伴会说那我对伴侣没有条件我也有可能找到真爱，我也有可能找到很好的伴侣。那当然有可能了，觉得这个概率比较低对不对，那有些时候我们设置了框架是不是提高了，我们遇到对的人的那个概率。 那其实对于工作是一样的。那工作来讲这些technical skill就是我们说我们会skill，我们会visualization，我们会Python，并不是guarantee我们可以找到一份特别好的工作，但是它可以提高我们遇到对的工作以及好的工作的概率机会，增加我们的机会。那所以这是一样的是baseline。 那找伴侣的第二个条件就是咱们要勇敢爱。什么叫勇敢爱呢，就是呃有的小伙伴可能特别幸运找到一个对的人，可能就是进入长久的关系但是也要不断的去evolve这个过程，让两个人都变成最好的。我们那大部分的小伙伴可能要遇到好多个错的人才最终遇到一个对的人。 那找工作是一样的。很多时候呢我们很lucky，可能找到一份工作就是说啊特别好我们跟这个工作工作个5年10年甚至15年啊来一起发展，但大部分的时候可能是我们要换好几个工作才会真正的settle down啊认为找到一个可以不断成长的工作。那么这个时候你需要培养的核心竞争力就是我们可以transferable的技能，对吧就像谈恋爱的时候。所谓的transferable的技能就是咱们找到了自我，知道自己喜欢什么不喜欢什么，知道自己的优势在于哪里，知道自己对未来的期许在于哪里。 工作就数据来讲你的transferable的底层核心竞争力。其实就是两个，第一个呢就是data storytelling的能力，第二个就是domain knowledge。所谓data storytelling的能力就是我们作为数据打工人，无论你在哪个公司、哪个行业工作，你的核心目标是说帮公司做商业决策，做data driven decision right，那你data storytelling的能力越强，你可以跟各种各样的人打交道，解决各种各样的问题啊，那当然你就是非常valuable的asset对不对。 那第二点domain knowledge，就比如说咱们小伙伴我们是marketing啊，这方面的data analyst，那marketing方面的这个domain方面的知识，不管是acquisition还是retention也好，你有了这方面的知识你去哪个公司哪个行业都是一样的，因为只是他解决问题的setting，一些数据可能有一些改变，但换汤不换药，就是你解决问题的能力和解决问题的方法，其实是相通的，只是说根据环境你要做一些些的改变。所以这个domaink nowledge是第二个非常重要的transferable的skill。 那么找伴侣的第三点就是得看原生家庭和我们的沟通对吧。结婚是两个人的事情而且也需要我们不断的沟通，有效的沟通来培养一段长期的关系那跟找工作第三方面的核心竞争力是一样的。工作的原生家庭就是公司对吧，你要有认清公司的火眼金睛以及有非常强大的沟通能力项目的manage能力。这样呢就可以保证一份长长久久的关系以及不断的迭代出最好的你的自己。 那么我们分享了3个tips找到好的伴侣，同样3个tips可以帮助你找到对的工作哟，发展成为最好的自己，希望今天的分享对小伙伴有帮助！

发布了笔记 4月前

开源项目让你的简历，在NG中脱颖而出的秘密武器

大家好我是你们的篱笆导师Justin。我遇到过很多的学生面临这样的困境既没有实际经历又没有发过paper，简历上只有一些比较激烈的课程项目，这种简历放在现在的就业市场上是比较难拿到面试的。那是不是这样的简历就没有救了呢，今天我就教大家一个秘密武器，开源项目。 什么是开源项目，就是允许任何人免费使用也允许任何人贡献代码的项目，一段好的开源项目经历在简历中的份量，约等于一份工业界的实习。为什么这么说呢，因为大部分好的开源项目都是以工业界的标准来写代码的，你能在开源代码中加入自己的代码，也就证明了你拥有在任何公司独立工作的能力。关于具体去哪里找开源项目，下面我就给大家提一点建议。 第一点基于自己使用过的库。比如做某个全能开发项目的时候你用过了并且熟悉django，那就到django的GitHub主页上，一般项目所有者会在主页上写一个guide，来指导新来的同学具体贡献代码的步骤，只要跟着那个步骤走就行了。 第二点GitHub有一个explore功能，可以随机探索别人创造的项目。看到感兴趣的你就可以点进去看看项目所有者是不是还活跃着，以及项目是不是允许并且鼓励别人获取代码。 第三点这里也抛砖引玉一下，给大家讲一些我自己贡献过代码也对初学者比较友好的开源项目。Elastic search ，django ，Pasta ，Elastalert2，sensu-go，但是尤其提示一定要选择跟自己的技术栈相关的项目，你不要自己是写python的，然后强行跑去c++的开源项目凑热闹。 最后讲的一点是一开始参与一个开源项目的时候不要急着去写代码，可以从一些比较简单的任务开始做起。比如加些注释、改些文档，等你熟悉整套流程了并且在项目所有者那里混脸熟了，这个时候你再去开始输出代码就更加容易被人家接受了。 好的今天我要给大家讲的就是这些了，希望大家都能积极加入开源社区，同时也给自己的简历化腐朽为神奇，实现双赢的结果，谢谢大家！

发布了笔记 4月前

AI工程师🧑‍教你轻松get第一份工作/实习

我叫Andy，目前我是在一家科技公司做大模型相关的事情，我是一名AI工程师。也是基于我目前的一些工作经历或者是学习经历吧，我想给学弟学妹介绍一下就是说在校期间如何找实习的事情，或者说如何突破自己的一些限制吧。去找一些无论是实习还是第一份工作的事情，因为我觉得对于大多数同学来说第一份工作和第一份实习是最难找的，因为你之前并没有相关的经历嘛，所以很多时候会在这方面的话可能会没有头绪，我想通过一些建议吧可以给大家提供一些帮助。 首先第一点就是说对于尤其是大三或者说研究生第一年的同学，一进学校开始大家就要去准备简历，尤其是本科生的话，你可以在大三期间或者说大二期间，大家利用暑假去给学校的一research lab。或者说无论你找什么工作，你可以在校期间找一份跟你的专业比较契合度比较高的工作。比如说像CS专业同学你可以去教授的实验室去打工。无论是去做TA还是做RA都是可以很有帮助的，还有一些就比如说做商科的同学可以去跟学校比如说一些图书馆啊或者说一些学校的一些基金会，去做一些volunteer工作，这个对你今后找实习或者找地方工作也是很有帮助的，毕竟写在简历上这方面会有很多的亮点。 一个就是说做好前期准备让自己的简历更加丰富一点，同时呢在大三或者说你的课余期间吧学校都是有career fair的，就career fair的目的并不是说当场拿到面试，这个其实也不太现实，但是重要的是说你在career fair里面，各个公司会派一些代表去你们学校，尤其很多学长学姐会去你们学校。所以在那期间你跟他们聊的同时可以建立某种connection，说不定人家会给你提供一个内推啊或者一些推荐渠道吧，可以让你更加容易的拿到那家公司的面试。 同时很多公司大公司尤其像微软或者说亚马逊啊这类公司的话其实是会在各个学校举行定期的校招的，基本上就是说面试官亲自到学校里面去进行面试，所以这个时候如果你是career fair的话很容易就能拿到这种申请资格吧，可以比其他同学更早的进入到这个校招的渠道，尤其对于实习生来说是非常好的因为基本上有面试官去你学校去做校招的话其实流程非常快，第二个他会更加容易的去通过面试，基本上只要说你校招现场面试通过了，基本上他是都可以给offer的，所以这个流程上速度会非常快。 还有就是说领英。就是在领英上你可以去无论是套辞啊，或者说去加一些学长学姐的一些领英建立某种connection，到时候如果你能够跟他们建立某种联系，可以去要一些内推的话也是可以的。所以我觉得就是说第一份工作最重要的就是说在学校期间、在学习期间去多对一些项目经验以及做一些volunteer工作，让你的简历看得更好看一点，同时呢多去建立某种东西得到某种内推的机会，同时业余期间你也可以啊去多做点项目啊，去把你的简历润色一点，这样子也能够快速的或者说更加容易的去拿到一些面试机会。 但就是大家可能要做好心理准备，你肯定是相对于其他已经在业界工作的同学来说，你肯定要花更多的力气去投递简历因为你没有工作经验的话，基本上就是说你投100份简历可能真的只有两三份或者说可能不到10家公司会给你一些面试邀请，甚至可能只有5家公司。这样子你在5家公司里面争取能够拿到一家公司的offer，这个是比较正常的现象无论是哪个专业应该都是这样子的。但是呢就是相对于已经工作的同学来说会更加就是说不那么容易一点，所以这方面的话大家也是做心里准备，放平心态吧。 其他的话就是另外一个更好的渠道就是有一些GHC的大会，当然这部分是给女生开放的但是我知道有很多男生也会去参加。不过无论是哪种情况吧其实如果你有机会去参加这类GHC的大会或者说其他类型的一些这种也是很好的，这样子的话就是说你一方面能够建立某种联系。第二方面的话也是拓展了你的求职的渠道。很多时候很多岗位其实并不会放在网站上，很多时候都是比如说你真的去了现场啊招聘会上他才会把这个岗位就是说post出来，很多时候都是你在网上是找不到的。所以这个时候你如果有机会去参加这种career fair，无论是校内举办的还是校外的那种其实都是比较有利的，所以大家还是就是说争取一下这种参会的机会吧，如果价钱不是很贵的话可以大家合伙买一张团购票啊之类的，其实去大家一块去参加一下这种会因为你第一份找工作，其实还是有很多帮助的。 所以我建议还是说第一方面，就是无论是有心的还是无心的在学校多做一些volunteer性质的工作去润色你的简历，第二个就是说多建立connection，让学长学姐或者说你的其他一些朋友可以给你提供内推，是对你要找第一份工作是非常有利的，差不多就说这么多吧。

发布了笔记 4月前

从IC到Manager有什么不同

哈喽大家好,我是Amy。我在linkedin做数据科学大概有七八年的时间了，今天就想跟大家分享一下做manager和IC有什么样的不同，主要是从这个角度来给大家分享一下做manager的一些特点。 首先，对于从事的工作来说是很不一样。做IC的时候我只需要关心我的工作是否完成，然后再在规定的时间内质量做的比较好。但是manager需要做很多的团队的管理，对外的沟通怎么样把组里的工作展现出去、怎么样和别的组去合作等等这些这些事情，当然还有队内的管理，组员的一些技能如何分配。如果在工作项目上遇到卡壳的了或者和人发生冲突了，这种时候都是manager要上去救火的事情。 第二点是一个很直观的感受是自由度上的变化，尤其是时间。manager就会丧失很多时间上的自由度，因为有很多的会你很难翘掉，所以做IC的时候可能我会保证工作在截止日期前做完就可以了，我老板不在乎我什么时候做的，半夜2点做的没问题。但是开会你就只能有这么大的一个window去fit，所以时间的灵活性会下降很多。但是相对而言有另外一个维度上自由度是提高的，就是对项目的选择和决定。因为manager可以更早更全面地了解到项目的情况，所以我有比之前更高的话语权，还有决定这个方向的机会，可以结合团队的情况选择一个更有潜力的项目。 那还有一点我觉得是心态上的变化或者调整吧。做IC的时候因为你有项目，所以白纸黑字非常清楚，大家只要看到你的出品就知道你这个工作的质量很高，做的好还是不好。但是manager做的好还是不好它是有很多工作，因为是隐形的所以是不容易量化的一个工种，而且你自己也不一定能够看到，这个feedback loop会比较长，不能很快的看到。 还有一点就是personality。上面就是如果你是一个比较caring的，喜欢帮助别人成长的，这也是一个plus。你会感受到一些成就感，就是成为manager之后，会有很多技能和能力是需要补足的，比如说沟通能力，比如说时间管理的能力、协调的能力、做决策的能力、团队建设、好像是要在组里面搞活动、团建活动、激励能力，怎么样你能够sell the idea get buying，就是你有一个创意，怎么样能让你的partner认为，这个是很有意思的会有impact的一个想法。你怎么样能让你的组员get excited，他觉得这个真的是一个很好的项目，我很想做，然后他也会比较有这个motivation去好好做。 还有个特别重要的就是建立一个个人的reputation，怎么样能够得到组员的信任、partner的信任这个很重要。是因为它会在manager日常工作中提供一个很强有力的基础。因为如果没有这个信任的话。其实你说的话的分量就就会小很多。那你在做推进很多项目的这个 这个事情上的时候。可能就会没有那么顺。或者是你需要做大量的工作包括沟通，提供这个数据 、证明等等来convince别人，去influence别人。但如果说你把这个新人或者这样的personal brand build得好的话，那就会顺很多。 还有就是有机会接触到各个类型的项目。就可能做IC的话我一个季度我只能上手做三个事情。但是做manager的话组里的百分之八九十的大项目你都是会接触到，而且你都知道他在做什么、做的怎么样，中间会遇到什么问题，这个exposure会大很多，你会接触到很多不同类型的项目不同类型的人。还有可能就是和其他team的例子接触的机会，比如说做IC做出来一个项目，有时候是manager去present，给你这个organ的一些大佬，所以你会有机会看到别的组在做什么。我觉得这是能够拓宽我视野的一个机会，看到很多可以connecting dots的一些机会，但这个可能在IC level来说会要求有点高。 所以总体来说这就是我今天想跟大家分享的做manager的一些特点吧，也欢迎大家评论留言点赞转发，来讨论做manager和做IC有什么不一样的地方，谢谢拜拜！

发布了笔记 4月前

系统设计常见流程❗完善系统设计流程❗

大家好我是篱笆老师zhen。那在这节课让我们来继续分析系统设计的常见流程，上节课我们已介绍了系统设计的常见流程的前3步第一步是clarification、第二步是requirement analysis、第三步是cost estimate。 大致流程就是我们从user开始，然后user它可能会make request，到几个low balancer或者是API Gateway，然后我们API Gateway或者low balancer会把这几个request distribute到很多个不同的Server上。这些server它可能会跟backhand或者是跟数据库做一些interaction 这是一个大概的flow，但是具体会有很多variation，会有很多变化所以说我们后面再看。 那我们等到把这个整体的这个流程图画完了以后其实可以算是一个milestone，就是我们这个小design，System design的一个milestone。到这里可以说是已经完成了一些基本的需求，然后之后有两点我们需要着重强调一下。 首先第一点是API design。就是说我们这个API是我们这个系统怎么和我们的user进行interact。API主要有两类，一类是RPC、一类是rest，我们后面也会讲。但是这个API design也非常重要，因为它规定的是我们怎么去和用户之间进行交流。那API design完了之后呢我们会着重强调一下DATABASE design，因为不管是什么样的系统，我们的系统肯定都会存储一些数据，既然要存储数据的话那这个数据库的选型非常重要，那大家都知道那数据库现在分为很多类，比如说SQL、NoSQL、OLTP、OLAP，怎么样选择不同种类的数据库然后这也是一个非常重要的topic。 当我们把这两点聊完了以后，那正常情况下系统设计时间应该以上没有，但是如果你的能力非常强，比如说你还有一些时间你可以有两种选择，一种选择你可以去wrap up整个topic，你比如说再跟面试官强调一下我们为什么选择NoSQL而不是SQL，然后为什么需要low balancer，然后如果load的很大的话我们怎么去scale我们这个system，这是一种选择。那还有一种选择你可以聊一些其他的一些东西，比如说怎么去做monitoring，然后怎么improve我们的system，让它更加的secure，或者是比如说会有一些disaster recovery上的一些考虑，或者一些其他的一些as on，这些就是也是一个很好的一个topic，那我们在做完整个流程之后，然后这才算完成了一个系统设计。 如果有工作经验的小伙伴其实能发现，这个跟你在公司写design doc，然后做design或者做presentation，其实非常相似。所以说里面有很多很多需要注意考虑的点，我们之后一起来看一下，这些常见的一些系统设计的题目，那以上就是系统设计的一些通用流程了。 在下节课，我们准备通过一个比较简单的一道例题，来大家真正感受一下系统设计的成功套路，如果大家喜欢这个系列呢，欢迎评论转发design这个系列，让我们一起把它变得更好那我们下节课再见了拜拜！

发布了笔记 4月前

系统设计常见流程前三步❗

哈喽大家好，我是你们的篱笆zhen老师。那在上一节课我们主要讲解了一下什么是系统设计system design，这节课呢我们准备讲解一下系统设计的一些常用套路以及一些方式方法，那话不多说我们直接开始吧。 现在这个呢就是系统设计的一个整体流程，主要分为这么几步，那我们一步一步拆开来看。 首先第一步呢叫Clarification。我们在上节课呢已经说过了Clarification是非常系统设计里非常重要的一点，所以说在这一步我们主要去问面试官一些啊基本的问题。对于一些题目呢比如说design Twitter或者是design YouTube，那这种题目它的问题非常大，所以我们非常有必要去narrow down，这个整个的我们到底需要设计什么。 那还有一些很多其他一些常见的题目我们之后可以再总结，那比如说我们可以问面试官说这个我们这个到底这个project scope就比如这个designscope到底是多少。如果它只是让我们design一个非常小的一个system比如说一个school project，那和我们要去design一个这种industry ready的这种project，那design的方法是完全不一样。 那或者是我们也可以问一下，比如说这个project主要是给一个user就是end user用还是说给内公司内部的一个internal team用，然后它涉不涉及到UI，然后涉不涉及到CLI就是command line interface然后涉及到一些其他的一些component。 像这种问题其实都非常的有用，我们之后呢会再着重讲解一下，在Clarification这个阶段我们可以问哪一些问题，我们需要强调一点就是clarification，其实贯穿之后的每一步，比如说我们在做API design的时候，在做DATABASE design的时候，在做cost estimate的时候都可以做clarification。那我们在第一步的clarification，只是给你一个时间让你去了解这个系统，在clarification完了之后我们应该是对要设计的东西有一个大概模糊的概念。 下一步叫requirement，这个就是说我们去向面试官了解一下具体一些有哪些需求。从这个阶段开始我们就开始是在Google doc上面，要不然是在我们具体的画图软件上面然后去写下一些真正的requirement。那requirement分为两类，一类叫functional requirement，一类叫non functional requirement。 那fun functional requirement就是说我们这个系统它真正提供的这个feature它真正提供这个功能是什么，比如说啊一个designYouTube的一个问题，那它的这个workflow可能分为用普通用户上传，普通用户下载这个video。那其实是两个不同的workflow，那这个requirement就是至少会是有两个这种不同的workflow，或者比如说一个酒店Booking system，hotel Booking system它这个workflow可能就涉及了普通用户的订酒店的功能，以及administrator。就是这个酒店管理人员他可能会修改一些酒店的信息，这就是两个不同的worker我们要弄清楚，到底需要我们设计什么东西，这个是functional requirement。 那non functional requirement是一些隐藏在系统设计背后之后的一些相当于metrics或者characteristics。那它一般是一些特征性的characteristics然后来保证我们系统能够正常运行。 常见的有availability、scalability、consistency，以及一些其他的一些metrics，比如说security或者是一些reliability，或者一些metrics。我们之后的课程会逐渐讲解一下这些metrics的一些区别，所以说我们这里呢是先不讲解。 在做完requirement之后我们下一个环节是叫cost estimate。在这一步是其实主要是就是说我们根据一些面试官提供的一些信息然后来对一些具体一些衡量的一些数据做一些计算。我比较常用的两个数据一个叫QPS就是core per second，就是说我们这个系统一秒钟能有多少个request进来，这个是衡量我们这个系统的这整个的压力，看它的压力是否大以及衡量我们之后是怎么去scale这个系统。然后还有一种就是叫storage，就是看我们这个系统到底存储了多少数据，比如说如果是做一个design YouTube的话，我们这个系统如果要运行十年那存储的这个YouTube的video的数量那可能是海量。如果他需要存多少的数据也会影响我们整个后面数据库的一个选系。 这里有一个misconception，很多同学他会在这个地方吹毛求疵，会计算的特别细致。那我作为一个面试官来说其实我对具体的数字不是特别的在意，我在意什么呢？我在意的是是个数字的级别，那比如说你同样是要存储数据，你要存储一个PB级的数据和一个MB级别的数据，选用的数据库完全不一样，那而且造成的后果就是可能对整个的系统的设计是完全不一样的。一个设计做完了requirement analysis做完了cost estimate这两步了以后，我们应该是对整个系统它到底要让我们设计一个什么系统，以及它的各个方面的一些需求都有一个大概了解，做完这几步我们之后才真正进入到主题进入到这个system design就是开始画图。 那让我们现在先暂停来回顾一下，我们系统设计流程中的前三步。第一步是clarification，需要我们去和面试官做一个初步的沟通，然后来大概理解一下我们需要设计一个什么样的系统。第二步是requirement analysis，需要我们进一步和面试官阐述进一步沟通去理解这个系统到底需要我们什么样的feature，什么样的功能。那再下一步是cost analysis或cost estimate，是需要我们自己去derive一些number来帮助我们理解这个系统。 可以发现其实前三步都是在为我们之后的具体的流程具体的画图打下一个基础，在下节课我会带大家教大家详细怎么样去画图以及怎么样去做一些API或者DATABASE design大家敬请关注！

发布了笔记 4月前

GPA算法大公开：留学生发现GPA不够时该怎么补救？

哈喽大家好~我是你们的篱笆学姐Evie，今天我们要讲的内容非常之干货，很多同学在大二大三开始筹备留学的时候首要面临的问题就是GPA，那么GPA到底是怎么计算的，以及很关键的GPA够不上梦校时该怎么补救呢，今天我们就一个视频讲清楚，如果这期视频对你有帮助的话，一定要点赞收藏让我们知道，再继续为大家创作更优质的内容哦~ 首先我们来聊聊GPA是怎么计算的。 在中国的大学中，官方成绩单中常见的算法有两种，算数平均分和加权平均分，算数平均分就是简单的将成绩之和除以课程数量，而加权平均分是需要再考虑上课程的学分，这些大家简单了解一下就好了，因为每个国家甚至每个学校的评分系统都不一样，在申请的时候我们往往需要根据目标学校的GPA算法进行换算，为了帮助大家更好的理解该如何换算，下面我就用美国和英国这两个热门国家来举例子。 美国常见的算法是是从100往下，每10分为一级，总共分成A、B、C、D、F五个等级，分别对应4、3、2、1、0五个分数，+-号则代表在分数上再+-0.3分，但是我们在换算为绩点的时候一般都取整数，然后再用加权平均数的方法算出最后的成绩。 比如我们学习了三门课程，成绩分别是95，85，75，学分分别是3，2，1，那么我们在申请学校时提交的成绩就是（4*3+3*2+2*1）/6=3.33。 英国的GPA算法就比较特殊了，总共分为四类学位，及格分为40分，同时对中国大学有自己的分档，985/211和双非院校相同绩点要求的分数也会有不同，例如985大学的同学的83分就可以对应3.3的绩点，但是双非的同学要85的分数才可以达到3.3的绩点。全部换算为绩点之后，也是通过加权平均数的算法，就可以得到我们最后的成绩了。 这个时候同学们可能会有一个疑问：留学申请的时候可不可以用有利于自己成绩的算法呢？比如网上说的浙大算法、北大算法，答案是可以，不过使用的空间非常有限。 一方面不是所有的国内学校都能允许学生使用其他的算法，另一方面申请的时候还是要上传自己的完整成绩单的，所以大多数国外大学会在拿着成绩单再计算一遍，这样通过算法提高成绩的空间就很有限了。不过一些美国大学是认可WES等认证机构的，WES算法对985大学比较友好，认证出来的成绩可能高一些，可以通过这种方式来提高一些申请的竞争力。 最后我们来聊聊一个保命的话题，当发现GPA不够时，我们该怎么补救呢？Evie学姐教你三招。 如果你发现的还比较早，在课程安排上还有一些可操作性的话，我建议你可以考虑把比较有难度或者学长学姐们普遍反映给分低的课程推到大四，因为留学申请一般只要提交前三年的成绩，但是一定要注意大四还是要认真上课，不要在这个节骨眼上挂科了。另外就是充分利用一些课程简单，给分高的水课，争取在大三拉高一下自己的成绩。 如果时间已经比较晚了，还有两招，一招是在网申环节的optional essay里，你可以针对学分高但分低的专业课程，解释一下自己拿低分的原因，比如课程难度高，教授给分低等。另一招是提供排名证明，比如学校排名第一的同学的GPA也就是3.5，那我们GPA3.4，排名在前5%的成绩也是非常有含金量的。这样对我们的申请也会有帮助。 好啦，以上就是本期Evie学姐的全部分享了，如果对你有帮助的话可以给我们一个点赞收藏支持哦~如果同学们有其他问题，也可以在评论区留言，我们看到都会尽量解答的，我们下一期再见啦

发布了笔记 4月前

Data求职风向标|对于DA/DS什么越来越重要？

大家好，我是篱笆老师Iris，正值秋招，有很多小伙伴尤其是应届生小伙伴们对于Data求职有很多的疑惑，比如行业发展趋势，求职激烈程度，相关技能是否应该掌握以及掌握到什么程度等等。Iris老师今后将会出一个系列的视频对大家的疑问进行解答，欢迎大家点赞收藏，或者在下面留言提问。今天，老师先来为大家解答我观察到的，今年Data求职的几大趋势！ 第一， 硬技能（technical skills）的匹配程度越来越重要。       过去各家公司对于应聘者使用的技术工具比较宽容。我需要Python，你会的是R，我需要Power BI，你会的是Tableau。没关系，入职后再学习也是可以的。而在现在的求职市场中，这种情况越来越少见了，本来市场上就有大批熟练这类工具的求职者，为什么公司还要花费时间和人工成本去等没有准备好的人学习呢？ 因此，掌握尽可能主流的工具对于data行业求职者来说是更重要的，以老师的感受来看，Python的广泛度和适用性会更高，而近年来许多越来越多公司开始把powerBI/tableau作为必会工具写在JD里。 除此之外，一个非常明显的趋势是，data相关岗位的要求也在往full stack靠拢，只掌握tableau是不够的，更全能的candidate，能够打通pipeline+data warehouse+powerbi/tableau的求职者往往会更受公司的青睐。 第二， 行业知识（Domain knowledge）越来越重要。   跨行业的da/ds求职正在变得越来越困难，过去部分da，ds可以从科技跨到广告，医疗跨到金融等不同领域求职，而现在，公司会更加重视candidate有没有对应的专业背景。即便已经过了hard skill这一关，公司还是会优先选择domain knowledge更契合的candidate，而且未来，这个领域要求也会更加细分下去。 这里有两个维度，一个是你过去所在的行业，二是在某一个行业内，你过往经历具体是在那一块业务。 首先行业就很直接了，比如互联网公司更倾向招聘有在互联网公司工作过的人。 第二点就对对口的要求更高了，比如银行的risk组会更偏向找在别的公司做过credit risk的人，仅仅是在银行有过工作经验可能还不够因为credit risk这一块儿有很多的行业知识他们希望你入职的时候已经具备了。 对于公司来说，知道业务里问什么问题，清楚应该分析什么的人，会比“取数工具人”更能够创造价值，不可替代性也是更强的，对商业模型的理解和行业洞见才是data竞争力的核心。因此，各位小伙伴工作和实习中一定不能做盲目的工具人，对于项目和业务要有data-driven的思考。 第三， Preferred qualification越来越重要。   由于data求职市场供给远远大于求，市场上能够掌握Mandatory Skills的求职者已经很多了，真正的能让hiring manager留下印象的是能够满足preferred qualification的人，所以大家在修改简历准备面试的时候，一定不要忽略JD上preferred qualification的部分，这个部分也许就是你能拿下offer的原因。 老师找了一些da 岗位JD中的preferred qualification，可以看到，很多公司的preferred qualification都与domain knowledge，work experience相关。不得不承认，这对于NG来说，是非常不友好的，但就是目前data求职的一个趋势。 总结一下，data求职目前越来越重视对于对应技术工具的掌握，重视对于行业的了解，业务的思考和洞见，重视在basic skill之外拿出更多的东西。基本上，data招聘未来会向着一个更全能，更细分的方向发展。希望大家能够多多了解行业趋势，尽可能地武装自己，提高自己的职业竞争力！好啦，今天我们就聊到这里，关于data找工还有什么疑惑，欢迎大家给我留言！下次再见啦，拜拜！

发布了笔记 5月前

准留学生申请必看系列｜如何筛选适合自己的留学中介

准留学生们，别再傻傻把钱交到留学中介里面啦。看完这期视频，教你如何擦亮眼睛，找到适合自己的留学中介。 首先，看中介机构的营业资质，要确认所找的机构是否具备工商认证的营业执照，签合同的时候是否盖公章。 第二，看价格。如果中介的报价过低，此时你就要怀疑该中介机构是否存在“隐形收费”的情况，也就是说现在许多中介先低价把学生签进来，然后再给你卖大量的“科研实习”。还存在另外一种常见的套路就是，根据排名来收费，比如某中介机构在推销的服务的时候就说“如果申请到了艺术类院校前三，就要加多少钱”，其中存在一个比较明显的信息差的漏洞，即这3个里面肯定有一个是很容易申请到的院校，因为单独的艺术类的院校本身就很少。所以在筛选中介机构的时候，一定要和中介机构的老师明确签约之后是否还存在其他的花销。 第三，对于顾问老师而言，要关注其背景资质和业务水平。现在中介机构常用的描述老师背景话术就是“名校毕业，加申请了很多年，加行业里面的头部老师”。所以在判断的老师的背景资质时，可以要求机构是否能够提供老师的毕业证书来佐证其背景的真实性。在判断业务水平的时候，可以通过与他沟通每年的局势、申请情况、哪些年好申请、某个专业具体的申请情况等问题来判断该顾问老师的业务水平高低。 第四，对于文书老师而言，要关注以下几个重要的内容： 一是很多中介都会宣传文书老师是英专毕业，但是文书重点看的是内容，不只是英语语言的水平。如果不了解你所申请的领域的话，文书根本无从下手。所以你需要通过以下方面来确认文书老师是否对你所申请的专业具备丰富的经验丰富的，比如和文书老师沟通的时候，问老师某某专业需要看重的能力是什么？某某理论是否属于其研究范畴？我过往做过的研究项目经理可以从哪些角度进行美化以便更符合申请的要求？你觉得某某领域某某主题是一个前沿的话题吗？可以通过与文书老师通过一些专业性比较强的问题来判断文书老师的质量。 二是要去看文书sample和案例。在其中，要重点关注以下几项内容：一是基本的语言流畅度，文章结构是否具有逻辑，环环相扣，三是否能在文书中找到该同学本身的独特性，和专业所要求的理论知识和技能。 四是看文书写作的细节。要询问文书老师不会换人、是否提供无限次的文书修改次数、是否针对不同专业是否有不同的文书等等问题 第五，明确服务期限。询问服务是否只在申请拿到申请结果之后就结束，是否还涵盖确认offer到开学之前的各种接机住宿等服务内容。 最后，要确认邮箱是否共享。同时还要和中介明确修改次数，邮箱，不存在后续收费等内容都应明确写入合同。 好啦，以上就是本期干货内容的分享啦，希望各位同学都能少走弯路，顺利拿到自己的梦校的申请！

发布了笔记 5月前

哥大学姐说：商科卷不动❗看看哥大MPA❗

哈喽大家好，我是篱笆留学导师Cathy。众所周知商科在历年的研究生留学申请中都是一个非常抢手的方向，尤其是对于很多本科major是数学、金融或者会计的同学来说。那么在申请研究生时候该如何找到一个竞争相对不那么激烈但又能成功进金融领域的项目呢？ 我先介绍一下我的经历，我本科是在美国我的专业是econ。我没有选择传统的商科研究生项目，而是选择了一个结合了数据金融还有公共政策等等以及管理相关的一个项目就是MPA，我现在是就读于哥大的MPA。 那么什么是MPA呢？MPA的全称是master of public Administration，它的中文翻译是公共行政硕士。那么这个专业有什么不一样呢？它比较注重于跨学科的综合教育，我们的很多课程融合了比如公共管理、政策分析、经济法律等等还有会计相关的一些知识。这个项目可能更注重培养这种全方面的一个人才，并且MPA也非常强调实践与实践应用的能力培养。在这个项目学生会学习很多公共政策和管理挑战的很多实际技能，比如对于进入像NGO组织或者是国际组织UN的同学来说，那他们可能会对于这个政策制定方向非常感兴趣。那么对于想进入金融领域的人来说，那这个项目也会涵盖很多金融相关的知识，比如说corporate finance、Accounting等等。 同时我们也有一些注重于领导力和沟通等等的课程，这个项目的学制呢是两年，我们会有一些必修课这个我们叫做core curriculum课，主要包含比如说policy making和financial management ，但是这些都是比较大致的领域。在这个领域下你还可以选择不同的课程，针对你以后想做的事情或者是你自己的passion都可以自由选课。MPA本身并不是单纯培养公共领域的管理人才，我们的学生其实毕业去校非常多元化，比如他们有很多在商业、咨询、金融、服务、能源，最近几年其实ESG这个概念非常火热，我们项目也是有相关的很多课程就让学生了解这个行业，也会有很多学生毕业之后进入能源相关的企业，传媒啊人群智库基金等等。 MPA跟传统上课相比有什么优势呢，我觉得它主要的优势就是你可以在这个课上学习各种各样的知识。我其实个人主修的是international finance和Banking，所以我大部分课程都是在这两个领域下的，但是我也可以同时上一些很多其他的选修课，比如之前我就上过real estate finance还有Cyber risk Securities，这些都是我自己兴趣相关的。 我觉得其实上不同的学科会对自己的工作也好，自己的认识也好都会有非常大的帮助。对于比较看重数据和金融的同学们来说呢，我觉得MPA也是个非常好的项目有各种各样的coding，因为我们有各种各样的写码课，但是我们很多阶段相关的课程跟其他的比如CS专业、business analytics这些相比，可能学的没有那么深入，但是我觉得我们项目的课程的好处是让那些没有接触过写码的同学来说有一个general idea。其实从我们的这个concentration specialization的细化看出，如果你想在学习公共管理的同时掌握量化数据分析的技能，这MPA是一个非常好的选择。 并且我觉得还有一点是在SIPA其实你可以遇到世界各地从事各种不同工作的人，比如我们的同学里可能有很多之前是在美国政府工作过或者之前是律师公司高管，世界各地各种国家的人都有。所以我觉得在这里实习其实是一个非常开眼界的经历，并且其实和不同类型的人聊天自己也可以学到很多东西。所以我个人还是非常喜欢在SIPA读书的。 希望大家有什么问题也可以评论区留言告诉我，今天我的介绍就到这里，下期我会继续为同学们介绍美国的各种其他上课专业。 如果这个视频对你的申请有帮助的话，欢迎点赞收藏关注，我们下期见！

发布了笔记 5月前

第二梯队美研数据类项目大盘点

Hello，篱笆学姐今天要来为大家分享第二梯队的data项目，这个系列的视频希望可以帮助想要申请数据类美国研究生的同学定位自己的目标院校和专业，还没有看过第一期第二期数据类项目介绍的同学可以戳往期观看哟~ University of Chicago  Applied Data Science 这个项目原本的名字是analytics，2023年6月改成了Applied Data Science，可以看到Data Science真的是近几年的风口专业。这个项目比工程院下的数据科学项目要偏注重实践，并且理论教学又比一般商学院下的商业分析项目更扎实，所以对找工作很友好。 项目对于偏重实践还表现在课程设置上，大多数课的期末都是project。学生需要完成 12 门课程获得应用数据科学硕士学位，具体包括，7 门核心课程、3 门选修课程、2 Capstone Project courses。 University of michigan Data Science UMich优点：顶尖公立学校之一，工科以及统计学排名都很高；课程设置偏硬核，也有很好的CS课程可以选；学校alumni很多，可能对就业有帮助。 在这个项目里，数据科学被划分为（1）计算机和信息科学（2）统计科学和（3）Domain Expertise的融合。这三个支柱不是对称的：前两个共同代表数据科学中使用的核心方法和技术，而第三个支柱是应用该方法的应用领域。本项目侧重于前两个。 通过数据科学硕士课程，所有学生将能够具备以下能力： 1.识别相关数据集 2.将适当的统计和计算工具应用于数据集，以回答个人、组织或政府机构提出的问题 3.设计和评估适合数据的分析程序 4.在多计算机环境中的大型异构数据集上有效地实现这些。 JHU Data Science Johns Hopkins University 项目旨在培养下一代数据科学的领导者，强调掌握将现实世界的数据驱动问题转化为数学问题的技能，然后使用各种科学工具来解决这些数学问题。一般是在1.5年完成。 关于课程设置，需要在ds stats computing ML optimization五个area各选一门，然后还要选四门elective，外加一个至少6分的capstone thesis。能选的CS课程是proof based，比如intro algorithms这门课就是一门披着cs外衣的数学课，还有intro to stats这门课workload十分之大。想要申请的小伙伴要做好心理准备！ CMU MISM-BIDA carnegie mellon university MISM项目，目前包括四个track，今天主要为大家介绍Business Intelligence & Data Analytics。 CMU的MISM-BIDA项目被评为 全美排名第一商业分析项目，项目需要一年半的时间完成，综合课程包括机器学习、结构化和非结构化数据分析以及预测建模方面的高级分析课程，整体来看，课程结合了商业，统计，计算机，暑期实习是必需的。 BIDA毕业的大部分同学的就业选择是Data Science，主要集中在西雅图，圣何塞，纽约等地区，公司有亚马逊，Adobe，Google，IBM，Oracle等等。 希望这期视频对你有帮助，未来篱笆学姐还会持续更新相关ds项目的介绍，下期见！

发布了笔记 5月前

提高与教授联系的有效性：留学生如何与教授建立联系与写电子邮件

相信很多在国外留学的朋友都有一个疑惑，为什么我的教授回复我的邮件速度那么慢，有时候甚至不回复呢？我在国外生活了许多年，对此也深有感触，今天就和大家分享一下我的一些经验吧！ 首先我们来设想一下，大部分的留学生朋友什么时候会联系自己的教授呢？无非是想要教授给自己修改一下作业的提交日期、要么想要问教授要一个推荐信想让他帮自己申请硕士博士、或者就是想要自己作业的反馈或者自己论文的草稿。 说到这，或许许多朋友已经想到了，你只有在有事情的时候去找教授帮忙，他甚至都不知道你是谁。尤其是对于白人教授来说，亚洲人长得都一样、名字也非常难记，教授收到你的邮件的时候甚至不知道你是谁。 所以为了避免这种事情得发生，我们平时就需要与教授建立一定的联系，最起码需要让教授记住我们是谁。比如给自己起一个好记的英文名字、平时下课多问问教授一些问题，这样我们就可以在邮件中告诉教授说“我是上周向您请教某某问题谁谁谁”，这样可以大大提高教授记住你的概率。 当然只有这样是不够的，在写邮件的时候我们还需要注意一些基本的规则： 首先，许多同学觉得邮件写的很短会没有礼貌，但是许多教授都不喜欢过长的邮件内容，而且教授可能没有时间阅读长篇大论。所以我们在把事情讲清楚的情况下将邮件内容写的越短越好。 然后就在邮件的正文中有一些可以让邮件更加有礼貌的一些规则。曾经有一位英文母语者给过我一个比较好的答案，第一要多用专业语言，不要太过于口语化，这个时候我们就可以多留意平时学校给我们发邮件时候的格式与措辞；第二要保证邮件没有语法、拼写上的错误；第三不要再邮件里面全都用大写字母，这样会让别人觉得很冒犯；最后是尽量不要用加粗、斜体、下划线这类花里胡哨的东西。 除此之外，还有一个非常重要的点。那就是尽量不要用QQ邮箱，因为许多教授看到QQ邮箱的后缀和一串数字的邮箱地址会下意识的认为这是一封垃圾邮件；而且最重要的是由于语言的不同，编码的类型也会不一样，所以很有可能会出现发送方明明是正常的邮件，但是收信方收到的确是一串乱码。我们可以使用学校提供的邮件地址或者当地人经常使用的邮件地址，比如说gmail谷歌邮箱。 最后还有一些需要注意的小细节 比如说不要在邮箱开头用“hi”“hey”，这会形成一种不专业的基调，一些教授也会认为这太随意了。你可以使用以下的一些礼貌用语： 除此之外，就是需要规范邮件的标题，要明确说明自己的目的和表明自己的身份，可以最大程度上可以确保教授可以第一时间看到你的邮件，而不是将他视作垃圾邮件。 还有一些礼貌、正式性的问题，比如对于教授的称呼问题，最好的万金油称呼是“dear professor”，无论教授的年龄性别都可以用这个称呼。 我们这期的内容就到这里了，希望大家都能顺顺利利的度过留学生涯，有任何问题都可以在评论区留言，我们下期再见。

发布了笔记 5月前

想要留学的你快要看过来，你适合DIY留学吗  

大家好，我是你们的篱笆学姐Evie。最近大家可能在网络上听到过很多鼓吹DIY留学的言论：连diy的能力都没有，出国留学也干不了什么。不能自己diy就不配留学。 当然同时教大家去diy的人越来越多，这本身是一件好事，自己diy既可以为自己留学之路省下一笔不小的开支，又可以在整个申请过程中锻炼自己的能力。但是diy所需的能力并不是每个人都具备的，这就导致可能有申请失败的风险。这里我给大家列了以下6个维度，大家可以对照进行自我评估，看自己是否适合DIY留学。 首先是信息的检索、整理和分析。这个能力是尤为关键的，不是简单地查个官网，搜个google就是有效的信息检索能力了。留学选校选项目玩的就是一个信息差，比如有的项目属于非热门但在本地就业的时候有很大的优势，你是否能检索到？比如学校官网给出的申请条件要求只是最基础的，很多英国院校在录取时都会有自己偏爱院校的list，你是否能够检索得到？除此之外，你还要能够检索得到院校往年的录取案例和官方而非留学中介公布的录取数据？只有将这些数据都整理分析好，才可以合理划分保底、平档和冲刺的院校和专业。简单考考你，你知道“一亩三分地”“College confidential”“Reddit”这几个论坛和网站吗？这些可都是想要自己diy的同学必备的部分网站哦！ 第二是充足的时间，如果你本身大四毕设的任务很重，或者是全职实习，抑或还在刷自己的语言成绩，就要考虑自己准备毕设、考试、工作的时间是否会与收集整理留学信息和写文书的时间冲突。 第三是良好的外语阅读和写作能力，很多同学简单以为会使用翻译工具就足够了，但是你要知道PS、CV和两封RL是需要针对不同院校不同专业进行修改的。一些专业性较强的项目在写PS和CV时还会涉及大量的专业名词，所以你的英语水平是否能够覆盖呢？再来考考你，你知道grammarly这个网站吗？ 第四是需要良好的心理素质，整个申请季会碰到很多的难事，比如往往需要多任务并行，筛选外部复杂且混乱的信息，身边同在申请的同学更快地准备材料进度等等，都会给每一个正在准备留学的申请人带来不同程度的焦虑。 第五是比较强大的自驱力和时间规划的能力。不同学校不同项目开放投递和截止时间你是否能够厘清？什么时间递交最为合适？Conditional offer的语言成绩最晚需要在什么时候考出来？什么时候存留学保证金等等。 第六是自己的本科院校背景和均分。决定申请结果的关键因素是申请人的均分和本科院校背景。实习和文书本身都是锦上添花，并不能起到决定性作用。如果你自己的本科院校背景较好且满足上述的条件，那么恭喜你，你就有完全具备自己进行diy的条件啦！ 如果你觉得自己不适合diy的话，就要考虑找留学中介提供从选校定位到递交申请的一条龙服务，此时又碰到一个老大难的问题，市面上留学中介鱼龙混杂，如何挑选靠谱的中介呢？这个重要的问题我们将会在下期给出答案，快来关注我们吧！

发布了笔记 5月前

过来人告诉你零基础怎么上岸Risk management

hello大家好，我是篱笆教育的Sarah导师。那作为一名creit risk manager，我自己也曾经经历过零基础转行risk领域。之前评论区和私信有很多小伙伴询问，如何拿到risk领域的offer。所以今天想和risk领域感兴趣的小伙伴们分享，零基础怎样才能高效上岸risk management。 那第一步就是大家要全面的分析自身的优势和劣势，对于零基础的小伙伴来说实习和项目经历一般都是比较弱势的，这个时候一定要找到自己的长处所在，还要整理和归纳自己，能够在较短时间内补足的知识和技能来从而从容的应对面试。 具体呢可以从以下几个方面来看：第一就是对risk领域基础知识的了解啊，具体包括风险管理的概念和原则、风险的分类、风险评估的方法、风险的控制措施、风险的监控和报告及如何进行风险沟通和管理。那由于风险管理的知识体系是比较繁杂的，大家要在这个过程中学会抓住重点，学会归纳和整理。尤其要注意一些行业内非常重要的关键的术语的理解和记忆，还有就是hard skill的掌握情况,多风险评估风和分析要能够使用或者至少了解风险评估方法和工具，分析和评估风险的概率影响和优先级，还有就是风险管理的框架和方法，要根据不同的风险管理细分领域了解常见的啊管理框架模型和方法。 那比如企业风险管理领域的ISO3100、COSO ERM，还比如credit risk领域中预测欠款概率的模型等等。那最后还有这个统计和数据分析，大家要具备统计学和数据分析的基础知识，能够运用统计方法和工具来分析风险相关的数据以及最后还有法规和合规知识。大家可以掌握与公司所在行业相关的法规，要求要能够将其纳入到风险管理的实践当中。 那还有就是这个communication能力，因为risk management要求大家具备很好的表达能力，尤其是口语能力，要能够清晰的传达风险和项目信息给力相关者。那对于以上这些方面分析之后大家对于弱势的方面要尽最大的努力去补足，可以针对不同方面列一个详细的清单和准备计划。如果时间允许的话建议大家尽量去争取一段risk方向的实习。 第二步就是经历的挖掘和简历的优化。根据我们刚刚第一步分析的结果，在简历中highlight自己的优势，那这些优势要和risk management领域有高度的相关性。 那如果大家在这个领域没有直接经历简历也可以从以下几个方向来进行优势的挖掘。比如第一个项目管理能力啊，因为风险管理呢通常涉及多个项目和团队的协调和管理，大家可以去突出自己的项目管理能力，包括项目规划执行和监控的经验。还有就是沟通和领导能力，在风险管理工作中良好的沟通和领导力非常重要啊。大家在简历中可以突出自己的沟通技巧、presentation能力和团队合作能力，那这些要尽可能的在项目中去体现自己的leadership。 下一点就是技术工具和软件。大家可以列出使用过的与风险管理工作相关的技术、工具和软件，可能包括比如啊这个数据分析工具、统计软件和数据可视化软件等等。比如sql、python、SAS Tableau等等。大家要重点突出你对这些工具的熟练程度和使用的一些经验，尤其是对于entry level的小伙伴们这一点尤为重要。 好啦说了这么多，我们这期内容帮大家总结了如何分析自身的优势和劣势以及如何进行精力挖掘和简历的优化。那下一期呢我们将重点介绍面试准备方面这也是想要上岸非常重要的一部分啊，感兴趣的小伙伴们可以点赞关注一下，这样就不会错过我们后面的精彩内容啦。 也欢迎大家留言，告诉我们其他感兴趣的问题，我们可以下期再见拜拜！

发布了笔记 5月前

盘点第一梯队美研数据类项目

今天学姐要为大家介UCB,Clumbia,NYU,Gatech的ds相关项目。这几所院校在美国乃至全世界都是知名度认可度很高的，在最新发布的usnews排名上看，几所院校分别在15，12，35，33位，因此，这类项目对学生背景的要求是非常高的。 UCB Analytics Berkeley的分析学项目是在2021年新开设的项目，隶属于Berkeley IEOR系（Industrial Engineering and Operations Research），这也就意味着，这个项目是偏工程类的。 项目的长度是12个月，MSA侧重就业，主要帮助学生提升数据分析与量化决策的能力，因此核心课程也是以技术和应用为主。最后要求学生将必修课学到的optimization, risk modeling, simulation, data analysis等技能用在1个project之中。 对于求职目标是金融与数据交叉领域的学生来说是一个值得一申的项目，毕业后同学的职称包括商业智能分析师、数据分析师、数据工程师、运营分析师、机器学习工程师和定量分析师。 Columbia Data Science 哥大数据科学硕士（Masters in Data Science, MSDS）是开设数据科学最早的学校，是工程学院（Fu Foundation School of Engineering and Applied Science）的项目，是一个结合统计、计算机科学、工业工程与运筹学多学科的专业。 项目时长一年半，可以选择spring或者fall入学，大多数学生选择fall入学因为可以多一个summer找internship。学科强调兴趣，强调数据科学在生活中的应用。一些学生主要关注数据伦理，另一些学生则对数据科学作为一种新演化的知识感到兴奋，但所有的兴趣可以归结到数据科学如何改变我们的日常生活。 课程大多比较偏tech，必修课主要分为计算机相关（algorithms, machine learning, computer systems），工程相关（ds capstone and Ethics），统计相关（probability and statistics, statistical inference and modeling）。至于就业，项目的名气和reputation非常好，因此拿到大厂面试机会很大。就业去向：Alibaba, Amazon, Aptly Technology, Bilibili, ByteDance, BCG Gamma, C3 AI, China Telecom Americas, CIBC, Citibank, Cowen, CTA NYC,  Huawei, IBM, Jingdong, J.P. Morgan.等公司。 NYU Data Science 纽约大学Data Science隶属于纽约大学克朗数学研究所(Courant Institute of Mathematical Science)，这是美国大名鼎鼎的研究所，应用数学研究全美第一。 数据科学理学硕士是一个高度选择性的课程，适合在数学、计算机科学和应用统计方面有深厚背景的学生。该学位侧重于数据科学新方法的开发。课程是针对当前社会背景设计的：我们的网络世界正在产生大量的数据，这种数据洪流有可能改变商业、政府、科学和医疗保健的运作方式。课程目标是培养能够使用自动分析工具，穿越噪音从大数据中创造知识的人。 数据科学硕士（MSDS）学位的课程为 36 个学分，NYU Data Science 项目预计（完成）时间是2年，也可以一年半修完学分。数据科学硕士课程的主要特色之一是capstone project，在该项目中，学生将经历解决实际问题的整个过程：从收集和处理实际数据，到设计解决问题的最佳方法，最后到实施解决方案。 课程配置的话，大家选课的自由度非常高，不仅是DS的课程，NYU很热门的金融数学、Stern这些专业学院的课基本也是可以随便选。纽约金融公司很多，NYU牌子也很硬所以同学们找工作并不难。毕业生们有去做市场分析，Data Mining的，金融基金公司的, 还有走tech/计算机方向的。 Gatech Analytics 佐治亚理工学院（Georgia Institute of Technology）的分析学理学硕士学位是数据科学和分析学的混合学位，由佐治亚理工学院的计算机学院、商学院和工程学院跨学科提供。佐治亚理工学院为攻读分析学硕士学位的学生提供三种选择，这三个方向分别是ANALYTICAL TOOLS TRACK，BUSINESS ANALYTICS TRACK，COMPUTATIONAL DATA ANALYTICS TRACK。 课程是在一年（秋季、春季和夏季）内完成，每位学生共需修满 36 个学分。课程包括了machine learning, visualization, data pipelining, statistical and operations research modeling, and application。项目的夏季学期并不是授课，而是做一份实习或是完成一个实际的项目。 并且，MSA 课程还包括一个 "学习如何学习 "的板块。毕业几年后，会出现我们还是学生时还不存在的新技术、软件、语言和平台。gatech欢迎 MSA 学生在毕业后回校学习更多课程，以便在职业生涯中始终掌握最新技术。 如果视频对大家申请有帮助的话，欢迎点赞、评论、关注，下期我们一起来看第二梯队的美研ds项目！

4

发布了笔记 5月前

数据科学家告诉你如何开始第一个kaggle DS项目？！

哈喽大家好，我是篱笆的Rain老师，也是一名数据科学家。今天我要教大家如何一步步上手 第一个Kaggle data science项目。那么很多刚刚涉入data science领域的同学都会面临一个问题就是手头上没有data，data science没有data那还怎么science。那么Kaggle就是能够帮助我们解决这个问题，因为它是世界上最大的AI以及ML的社区之一，上面就提供了大量的data science相关的资源，其中就包括各种各样高质量的数据集，那么下面我会为大家一步步的讲解。 首先第一步呢我们需要选择数据集，我们有两种途径可以去找到一个我们想要的数据集。第一个是通过competition，第二个是直接进入到data sets这个界面进行寻找。那么这两个的入口我们都可以在Kaggle的网站首页上直接找到这如图上所示的那样。那么competition它是Kaggle上就是说会有很多实时进行的竞赛，他们一般都会要求你用了ML或者AI的model去实现一个目标，那么很多也会提供一定的奖金。感兴趣的同学可以就是直接以赛代练报名参加，并且争取在提供的数据集上取得不错的成绩。 那么Kaggle也为新手们推荐了一些非常基础、适合入门的竞赛一些数据集。比如像图上所示的一个就是Titanic数据集而DS的界面则是囊括了Kaggle上所有的数据集，我们呢可以根据一些条件来搜索，比如说像感兴趣的数据集的类别，像金融、医学、游戏或者体育；或者说我们想做的任务的类型，像回归、分类、NLP或者CV。也可以直接从一些热门的数据集当中进行选择，像图上有一个trending datasets的这样一个栏目。 那么第二步，我们需要初步探索这个数据集。因为在我们初步选定了这个数据集之后，我们需要更进一步的搜集关于这个数据集的一些信息来确保它的数据就是我们可靠的以及有效的。最简单直接方法就是直接点进去这个数据值的界面进行查看，但是在这个过程中我们需要额外关注以下几点的信息： 首先是数据值的简介，这个可以在data card-about datasets这个栏当中找到。第二个数据值的大小。因为大部分的数据集它会告诉你它有多少的特征，也就是多少列也会显示包含了多少的样本，也就是多少行。那么有的数据集它包含了多个的数据文件，我们需要进行查看。数据集它太大或者太小，其实对于新手来说都不太友好。 那么第三个是数据的一个类型，我会推荐选择数据类型比较多样的，这样就会有助于初学者进行锻炼以及熟悉不同的数据类型。那么像图中这个例子就是有16个行，它就包括了像整数啊字符串啊以及福点数这样不同的数据类型。最后我们需要关注这个数据值的一些关键特征，那么在这个界面中会有个窗口，它显示的这个数据值的所有数据就是我们下载Excel这个表格后拿到的真实数据。我们可以在这个窗口中浏览一下这个几个关键的特征数据，他长得什么样，他们是做什么的，尤其关注目标特征，也就是我们需要预测的那一类数据。 我们接下来第三步是要下载以及处理数据。因为在我们初步探索完数据之后我们可以直接点击这个页面上的download标签下载这个数据集，它会以Excel的方式下载到本地，然后我们就开始编程进行data Processing。那么我会推荐Python这个pandas library作为一个基础的工具包，其实data Processing它包含了一套完整的pipeline，那么这边我就列举几个常见的步骤，像missing values analysis，像data encoding以及scaling，像Feature selection、feature engineering以及data splitting。 那么接下来就是训练以及评估我们的model，我们需要根据项目的一个target，比如说它是classification还是regression，还是其他来选择对应的model在训练集上进行训练，并且在测试集上评估模型的表现，我们并且需要争取不断的优化这个对应的metric。那么到此为止我们已经走完了一个Kaggle data项目的基本流程，实现了用我们ML的model对于这个数据target的一个预测。 但想要更进一步呢我们还有这些步骤去需要完成，首先是data visualization。我们可以利用plotly这样的library对我们的数据或者model的表现进行绘图，这样用可视化的方式。能够更加直观的呈现我们所做的工作。此外呢还有the model deployment，也就是说我们可以将最终模型保存上传到云端或者服务器上，简单建一个简易的网站来部署它，这样就可以实现对live data的一个处理及预测，那么这个步骤其实会比较麻烦一些，因为它会要求一些前后端开发的能力。 此外我们可以将代码整理上传到gitub上，并且写一个read me the file来总结所做的工作，这也是一个非常良好

发布了笔记 5月前

高性价比|普通人也能上的美国cs硕士项目！

篱笆学姐今天要给大家推荐几个留学性价比非常高的美国cs硕士项目，这几个项目从时间，金钱，录取条件，地理位置，在美国找工几个方面综合来看是十分有优势的。非常适合对名校没有执念，GPA,GRE偏低，但是还是希望提升学历，以及想要在美国找工作的小伙伴来选择，下面我们一起来看一看！ San Jose State University SJSU位于硅谷附近，著名的硅谷神校，是一所综合性公立大学。周围非常多科技公司，找工作，就业，面试非常方便，同时SJSU的费用相对较低，学费30000美元多。 圣何塞州立大学的计算机科学学制两年，必修课程包括数据结构与算法、计算机原理、计算机组成、系统分析与设计等。这些课程立足于打造扎实的计算机科学基础，帮助学生掌握计算机领域的基本知识和技能，选修课程涵盖了机器学习、人工智能、数据科学、网络安全等多个领域。 Santa Clara University 和上一所学校情况类似，这是美国的一所著名的非盈利私立天主教学校，在美国硅谷（Silicon Valley）的心脏地带已有167年。SCU适合心无旁鹭刷题、做项目、找工作的人，这类人对学校排名和课程根本不care，最后都去了大厂，SCU的学校牌子在湾区中小公司是可以过简历关的，Google也不会嫌弃。学费45000多美元，学制两年。 Santa Clara University的课程设定采取了分层次策略，主要分为基础课程和高级课程两大部分。基础课程为学生搭建了坚实的理论知识结构，同时也让学生有机会熟悉和掌握计算机科学的基本工具和技能。而高级课程则是在此基础上，让学生有机会接触到更多前沿的计算机科学理论与实践内容，提供了深入了解和实践计算机科学的机会。 University of San Francisco 旧金山大学是湾区一所著名的一流天主教私立大学，是美国职业发展型大学的代表，商学院和计算机最为出名。地理位置依然是非常优越，离Facebook超级近，去Google不到1个小时。抱紧硅谷这个全球科技创新的中心，对学生寻找实习和职业机会提供了巨大的便利。学校也积极与当地的企业和机构建立合作关系，为学生提供实习和就业的机会。 课程由 36 个学分组成，需要两年的全日制学习，第一年采用群组模式，所有学生学习相同的核心课程。第二年，学生可以根据自己的兴趣和目标轮流选择研究生选修课。学生在攻读学位期间会开发几个大型软件项目，包括在第二年进行一个大型毕业设计。 Northeastern University - Seattle校区 NEU的西雅图分校。学费70000+美元，cs align这个项目理论上最快可以两年就毕业，但是这需要其中一个summer上课，而最慢则可以三年再毕业，大家可以结合自己的需要来进行选择。这个项目非常适合转码同学申请，就是给奔着在美国找工作的人设计的，刷题找工氛围浓厚，上岸的人很多。 项目包括桥梁课程、核心课程、分支方向课程和选修课程，第一年的四门课都是bridge-course，Fundamentals of Computer Science，Discrete Structures，Computer Systems/Algorithms，Object Oriented Design/Java Programming都是在为后续的general学习做准备。 今天学姐的介绍就到这里，当然每个人根据自己的情况不同，选校时重视的因素不同，选择会有所差异。这次的介绍希望能为大家提供补充cs美硕的选校定位信息，关于cs硕士项目还想了解什么，欢迎留言！

发布了笔记 6月前

对冲基金常见面试题类型大盘点

大家好我是篱笆老师bill。我曾多次参加对冲基金面试，拿过AQR、Balyasny、德勤、易方达等offer，在面试方面，有很多经验和采过的坑可以跟大家分享。那今天首先想给大家分享的是对冲基金题目的类型，主要针对的是New grad和实习岗，也就是不需要工作经验的岗位，希望对大家同学有所帮助。 我的分享从量化的买方和卖方两个方向展开，首先对冲基金买方的岗位可以分为两个大类，偏策略的叫Quant researcher和Quant strategist，偏IT和software development的有Quant Developer和Quant Trader。面试题目最核心的就是围绕着面试者的数理还有计算机综合能力去测试，偏策略的岗位更多考核的是数理，而偏IT更多考量的是计算机的基础，那么接下来我讲一讲大概考核的这个方式。 其实很简单就是连麦做题，然后对方会问问题就出问题，然后你现场的拿一个iPad或者拿一个纸笔去解题然后告诉他你的思路，那至于是什么样的问题呢？接下来我可以说对于买方来说最核心的问题可以分为几类，一类是brainteaser也就是数学类的脑筋急转弯，应试者有10-20分钟的时间，用纸笔把这个脑筋急转弯去解出来。 那有一些是考核应试者数学归纳法，还有一些是考核应试者的数论，举个例子我之前遇到过的用数学归纳法解题的意思，就是假如说我们有100个狮子一只羊，狮子会吃羊但是狮子吃完羊就太困了，这个狮子它就会睡觉，那这种情况下睡着了，狮子那他就会被其他的任何一只狮子吃掉，那假如说每个狮子都是聪明的，也就是想在自己不会死的情况下吃掉羊肉，那想请问你这个羊肉羊会被吃掉吗？那假设狮子现在不是100只狮子是101只狮子了，会不会结果有所不同呢？ 这种类型的问题就是典型的用递推来解决，你可以去思考那假如说有两个狮子的情况，一个狮子那情况很简单狮子一定会吃羊，那两个狮子的话那一只狮子把羊吃掉了，另一只狮子就会把自己吃掉，所以这个羊就不会吃掉。然后去递推到100只狮子和101只狮子，之后我也会出视频专门讲这道题和类似的题。 第二类的题目就是概率论和数据统计。其中概率论有很多算期望的时候会遇到积分，正好可以考核面试者的微积分的能力，所以微积分也是一个重点。第三类就是线性代数，线性代数的题目没有那么高频，但是对于TOP10的基金这些肯定是会必考的。前段时间我在面试一个对冲基金叫SIG的时候就问到两个矩阵a和b，它们是斜方差矩阵。那么AB的矩阵乘积 是否就一定满足成为斜方差矩阵的条件，那这个就得你要知道成为斜方差矩阵的条件是什么，然后你要对a和b点这个矩阵相乘比较了解它有什么情况才能回答最后一类。第四类就是有关自由策略和博弈论的问题，具体问题和方法我在这里因为时间关系就不展开了，之后会出视频对每一类问题聊一聊。 然后是编程问题，编程问题也可以分为几种常见类型，考核的方式就是让这个面试者线上的去编程，比如说让一个软件远程登录到他们计算机上做题，有时候甚至会在白板上写代码 然后现场的去展示给他看。那第一种很常见的就是有关数据结构的，比如考核数组就让应试者用滑动窗口去解决问题，再比如说考核哈希表、栈或者2X树。第二种是关于算法的，最常见的叫做Dynamic programming，也就是中文所说的递规，有时候也会涉及到贪心算法甚至是图论。 那考核完面试者的基础能力之后对冲基金还会有一轮，叫做background interview，那这一轮可能是在这个technical interview也就是我刚刚说的这种线上做题之前，也有可能在之后。 这一轮background的轮，对于面试者的简历会深挖，其实真的是会非常的深入。举个例子我简历上有用这个线性回归、逻辑回归的魔术去建建模，那他们就会让我去现场的推到这些公式，然后买方的background interview通常会非常的深入一段实际性经历，你可能会被追问四五个问题。对于behavior question，比如说就是像那种问你可不可以分享你最challenge的一个challenging的一个project。那这种的话对冲基金其实会比较少的去涉及，跟投行的面试就不太一样。 那上面的问题只是举例，实际上面试中会出现很多其他的问题，这里我们就不展开说了。我们还要根据具体的公司去分析，那在面试前一定要对公司的投资策略还有对公司的产品、市场、客户有一定的了解，接下来未来我会更详细的分享每个topic的面试题目，期待一下我们之后的视频，也祝大家面试顺利！ 最后总结一下其实概括来讲，我们今天讲的买方就是四类型的题目：第一种是printeaser，第二种是有关概率论数据统计的，第三类是线性代数，第四类就是业务策略和博弈论，我们下次再见！

发布了笔记 6月前

Data应届生如何转变学生思维

hi大家好我是JC，我是在三年多以前本科毕业的就直接在美国工作了，以前是在金融行业，现在是在科技行业做data scientist啊。那今天主要是想和大家分享一些从学生身份转换到职场身份这样的一个过程当中，我们主要需要提高哪些素质和技能，算是给data应届生的一个职场第一课。 我们先从heartscales开始说起，首先对于已经拿到offer的小伙伴来说呢，我觉得大家应该有信心。因为面试的基本目的就是通过heartscales去筛选候选人，那如果说你已经拿到了offer就证明了，其实你已经具备了公司所期待你所拥有的大部分hard skills。那对于还在找工作的小伙伴来说其实data相关的岗位主要就是要求以下的一些hard skills，比如包括Python、统计知识以及一些knowledge，像AB testing machine learning还有product sense。那大家也可以把找工作准备面试这样的一个过程，当做是一个夯实和提升自己heart skills的一个机会。 另外一个Tips其实是我觉得大家在入职后的头1到2个月内，应该去尽快的熟悉内部的工具和技术站，了解清楚背后的细节和原理。尽管我们可能没有一个立即需要去做的一个任务或者项目，这样做好处是这些工具和技术站其实是我们长期需要依赖的东西，那在刚入职的1到2个月内，我们会有这样一个新人光环。 那这样的一个情况下我们多问问题往往会获得更多的包容和帮助，那么说完了hard skills，我们再来说一说soft skills。首先我觉得对于职场新人来说最重要的一点就是要做到踏实靠谱。那这里其实有两个比较核心的素养。第一个就是责任心，那作为学生的话我们更多只是为自己负责，我们考试成绩好坏、GPA高低主要是影响自己的发展。但是在工作当中我们的产出可能会影响一个团队运行甚至是一个产品走向，所以说我们要有很强烈的意识，就要为自己的产出负责。 第二点其实是学习能力，尽管在工作当中我们不再有来自考试或者成绩这方面的压力，但其实我们也需要不断的去学习新的知识和技能，就包括我刚刚提到的掌握公司内部的工具和技术站以及当行业和世界发生了一些大的改变的时候，我们需要及时敏锐的去学习新的知识和技能，就比如说大家最近都非常关注的LLM以及更具体的一些工具像ChatGPT等等。 除了做到踏实靠谱以外，新人如果想成长的更快也需要去体现出自己可以独当一面的能力和潜质。那这里其实也是有两个比较核心的素养，第一个是我们的时间管理和prioritization这样一个能力，尤其是在Data相关的岗位上，我们日常工作中会遇到很多的ad-hoc request，这些临时的要求或者问题往往是我们无法提前预知的。但很多情况下有非常的紧急或者重要如何更好的去分配时间，给不同的任务设立优先级就是一个非常关键的能力。 那第二点就是我们deal with Ambiguity这样的一个能力，换句话说我们能否比较有效的去处理一些模糊、复杂、变量很多的这样的问题，尤其是在data的岗位上，我们很多stakeholder 都是来自于其他部门的合作伙伴，比如PM engineer、 designer等等，所以很多来自他们的问题或者诉求都是比较方向性比较笼统的，那其实是我们自己的责任去clarify他们究竟想要什么，了解清楚整个事情的来龙去脉和背景。这样我们才能有更好的一个计划和策略帮助他们去回答或者解决他们的问题。 那最后一个小的感悟想分享给大家，我认为作为data scientist，我们其实是一支产品团队当中最适合也最应该去做深度的理性思考的这样一群人，那在具体的工作当中我们其实多应该想一想why，而不仅仅是局限在或者沉迷于去研究how或者what，当我们有一个新的任务或者一个新的project需要去做的时候，我们应该多想一想为什么要做这样一件事情，它对我们的产品和用户究竟意味着什么，至于我们具体使用什么样的模型，什么样的工具，什么样的技术手段其实只是为了去更好的帮助我们回答这个问题。

发布了笔记 6月前

AI热门就业方向简历建议及经验介绍

大家好，今天我想和大家分享一下关于我对北美的同学，在北美公司、中国大陆还有其他一些像新加坡、欧洲一些科技公司，想在AI方面找岗位的同学一些面试上的建议。我在国内和美国都有过实习以及工作的经历，所以这方面的话，我可以结合我的一些真实的经历来输出一下我自己的理解。 AI方向分很多种，有机器学习、传统机器学习、Computer vision、NLP、机器学习平台、推荐算法，它有很多的工作方向。然后我建议是你的简历只需要Focus其中的一点，不要什么点都去cover，这样子的话会让你的简历没有重点。 其实很多公司他在筛简历的时候，尤其是一些初创型公司和中型公司，他们有时会把机器学习岗位分成以你的特长或者说公司需求为主的几个类型，基本上会分成NLP、视觉、机器学习系统、机器学习平台服务，还有一些机器学习的应用型方向。 对于想要跳槽同学来说，你就需要针对特别的岗位或者你特别想去的一些职业方向，去对你的简历进行着重的润色。你所细分的领域去着重的描述一下你的项目以及你的之前的工作经历，还是case by case。 基本上现在机器学习方向的话，大热门的会有几个方向，但我个人认为比较好的是一个是NLP，一个是机器学习系统。NLP的话，大家都知道LLM这个大模型出来之后很多公司都需要这方面的人才，当然多模态也是一个比较好的方向，所以有多模态经历的同学其实也是可以去申请一些比如说像相关学校和创业公司非常有竞争力岗位的这种职位。 多模态目前我觉得今后会成为一个较大的热门方向，虽然目前的话大家都往这个LLM赛道上跑，但是LLM赛道可能NLP只是一个起点。然后LLM会跟多模态相结合，未来的市场爆发起来的潜力也是无穷的。 以上这是我个人理解，所以懂多模态的同学可以好好的在这几年准备一下，应对今后几年的这种招聘，我觉得还是很有意义的。当然现在市场上另外一些比较急缺的人才就是机器学习系统，机器学习系统分训练和推理，当然后面的服务其实也是机器学习平台的一部分。 我们着重说明前两个方向。训练基本上就是说我们是需要帮助公司、业务方把我们训练大模型的训练成本给压低。另外就是推理，推理的话基本上跟上线服务有很大的联系，也是公司最大的利润来源。你提高1%的速度对某些模型，如果你的应用场景比较大、接受的用户比较多的话你能够提升1%的速度，对公司的利润都是一个非常大的提升，所以推理方向的话其实也是现在市场上比较急缺的一些的岗位。 它对编译、硬件底层以及体系架构、背景知识都需要很深的了解，而且要对硬件有很深的认知，这样子的话你才能够写出比较好的底层代码，从而能够让你的无论是公司的模型，还是一些其他各种各样的模型能够跟硬件相匹配，然后跑出比较好的latency，或者说能够帮助这套模型上线服务的时候达到比较高的吞吐。这样的话对公司的利润也是一个比较大的提升，这也是给大家一点建议。 之后如果有机会，我将会给大家分享些其他的一些相关的思考。

发布了笔记 6月前

上岸微软PM经验分享 | BAT和北美大厂如何有效内推？

大家好我是Bella老师，今天给大家介绍一下求职面试中非常重要的一环——内推。那首先做一下个人的情况介绍，我目前是微软的一名产品经理，在秋招之前有过4段实习，包括腾讯的CSIG、微信、淘宝和小米等。那我在投递春招的暑期实习时只投了4家公司，包括阿里、腾讯、字节、微软，全部是在提前批的时候就上岸了，通过率达到了百分百。那我能够这么快上岸的原因就是因为我取得了非常有效的内推，那什么是内推？为什么要内推？ 其实内推就是员工的一个内部推荐，那对公司来说他是一种快速发现和筛选人才的方式；那对于个人来说他可以帮助我们优先的去进行筛选，包括可以更快的进入面试，也有可能可以免笔试等等。那我们来看一下现在BAT和北美等大厂它的一个内推方式以及异同。 对于BAT等国内的大厂一般会采用内推码以及内推链接的方式，那这里需要注意的是我们要看他是内推到一个公共的池子还是一个具体的部门岗位。比如说对于腾讯来说，一般你会被内推到一个公共的池子里面去，那接下来不同的部门他会去筛选你的简历，在这个公共池子里捞人把你锁定，那一旦锁定了之后你才不会被其他部门的人给捞走。 对于阿里来说，他可能会在内推的时候直接就是把你推到某一个具体的部门和岗位，那这种方式你的简历是不会被其他部门看到的，那这样的话其实你可能就是需要更格外注意是不是你自己心仪的一个岗位，以及他的这样一些HC的个数。 举个例子，比如说我之前身边有个非常优秀的同学他就是投递了一个部门被内推到某一个部门之后，那个部门的岗位HC用完了，那后面他就是一直没有被释放，从而没有办法被其他部门给捞起来，那这样的话就很可惜，会非常容易错过一些岗位。 那对于北美来说，一般会比国内更加注重refer，那一般来说会需要手动的在系统里面去做一些推荐，你内推成功是会收到一封邮件的，比如说像微软。那像这种比较重的内推方式，其实他的内推的福利也会更多一些，比如说对于微软来说像研发岗位，他有时候甚至是可以通过内推的筛选，直接就可以免除掉笔试的。 那我们大家都知道现在内推非常普遍，那是不是说你用了内推码，就是有效的内推呢？不是的。那到底什么样的内推才是有效的内推？其实之前腾讯的官方也承认过，如果你只是用了一个内推码，那其实只是说会给你这个简历打个tag，说这个是内推的，但其实你在实际的这个面试过程中是没有任何的特殊之处的。那到底怎么样才能够做出一个有效的内推呢？在这里我介绍3种有效内推的方式。 那第一类就是内推人可以帮你去查询进度。如果你是在网上看到一些陌生人发的一些内推码那你最好是不要去使用的，因为之后你很难去再找到他去check你的这个进度。当然如果说你实在找不到的情况下那你也可以去尽量去加上这个内推人，先跟他去认识一下介绍一下自己，那后续就可以拜托他来帮你查询这个进度。 那第二类就是可以帮你去介绍这个业务的情况。那这种一般是这个部门的一些内部人员或者说对这个部门比较了解的人，那他可以告诉你这个业务的大致情况，包括你的团队老板等等，那这些对于你准备面试来说是非常有用的一些信息。 那第三类可以帮你去内推面试官的，直推面试官的这种内推，那这种其实是最有效的一种内推方式。他会直接把你的简历推到面试官面前，那如果你的简历够好，可能就直接能够进入到面试，而且能够留下一个比较深的印象。我之前曾经通过学姐去找到微信的面试官直推，那最后也是成功的通过面试进入到了实习。所以希望大家就是在内推的时候，也能够做好识别，能够真正的找到有效的一个内推。 那今天关于内推的介绍就到这里，最后希望大家都能找到靠谱的内推，然后顺利上岸！

发布了笔记 6月前

DS找工必看北美大厂求职秘籍

哈喽大家好我是篱笆老师Harvey。那上期视频讲了自己为什么要放弃在中国的工作，来美国读书上班，那么这一期就讲讲自己是如何顺利上岸北美大厂DS岗位的。 在美国找工作对我来说其实是特别顺利的，我的项目只有一年，去年8月份开始今年5月份毕业。我呢是去年10月份开始找工作，差不多就是去年的这个时候，找了一个月左右，去年11月份的时候就上岸了。上岸之后也有很多人来问过我找工经验什么的，但我其实都一直没有系统总结过，今天我就把经验全部都一一总结出来。 首先第一，天下武功唯快不破。其实公司的招聘逻辑是很简单的，比如说这波校招首先就是内部定有多少HC，HC确定了然后就是岗位会上线，接收简历。先来的简历先看、后来的简历后看，结合OA测试情况把合适的人安排面试，先安排的呢就先面试、后安排的只能后面试。面试到合适的就把这个HC填进去，HC一个一个填完，这波招聘就结束了，所以投递简历的及时性在这个过程当中就特别重要。 我在找工作的时候其实就有个习惯，不求最好但求最快，OA发过来我就立刻打开立刻开始做题。我记得去年的时候当时是晚上11点多投完简历，公司秒发，是一个两个小时的考试。我当时困得要死但是我还是立刻打开，三大道代码题目，一道算法一道机器学习一道SQL。我当时做的是头昏脑胀，算法写出来了SQL大题也写出来，但机器学习一直报错，但是就这样错了，一周之后HR就电话联系我。 面试这边的逻辑是HR其实是很懒的，他们的目标是找到合适的人就好了，任务完成即可。而不是找到最好的那个人，因为找到最好的人是很累的，所以不管是简历投递还是做OA，速度一定要快。 第二我知道我速度已经很快了，那我还想知道全面的公司信息，我上哪去找岗位信息呢？那这个其实也很简单，想去大公司呢，自己就要列一个公司列表，一个一个公司官网点进去看，投就完事。对DS来说，这个公司列表至少要有50个吧，你说我连公司列表都不想整理，那你就找个班里勤奋的同学，让他整理一个你抄他的就行了。 想去小公司呢也很好办，刷linkedin、Indeed就够了，每天早中晚各刷一次，你就不会错过什么。我们学校的就业中心资源比较一般，对我其实不太有帮助，整体感觉下来还是要linkedin yyds。 第三找内推，你说我想去大公司，但是官网投递会不会简历石沉大海，我想内推有用吗？那个内推肯定是有用的，一般大公司都会有自己的内推链接。内推和海投在公司里的排队序列不太一样，一般来说内推的这条队排队速度会更快。找内推呢其实也很简单，linkedin搜索公司名字点击people找校友，直接发私信问能不能帮我内推就好了，问的时候可以把岗位链接或者代号一起发给他，帮人内推是有奖金的，所以不用担心学长学姐或者怎么样，学长学姐巴不得你用他们的链接内推，然后拿奖金。 第四非常重要的，也是最需要投入精力，但是却最容易被忽视的就是简历。修改简历其实是关键中的关键，因为美国公司不经常发面试，不像国内可能HR资源比较丰富，面试会发的频繁一些。在美国这边发过面试一般都代表你是有戏的，因为公司愿意花出时间来考察你这个人到底怎么样。如果你这个时候你好好Mock的话，能有个80%的通过率其实不成问题的。 那么关键就是拿不到面试，拿不到面试的问题一般都是因为简历问题。其实HR看简历是很快的，一般你如果你的简历能在HR那里停留个5秒以上，一般都可以进决赛圈了。但其实很多人的简历激发不了HR看超过5秒的兴趣，这也推荐大家可以观察一下自己接到的面试除以自己投递的比例。如果这比例低于1%，并且你是有相关领域的实习的，那其实你的简历是有很大的改进空间。 这可以来篱笆教育找我帮忙修改，我上学的时候呢就帮同学修改简历，我改过6份简历5个人现在都已经上岸。 本期视频就是这样，下一期视频我会继续讲解找工作的技巧，希望大家都能在求职季找到心仪的工作。

发布了笔记 6月前

2023CS秋招分享

专业导师给予解答，有需要的请dd！！！机不可失，失不再来‼️‼️‼️‼️‼️‼️

发布了笔记 6月前

数据科学家分享3个技巧帮你优化Data简历

大家好我是篱笆教育的Rain老师，也是一名数据科学家。我们都知道投递简历是找工作的第一步，简历的好坏，就直接决定了你能否进入到后续的OA或者面试的环节。而在当前比较恶劣的求职大环境下，一个data方向的岗位，可能会有几百甚至上千的求职者投递，而90%以上的简历都会被直接刷掉。那么今天我就想跟大家分享一下，就是我在求职过程当中，积累了几个data方向的简历修改技巧和建议，希望能够帮助大家更有机会成为那幸运的10%。 首先我们需要知道，很多公司他会有一个自动的简历初筛系统，是用来过滤掉一批不太符合的简历，然后再进行人工的这样一个审核。而人工的审核是他们往往可能也只会花10秒钟在每一份简历上，那么为了通过这个初筛系统，只在短短的10秒的浏览当中就吸引到recruiter，我的第一个建议是我们要根据job description来highlight一些关键词，突出你跟这个岗位的契合度。那么我自己在申请的岗位时通常是这么做的：我会把整个JD复制粘贴到自己的文档里仔细阅读一遍，然后提取出其中的一些要点，也就是说这个公司希望我能够拥有的一些技能或者经历。 那比如在下面这段话中我们就能提取出加粗的那几个关键词。 第二张图 我们可以看到这虽然是个DS的岗位，但是它要求一些DA的技能。Dashboard也有会要求你掌握一些前端web应用开发的技能，当然它也包括了DS本身data pipeline的一个掌握。那么这个时候你就需要对你的简历进行针对性的修改，如果这些关键词已经出现在你的简历当中了，你就可以直接把它们加粗，也可以打破时间的顺序，把包含这些的那段工作或者项目经历直接放到第一位来。如果没有直接设计，那么我们就需要想方设法地修改简历让它往这些技能点上靠，有的JD它也会直接列出一个requirement或者qualifications栏，这样有助于我们快速定位到这个岗位的技能要求。比如以下就是一个qualifications的一个例子 第三张图 那么在我们的简历满足了这个岗位的基本要求后，如何进一步让他脱颖而出呢？我的第二个建议就是我们可以用一到两段的经历突出你能力的多样性。比如在刚才例子当中我们也看到了，虽然它是一个DS的岗位但是它涉及了DA甚至SDE的技能。其实这种情况发生在很多，尤其是entry level的一些岗位当中。因为对于很多new grad学生来说，他们的方向其实还没有完全的确定，公司仍是非常愿意去培养他们学习不同领域的新东西，这样也有助于他们在实际的工作当中与不同department的人进行合作。 那么假设你想申请DS的岗位，但你之前有过AI方向比如说NLP或者软件开发的一些经历，你就完全可以把它们写进简历当中去来突出你的多样性，你是有能力去理解甚至完成一些跨领域跨部门的交叉型任务。这个绝对会是你的一个加分项，同时这也能弥补了很多刚毕业的学生在某一个具体方向上经历不够的这样一个问题。当然我需要再强调一下，这一点是建立在你已经有很符合这个岗位要求的某几项经历的基础上来作为锦上添花的优化。 那么最后一点我想说说，我们如何来包装某一段的经历让它变得高大上且不空洞。具体有以下3个技巧：第一个是我们可以套用一些比如说STAR模板或者Google的XYZ公式，来讲述我们某一段经历当中每一个bullet point的内容。第二点是我们要选择一些强力且具体的动词来作为每一句的开头。比如说我会倾向于用led、drove、created、optimized、improved这样的动词，而不是用一些很空的很虚的像did、Coded、completed这样的一些动词。那么最后一个技巧是我们需要在data相关的一些经历中加入一些数字，来量化你所做项目的一些impact。这个是在data的一些简历当中非常关键的一点，那么这些数字可以是一些business metric就像下面这个例子当中所示的 第四张图 当然我也理解对于一些很多没有实习或者工作经验的同学，如果你之前的项目没有涉及到business我们也可以用一些其他方式来代替。比如说它可以是衡量model performance的一些metric，像accuracy，recall，或者是说我处理了多少数据、我设计了什么算法、减少了多少训练时间甚至是我写了多少行代码等等，这些都可以作为我用数字去量化它的一个例子。 那么以上就是今天我想为大家分享的3点技巧和建议，下次我将为大家介绍如何开展第一个Kaggle data science项目，希望大家能够关注谢谢！

4

发布了笔记 6月前

女生千万别学CS？学计算机女生最后都怎么样了？

现在很多人提起码农，第一印象就是一群穿着格子衬衫的码农在疯狂敲击电脑键盘，这样的刻板印象导致很多女孩子在选择专业的时候，对于计算机都一些迟疑和害怕。但其实你知道吗？世界上的第一位程序员其实是一位来自英国的女生，也是她提出了算法的概念，编写了世界上第一个计算机程序。今天就来给大家客观地讲讲女生和CS专业的爱恨情仇吧。 现在大部分的美国大学和公司都在倡导diversity的理念，这里面不但包括国家地区的diversity，更重要的是性别的diversity，抛去现在美国承认的97中性别的理念，其实最基本的还是男生和女生的平衡，特别是在工程学院或者计算机专业这些方面。像我们学校就自称是美国第一个女生超过男生比例的工院，由此可见，学校非常重视男女的比例平衡。而在申请工学院的candidate里，男女生的比例却是高达了2:1，所以其实女生的录取比例是远远大于男生的。而且亚洲女性对于大学而言，不但可以满足性别的diversity，还同时可以满足国家地区的diversity，所以很多大学对于学习工科的中国女孩子是非常欢迎的！像我们学校那一届，学CS的中国女生是远远大于CS的中国男生的，所以如果你是真的对计算机感兴趣的话，完全不用去担心学校里学CS的女生少啊，或者学校录取的时候有一些偏见而错过好的机会的。 同时，美国的各大公司也和大学一样，会重视diversity。像每年都会有许多专为女性举办的求职活动，为理工科的女性求职者创造更多平台和机会，比如说像马上就要举办的ghc。在我求职的过程中，从来没有因为自己是女孩子而受到任何歧视，不当言论，或是不平等的机会。因为以前在国内找实习的时候，个别公司会发表一些女孩子会太累了，或者是我们组都是男生，你过来的话有可能会影响工作之类的言论，（当然我相信事出有因，或者是个别案例），所以在留学生活中其实我还挺感激这些的，感觉在求职面试过程中被尊重，能力也受到平等地对待。但是又有些人说女生在美国求职或者从事CS工作的时候，会受到优待，其实这也并不是现实。公司有没有quota我不知道，但是在求职过程中，如果能力不达标还是会被刷的，工作中同事们也会非常平等地对待，不会因为你是女生就给你轻松一些的活，更不会因为你是女孩子就可以被宽容。即使现在互联网行业并不是非常好，但是工科的岗位还是一直比文科的岗位要多一些，而且码农的收入客观上还是不错的，可以帮助大家早日实现经济独立，所以我觉得女孩子在这里学习计算机还是非常好的选择。 最后呢就是是否应该选择计算机作为专业，其实还是看个人的兴趣和能力，与性别并没有什么关系。我觉得计算机专业更加适合有创造力，逻辑思维能力好，专注有耐心的同学。而且计算机专业下的分类也有许多，不管是人工智能，NLP，算法，infra，ML，不管你擅长哪一方面，都可以在这个专业里找到适合你的职业。有些女孩子也可能会问，如果我本科学习的是文科，数学方面没有那么强，是不是不太适合？其实如果自己感兴趣也愿意花时间的话，也是完全可以的，就算最后不想去做码农，觉得可能会太累了，有计算机背景也会对今后的职业发展有很大的帮助。像我身边一些女孩子可能最后觉得码农不太适合自己，最后去做了pm，数据分析，量化都是有的，因为有计算机的背景和逻辑思维能力，最后的发展都很好。所以想选择计算机的女孩子不用再犹豫啦，只要你想做，就可以做到！

发布了笔记 6月前

Quant=劝退？对量化金融你有什么误解？

Hello，大家好！我是篱笆导师Derek，也是一名量化金融分析师。随着金融技术的发展和大数据的应用，量化金融逐渐成为大家关注的热门职业，在江湖上也出现许多有关量化金融的传说。年薪百万？清北复交？前景大好？今天，老师就要针对这些标签一一解答，希望能够帮助想要加入量化金融行业的同学或是刚刚入行的朋友。 从年薪百万说起，事实上，不是所有的quant都能够拿到百万年薪的。在美国，量化金融分析师的年薪确实能达到百万美元，但这并不是普遍情况。量化金融分析师的薪资水平受到多个因素的影响，包括个人的经验和技能、所在地区、公司规模和行业等。 要达到年薪百万的水平，量化金融分析师需要具备需要扎实的数学、统计学和计算机科学等技术背景，能够熟练运用编程语言和数据分析工具，开发复杂的模型和算法，并且要具备丰富的实战经验，能够在金融市场上取得出色的投资回报。 同时，在大型金融机构、对冲基金或量化交易公司等顶尖机构工作，更能够接触到复杂的金融产品和丰富的资源，而能进入这些大型顶级公司的人少之又少。美国的高薪量化金融分析师主要集中在金融中心地区，尤其是纽约市和旧金山等地，原因是这些地区拥有大量的金融机构和对冲基金。 而在中国，量化金融分析师达到年薪百万的情况相对较少。与美国相比，中国的量化金融行业发展还处于初期蓬勃发展的阶段，也涌现出了诸多量化巨头，但相同的是地狱般的面试难度和极高的行业门槛。 所以说，年薪百万并不是一个普遍现象，或者可以说只适用于极少数部分的人，如果你想选择量化金融是因为年薪百万的噱头，那么还需要慎重考虑~ 再来说说，量化金融的学历门槛，是不是非藤校，非清北复交，非硕士博士不可？不得不承认，量化金融的学历要求确实是比较严苛的。 在美国，quant一般毕业于在金融和数学领域高声誉的专业项目，或是一些美国的顶尖大学。quant通常拥有金融工程，数学、统计学或物理学，金融学方向的硕士博士学位。当然，学士学位是可以参与竞争的，不过这样对本科专业和院校的要求就更加高了。 在中国，quant的学历情况相对灵活，但是大部分quant仍要在中国的靠前985院校获得本科以上的学位，比如清北复交，C9等院校。 更要注意的是，学校仅仅是一个敲门砖，而不是决定因素。在quant领域，学历过关之后，更重要的是个人的能力、实践经验和学习动力，持续学习永远是取得成功的关键。 总结一下，量化金融对于学历的要求总体还是偏高的，立志成为quant的同学不仅要注重自己的学历提升，更要增强自己的硬实力，如果院校上的差距难以弥补，可以从专业项目上缩小差距。 最后，我们来讲讲quant的求职情况，量化金融行业真的前景大好，找工作不难吗？其实并不是。 在美国，求职quant是非常有难度的，原因在于quant岗位数量相对较少，与其他金融职位数量无法相比；此职位对数学、统计和编程等技能要求又非常高；许多公司更倾向于雇佣具有相关工作经验的求职者，对于刚毕业的学生并不友好。由于美国的市场完善，且量化金融发展较早，通过面试的难度，行业的内卷程度也可见一斑。而每年能进入对冲基金的更是少数， 运气与实力缺一不可。 在国内，中国的量化产业正处在快速成长期，目前行业内缺乏标准化和规范化，量化交易的盈利环境也面临一定的压力。但市场的体量还是巨大的，从客观上看，全球量化巨头近些年已开始加速布局中国，未来的就业前景还是值得期待的。 老师今天的分享就到这里，不可否认，quant是一个竞争激烈的领域，也是一个未来可期的领域，要进入量化金融领域需要付出持续的努力，绝不能仅凭一腔热血。听完了这些，如果你没有被劝退，也许你就可以开始规划这条职业道路了。 对于quant还有什么想要了解的，欢迎大家在评论区给老师留言，下期见！

发布了笔记 6月前

新加坡留学Knowledge Management专业介绍以

学院介绍： 知识管理专业设置于新加坡南洋理工大学的Wee Kim Wee School of Communication and Information（WKWSCI）之下，是一所享有声誉的传播与信息学院。WKWSCI于1992年成立，以新加坡前总统黄金辉先生命名，传播和信息为主要领域。学院以其卓越的教育、研究和行业合作而闻名，旨在培养具备创新思维、批判性思维和领导力的专业人才，为数字化时代的传播和信息行业做出贡献。接下来本文将详细介绍知识管理的课程特点和申请重心。 课程介绍： 知识管理（KM）是一门学科，提倡采用综合方法来识别、捕获、评估、检索和共享企业的所有信息资产。这些资产可能包括数据库、文件、政策、程序以及以前未获取的员工个人的专业知识、经验和社交网络。知识管理（KM）理学硕士课程专为利用人力和知识资源直接提高企业生存能力和盈利能力的公共和私营部门组织的学生设计。 这是新加坡唯一的全面知识管理研究生课程，将理论与行业实践相结合，由新加坡知识管理协会（KMS）成员提供投入。强调创造力创新，这对当今组织培养专业人员在组织中倡导和实施知识管理计划至关重要。 我将列举一些核心课程供同学们参考： KM6301 知识管理基础 数据、信息、知识、情报和智慧的连续体。知识的形式和来源 最佳实践的类型。知识市场：参与者、动态和病态。知识管理的理论和原则。知识管理的视角。知识管理过程的步骤：知识生成、知识编纂、知识转移。共享和管理知识的组织推动因素：管理、信息和技术。 KM6302 知识管理实践与实施 实施知识管理的方法。以人员-过程-技术问题为重点的应用实例：企业知识门户、实践社区、行动后回顾、知识咖啡馆、基准和最佳实践、组织学习和激励计划。来自行业的成功案例和经验教训。知识管理专业人员的作用、责任和能力。 KM6308 商业智能 企业环境中的商业情报：应用、系统和流程。竞争对手情报、竞争情报和社会情报的特点。商业情报和增长机会：政治、经济和社会环境。商业情报战略和系统。各种情况下的商业情报：产品、客户和供应商。基于互联网和网络的情报。与商业情报有关的伦理问题。 KM6312 信息挖掘与分析 知识发现和数据挖掘的原理和概念。知识发现过程。数据准备。从大量数据中提取信息和知识的技术和方法。统计方法。机器学习技术：决策树归纳、近邻分类、贝叶斯学习、神经网络、关联规则和聚类。非结构化数据的文本和网络挖掘。知识管理应用的数据挖掘。  申请重心： 我们从专业介绍和课程特点可以看出，创新思维，领导力和数字化，这三个词是申请KM的关键词。当申请Knowledge Management专业时，拥有创新创业经历和数字化管理经验可以为你的申请增色不少，因为这些经历与知识管理密切相关，并且能够突显你在这个领域的实际能力和兴趣。 创新创业经历的重要性： 1. 创新思维： 创业经历培养了你的创新思维和解决问题的能力。在知识管理中，创新是驱动持续发展的关键，你能够将你在创业过程中学到的创新方法和策略应用于知识管理实践。 2. 知识共享与传播： 在创业过程中，你可能需要与团队成员分享和传播信息、知识和战略。这对于知识管理中的信息共享和传播流程有很大的帮助，因为你了解如何有效地让团队成员获取所需的信息。 数字化管理经验的重要性： 1. 数据驱动决策： 数字化管理经验表明你了解如何使用数据来指导决策。在知识管理中，数据分析能力对于评估知识资源的价值、效果和使用情况至关重要。 2. 信息技术知识： 数字化管理经验通常涉及使用信息技术工具来管理数据和信息流。这些技能对于知识管理系统的建立、维护和优化非常有用。 从学生阶段出发，这些经历大部分来自于实习经历和竞赛经历。个人建议积极参加全国的创新创业大赛，积累文书素材，并且在寒暑假去咨询公司的数字化部门实习，积累工作经验。最后，如果你有相关领域的实习或工作经验，务必在申请中强调你的职业目标和你希望通过该专业实现的愿景。这些经验可以证明你在实际应用中的能力。

发布了笔记 8月前

数据科学家分享|DS赛道未来哪些方向值得考虑？

大家好，我是新加入的篱笆老师Hugh，在北美从事DS方向的工作7年了，未来将持续为大家分享ds行业干货。 2023年以来，相信大家都注意到了ChatGPT的火热与普及，其实，这只是AI渗透入我们生活方方面面的前奏。你感知到了吗？AI正在成为guardian（智能交通），AI正在成为healer(智慧医疗）,AI正在成为helper（智能制造），不久的将来，它会为交通，医疗，制造等行业带来颠覆性的体验。那么，这对数据科学行业意味着什么，哪些新的市场需求将会产生？下面，老师将从DS目前的就业情况，行业趋势，岗位需求变化三个方向展开介绍。 从目前的就业情况来看，需要数据科学家的行业包括金融、互联网、医疗保健、零售等。 但不可否认的是，目前DS就业市场竞争呈现逐渐激烈的状态。原因在于： 数据科学的热度和需求大幅增加。一方面，随着大数据时代的到来，越来越多的企业和组织意识到数据的重要性，开始积极招聘数据科学家来帮助分析和利用数据。另一方面，网络上大量对DS相关岗位的宣传与讨论，使得更多人认识到了这个热门、风口职业，想要尝试入局。 近年来，ds相关专业爆发式增长。随便找一个学校都开设有ba，ds，ist，stat，math等专业，会python，sql，r等基础技能的毕业生并不是稀缺人才。事实上，数据科学岗位对于ng不友好，比起ng，公司更需要senior level的数据科学家来带领团队。 ds方向行业壁垒相较于其他热门职业不明显。有许多从事软件开发，机器学习，金融统计的小伙伴随时可能转行来参与DS竞争，在DS领域，有较强的数学统计和编码能力往往能够脱颖而出。 因此，在AI发展的关键时期，了解DS行业可能的变化与发展趋势，对有志于DS岗位的大家来说无疑是有益的。下面为同学们推荐几个赛道。 智能交通逐步发展，AI成为guardian。ds岗位将会在道路数据统计分析，交通模型与优化，智能交通系统设计等方面迎来新的机遇。 具体说来，智能交通系统将大量生成交通数据，如交通流量、车辆位置、路况等。数据科学家可以利用交通数据建立模型，研究交通流动规律，提出优化方案，改善交通拥堵和效率问题。通过数据分析和建模，可以减少交通事故和提高交通运输效率。开始尝试智能交通的公司有Waymo（谷歌旗下的自动驾驶技术公司），Tesla，Uber等。 智慧医疗逐步发展，AI成为healer。ds岗位将会在医疗图像分析，健康监测和预测，个性化医疗等方面将开拓新的可能。 具体说来，智慧医疗系统可以提供大量的医学影像数据，如CT、MRI等。数据科学家可以利用机器学习和图像识别算法，进行医学图像分析，辅助医生进行疾病诊断和治疗方案制定，提高医疗诊断的准确性和效率。相关公司有IBM Watson Health（利用人工智能和认知计算技术来改进医疗保健领域），Google Health，Tencent医疗等。 智能制造逐步发展，AI成为helper。ds将会在实时分析处理数据，制造过程优化，新技术的应用等环节开启新的挑战。 具体说来，智能制造业强调实时监测和实时决策，数据科学家将有机会开发实时数据分析和预测模型，以支持及时的决策和调整生产。智能制造业的发展将为数据科学家提供机会来分析和优化制造过程，通过数据分析和预测模型提高生产效率、降低成本和提升质量。相关公司有Siemens（提供智能工厂解决方案，帮助制造业实现数字化转型和智能化生产），General Electric通用电气（全球能源和工业解决方案提供商）。  具体公司对于数据科学的岗位需求正在发生什么样的变化呢？ 说一个现在也非常热门的公司nvida英伟达， 我也曾在两年前参加过他们的数据科学岗位面试。  AI技术的核心是机器学习和深度学习，因此英伟达会要求面试者对机器学习和深度学习算法有很深的理解和应用能力。例如他们会要求你现场推导logistic regresiion gamma function 并且能回答出来 multiclass classification (多类别分类）的loss function 等等。 随着AI技术在各个行业的广泛应用，英伟达也更加注重面试者对业务的理解和 解决方案能力提出，以便能够将AI技术应用到实际业务场景中。例如我面试了nvida cloud gaming analytics (云游戏分析）资深数据科学家 岗位 他们要求能提供一个end to end 解决方案去侦测游戏中作弊玩家等。 今天老师的分享就到这里，希望能给ds方向的职场新人和同学们提供帮助。关于ds你还有什么想要了解的问题？欢迎留言，我们下期见!

发布了笔记 8月前

经济下行，10年数据人教你如何争取加薪

大家好我是篱笆的Sunny老师。那最近mentee咨询的比较多的一个话题就是，Sunny老师最近经济不好，就业形势也比较紧张，那么我们应该还是把升职？加薪挂口边吗？那当然了！不说咱们工作完全是为了钱，钱是非常重要的一件事情，而且对于我们个人来说，我们其实跟公司就是用我们的时间，知识去跟公司做一个对等的交换，所以如果你觉得你值得，就应该大胆的跟公司说加薪。 那么加薪的第一种可能，大家很立马想到是哎，咱必须升职啊，升职才能加薪，这是一种可能。一般升职的情况下，你的薪资都会有一个8%到20%的调整，有的团队或者特殊的个人，还会有额额外的比例或者有些公司除了给Base还会给你更多的股票，更多的 bonus都是有可能的。那如果小伙伴你升职了但是公司给你的涨幅低于8%，一定要记得问为什么哟，毕竟去年的通货膨胀都超过8%了呢。 那除了升职这种情况，咱们还可不可以加薪呢，可以的，还第二种情况可以加薪的情况就是，很多公司一般有公开的，叫做merit increase。一般是一年一次或者一年两次，那有的公司比较极端，一年三次一年四次，那么happy的时候都是有的，那一般情况下都是一年一次啊，或者两次那一般merit increase的涨幅是2%到6%，少数的可能还会有更高的情况，但是一般都不会超过升职的加薪的涨幅的。那merit increase呢，一般情况是作为老板，作为部门的老板你会有一个资金的pool，那么一般老小伙，小伙伴说那merit increase我能negotiate吗？当然行啦。一般情况下很难老板是说诶这部分钱咱家，咱们平均分配，每个人涨幅一样。嗯一般不是这样的，一般都是根据各各个团员的情况，有的小伙伴可能涨得多一点，有的小伙伴可能不涨，或者涨得很少都是有可能的，但是所有的标准都是公平公正公开的。那也就是说，如果小伙伴你觉得你值得加薪，你对组的贡献有目共睹，那一定要帮助自己，自己作为self advocant要自己需要的涨幅，这是第二种情况。 还有一种加薪的情况是小伙伴说老师，我们公司可没有merit increase，我从没听过这件事情，如果是这种情况的话，他们按理说还是会有一个budget pool的，每一个公司都有，因为这笔钱是想帮助奖励high performer，留住好的人才的，所以如果你觉得自己对组的贡献大，你觉得你值得加薪，是门艺术，怎么跟啊你的老板来讲，我们下期有机会来教教大家这方面怎么说。那你跟你老板讲，老板觉得你真的是个好人才的话，肯定会跟公司申请，毕竟是花公司的钱又不是花他，他如果失去了你他才头疼呢。 所以就是第三种情况，加薪的情况一般都是one time funding，像Sunny老师目前的公司啊，我们每一年我们都有一个one time的high performer incentive，就说过去一年表现特别好的小伙伴但是没有升职，公司一律一次性奖励5万美金啊。 还有剩下的几种情况呢，虽然老师不觉得是加薪吧，但是希望小伙伴也要利用这种情况，比如说你的公司有401K有one to one match，那这也是钱呀对吧，一年贡献1万多美金，相当于公司额外给你1万美金呢，还有种情况就是professional development budget，一般来讲公司都会有的，可能小的公司可能没有一个，成熟的体系 一般中型或者大型的公司一般都会有professional development，相当于公司额外给你一笔钱去支持你学习你的技能，支持你去conference，其实这都是额外的金钱。像sunny老师就跟我的公司啊申请了他们额外资助我去Harvard business school学习学费就好几万呢sunny老师不用出，哈哈这是特别好的一件事情，所以我觉得公司各种各样的机会，大家看怎么来，想增值自己是加薪的首要前提，做出贡献增值自己！ 好了今天这期的分享到这里，下期我们来聊一聊加薪的步骤以及加薪的禁忌哦。