在FB上面看到有朋友分享这篇文章 这才第一次知道有这个板 我的经历还算特别，应该可以给板友当作参考 我现任美国Google AI research SWE 有跟其他RE以及product SWE合作 我专攻的领域还算广泛 从实做SIMD加速的计算、设计符合CPU cache size的资料结构、 多执行序程式设计、分散式程式设计、到比较数学的凸优化(convex optimization)、 简易线性回归分析、优化kmeans、以及最近在研究的混沌理论及计画要读的测度理论 把这些领域打出来自己都觉得有点像是唬烂 不过我自己做工程还有学习的态度，就是有什麽不会就去学 即使是程式部分，这也非我本科（我本来是机械系） 数学部分我是加入google AI部门之後才重新去学的 从最基本的大一微积分和线性代数重新学... 因此我想我应该有资格说，理论和实做都重要 至少我两者都看重，并不会因为自己只有一方专业，就轻视另一方 不过若板友是以就业取向来看的话，我还是会投资工专业一票 我踏入软体业已经是七年前的事 在那时还是大数据走红，软体人才供不应求 即使没有本科背景也能入行的时代 现在没有专科背景，要入行真的困难的多 不过相对起CS的入行困难度 我观察到的（高阶的）机器学习RE入门门槛，还要再更高 我们大组下SWE还有只有大学或硕士的人，而RE就只有本科博士 很多RE的候选人，至少名校博後起跳，挑到最後很多还是先有名校教职才跳槽进来 即使是实习，竞争也极其激烈 名校博士生是基本，很多都是在着名的ML期刊上发表三篇以上的论文来竞争 以上是google的资料科学竞争情况，其他公司的我就比较不清楚 毕竟我转入AI/ML领域是我软体开发已经比较熟练之後的事情了 以职涯发展来说，能稳定的开发并实做产品还是相当吃香的 即便在拥有更多自由来专心研究的google研发部门 我们研究型SWE还是比纯RE更容易升等 毕竟我们推出的实作可以直接用在内部的产品中，而不只是简易的python prototype 以我个人的技能树来说，实作能力占90% 剩下挤出来的时间才是放到长远的理论学习 残酷的是，真的得应用理论的时候，通常得先证明 「这个问题太过困难，纯实作硬干已经到达极限了」 这时养兵千日的理论才有机会派上用场 不然的话，两者兼通的人材 实作更多功能或在CS层面上优化效能带来的效益，通常大於推出新理论 为什麽对我们而言做CS带来的效益较高呢？ 因为如果我们投入理论，其他的SWE大多没有那个能力去理解并转换成产品 即便是超高等级的工程师，他们也早就忘记最基本的数学、线性代数、或是微积分 能将理论转换成（稳定且高效能）产品的工程师，是非常稀少的存在 至少以我们在做的题目来说，非常少 我的经验由於大幅偏向CS，因此只能提供CS面向的职涯观察 我对RE的观察也相对浅薄，因为我们团队有不会的理论是自己学，而非与RE密切合作 期待有板友/网友也能分享较为偏向统计或是资料科学方面的观点 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 67.247.60.167 (美国) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1592101591.A.2E6.html