数学博士未来职业发展（非学术方向）求建议

目前北美某校纯数学phd。学的专业实在没有什么应用方向，大概都是纯数的课，例如代数拓扑，代数几何，复几何之类的。

有一个统计的master，学过一些理论的统计课也做过一些panel data analysis，R用得比较溜，pandas也还行。

去年突然想转码，就去leetcode上刷了500题左右吧，简单中等困难都有。主要用python刷的，有些题用java也行就是不太熟。参加了十几次周赛，一开始大概能解出2题，后来基本上是3题，运气好能4题全解出，进过前1000名。然后也申请了亚麻的实习，但可惜太晚了亚麻已经freeze了，把我放进waitlist就再也没放出来过。
没有什么coding project。唯一做过的“machine learning”是本科的时候用python做过一个part-of-speech tagger。当时python只会if和for这种最基本的，就从头到尾照着课本上的Hidden Markov Chain理论根据自己的理解手搓了一个。速度超慢，因为当时的我还不知道有numpy这种东西，全部自己造轮子。那是第一次我知道4gb内存的macbook air其实可以用到60g的虚拟内存。

（废话有点多）因为明年就要毕业了，希望大家指点一下迷津。

主要想法有如下：
1. 找一个teaching school开始教学生涯。我的数学学术水平估计是够不上前200的AP了。教数学好像比研究数学更让我觉得有意思。
2. 去生物lab做生统。不知道这条路能不能走通。主要是数学本身发paper难度高，引用少，申请eb1根本不敢想象。
3. 去做quant。这个去年试过申请实习。无奈quant问的问题更像是高级版脑筋急转弯，有限时间里有时候脑子卡住就直接面试gg。

之前看到过这个帖子https://www.1point3acres.com/bbs/thread-708030-1-1.html。两三年过去很多情况可能不一样了，所以希望大家能指点一下迷津，十分感谢！！

补充内容 (2023-07-17 00:19 +08:00):

学校综排top 20

补充内容 (2023-07-18 23:10 +08:00):

从大家的反馈看来，不继续呆在学术界的话，quant可能是最对口的，也是最可以好好准备的。


但是我还想着eb1或者niw的可能。因为数学专业的特殊，没有会议论文，期刊审稿又慢，review这类型的paper不到大牛的程度根本写不好，一般的phd毕业两年内即使继续做学术也很难攒到两位数的引用。所以看看是不是能转战生物统计。一是因为生统跟数学、统计相对来说比较相关，二是因为paper和引用数量上涨速度比数学要快很多。

satibt2520 发表于 2023-7-16 12:56
如果是machine learning的话，我粗略看过elements of statistical learning，感觉确实能看得比较快，理解 ...

deep learning只是概念，噱头而已，理论和方法层面和linear regression没有区别，最后都是归结到minimize loss。数学背景的人容易被AI领域那些糊弄人的概念搞懵，其实千万别把AI看复杂了，都是很初级的数学理论，剩下主要是工程化。当然直觉也很重要，有点像物理，你解释不了why，但就是work，我知道这种结果会让数学PhD很抓狂，但是AI领域就是这么推进的😂

satibt2520 发表于 2023-7-16 12:07
啊对，我面试的时候就是因为还没熟到那个程度。因为平时科研可以慢慢来，细节上的东西可以慢慢推敲。很多 ...

嗯嗯，正好借宝地发表一下看法，我觉得quant （非对冲基金因为我没面过）和ai/ml/ds/ 的面试正好走到了两个极端。

quant 的行业成熟稳定（过时），面试的知识点和面试题也比较老（bs 方程年龄比好多从业者都大），而且有明确的答案那种，而且基本都是本科数学，只要有数理基础，努力就可以弄得很熟。同时quant的门槛比较高，得是名校phd 或者在圈子里的才能拿到面试，面试的时候好多面试官自己是数学物理phd，有种天然优越感，会不明缘由地鄙视非数学物理或者非名校出身的。

ai/ml/ds 恰恰相反，因为行业在飞速发展，两年之前的新model 新 work 很可能直接变成面试题，就连transfomer 这种秒杀一切的model 17年底才出现。好多面试题都是open question，很可能连面试官自己都不知道答案，再加上本身deep learning 可解释性很差，很多东西只能有intuitive understanding 而没有rigorous proof。要准备相关面试更需要平时大量的积累，大量阅读新发的论文并且读code 复现和思考才能形成完善的理解。

我自己的看法，quant 是适合速成的，只要能拿到面试，就是刷题背题，ai方向没有个一两年的积累挺难。到了工作之类我反而觉得quant 并不累，因为东西太死了，工作一点时间，想跳槽的话还是面同样的东西，把绿皮书小红书刷熟了，10年跳槽无忧（当然这不是件好事），而ai 方向反之，公司里senior 的人水平不如刚入职的人的情况经常出现，想要保持竞争力就得不同的follow new work，还是蛮累的

我觉得楼主聪明的。 比小红书的三个月转码仙女强多了， 肯定能成功

如果热爱教学，请选1。
否则建议2/3，尤其是可以试试3（待遇，发展空间都相对不错）。quant面试是可以准备的，建议多看些相关材料（e.g. quant green book) 评估一下可行性。
（BTW要不是近期行情不好加上楼主即将毕业，也可以试试去科技厂做ML）

如果想做EDA，可以和我联系。不需要刷题。

现在AI这么火，还犹豫什么。数学是AI最对口的专业，没有之一。我本科也是学数学（计算数学），虽然我现在不高AI，但是偶尔关注下AI的进展，掌握速度和深度远远大于我身边非数学背景的开发者，不夸张说是降维打击😂

小狗在虾图 发表于 2023-7-16 00:23
如果热爱教学，请选1。
否则建议2/3，尤其是可以试试3（待遇，发展空间都相对不错）。quant面试是可以准备 ...

是的，我买了小绿书看了前几章，基本上书上的知识点我都学过，但是面试的时候有时候一紧张就不会了。也不算不会，其实事后仔细想想都能做出来。主要平时做数学都是习惯慢慢思考。
最近确实行情不好，我这转码才转了一小半就结束了。

laixl2010 发表于 2023-7-16 00:32
如果想做EDA，可以和我联系。不需要刷题。

请问EDA是？exploratory data analysis？

Albert2019 发表于 2023-07-15 21:42:38
现在AI这么火，还犹豫什么。数学是AI最对口的专业，没有之一。我本科也是学数学（计算数学），虽然我现在不高AI，但是偶尔关注下AI的进展，掌握速度和深度远远大于我身边非数学背景的开发者，不夸张说是降维

如果是machine learning的话，我粗略看过elements of statistical learning，感觉确实能看得比较快，理解得也比较深。
AI如果是deep learning的话，我没有很仔细去了解过。

去年毕业的学术菜鸡 只提供一个experience DP
我选了类似于2
在药企R&D 做signal和image processing 也做一点简单的AI
我挺喜欢的 工作不忙但是赚的不多 看钱对你有多重要了
系里其他的中国男生好像都去了quant 可能有经济和养家的思考

补充内容 (2023-07-16 16:19 +08:00):
背景的话 我是纯数的偏微分方程 基本上简历上都完全不提自己research

satibt2520 发表于 2023-07-15 21:45:56
请问EDA是？exploratory data analysis？

Electronic design automation