MS in CS毕业，DS/ML和SDE的路线，该选择哪个？

rt， 本科和硕士都是CS，（也都算是名校的（吧？）T20左右的，不知能否入各位的名校标准。。。。。。。。。）
和牛教授作过几段NLP和CV的research（自己是research的主力，不单单是在别人的research里面帮忙），不过都没有最后写成论文发表（半途而废是我的光荣传统。。。。。。。。）
之前也都拿到了大厂的SDE和一些DS/ML的实习offer，但是当时觉得DS看上去更有技术含量所以直接选了DS/ML。。。。。。。。。

现在在某超市实验室做着DS/ML的实习，本组是NLP的。主要内容是想算法，实现算法，准备数据，训练，调参（基本上都是我一个人做），工作很清闲(据说整个大超市实验室都是这个养老风格）
之后模型写好以后还要写成production code（mentor说就是放到系统里每天跑的代码，不过我还没做到那一步，所以也不知道具体是什么，不过感觉也是写python而不是cpp）



但是听说/经历了几点，还望各位前辈指点/指正：

1. 很多人和我说SDE比DS收入高（因为SDE离make profit更近，所以大厂会更加优待SDE），并且DS反而要求更高，至少MS才行（因为职位要求少）
    本公司的情况，我在的DS组，组员都是T20-T30的MS+多年工作经验才被录用的。隔壁的SDE组就基本上是college毕业的，水校MS的，甚至还有ICC和临时工
    （并且他们和我们说其实他们更清闲，而且实际上看他们也的确空闲时间更多。）。不过我也只接触过这两个组，所以data可能不够
    然后另外认识的几个DS intern都是PHD（不过都是国际生），几个SDE都是college的（不过是美国人），所以这一条应该没啥参考价值
    工资的话，大家都不好意思说。。。。。（大哥我可是你们的intern啊，不告诉我这些让我怎么选。。。。）
2. 但是glassdoor上搜索software development和data science， FLAG里都是DS的收入比SDE高了10-15%。
    网上的文章也是DS更高。（是因为这里的SDE包括了低学历的SDE，而DS至少需要MS毕业所以才高吗？只统计相同背景的SDE和DS呢？）
3. 感觉地里对DS/ML的看法是分成两种
    i. 做data analysis的，这种算是传统统计系的学生的工作，CS学生反而做不了（因为要很多统计的知识）。然后收入就比不过SDE
    ii. 做MLE/applied scientist的，这种就是要求比较高，收入也高
    所以想问一下我这种情况算是哪种啊？
4. 还有人和我说，之所以DS的收入比不过SDE是因为就还在短短几年前，DS都还停留在execel打表做PPT presentation的阶段，到了近几年ML高速发展起来才算“升级”了（三拜今年图灵奖的三位得主）？
5. 据说DS因为接近做决策，所以升职路线上更有利？虽然我一个亚男在这边想混到管理层估计也难。
6. DS因为不知道什么时候可以写出有效果的算法，所以工作压力很大。而SDE有经验的工程师都知道完成现在的需求需要多少时间，所以心理上会轻松一点
7. 个人的经历是感觉DS/ML的那些统计和ML的算法比写软件工程难多了。不知道是不是因为天赋是点在了写码而不是统计上的原因。（高中信息奥赛+本科校ACM队）

所以现在在考虑9月份申请SDE的工作还是DS/ML的工作，包括申请Applied scientist（不知道这个职位是更偏向DS/ML还是SDE？）。以后想去Boston/NYC/Chicago（本人单身。。。。。。）（包括现在拿return offer时貌似也可以选职位。现在的工作情况manager很满意，所以拿return offer应该还是没问题的，但是9/20就截至接受return offer了，估计到时候会直接decline吧）
不知道已经做了DS的实习经历，会不会对申请SDE的工作没啥用？所以直接申请SDE的工作会很难？

关注这个帖子，我的情况类似。ms，在实验室坑教授下来没有实习，凑合有几篇不入流的cv publication。目前在刷leetcode找工作。感觉SDE的工作内容不是我目前最擅长和感兴趣的。反而对于数据和算法在business中的应用前景更感兴趣。。希望有牛人解答！

补充内容 (2019-8-4 17:21):
没看到楼主是天赋在写码上哈哈，失敬！我是更喜欢搞算法，写码能力烂，在努力刷题尽量补救。目前还是初级准备，如果DS/SDE的路线确定下来，准备工作就要有所侧重了。

关注+1
我是非cs专业，但是有一篇ml paper一作，有两个mlresearch经历，现在也在刷leetcode找工作，但是一般传统sde确实是没什么相关经验。但是要不想做太data science 没有算法的东西

也是很难抉择，看你自己的兴趣，MLE本身也是SDE。其次，如果能够将ML算法部署到产品，还是很有成就感的。

好像SDE里面也有很多做ML的

转行观望中 关注+1

For point 7, do you think it is due to the fact that ML algorithms are model-based instead of rule-based? (Perhaps these are not precise wording)

Personally I found it difficult to write testing files for functions that perform model-fitting, as the modeling fitting algorithms often involve approximation using iterative methods. And for the Bayesian models, the iterations are probabilistic instead of deterministic.

楼主说的很好啊，感觉很多地方都说在我心里，想问一下楼主决定去向了吗

楼主选了什么方向？

楼主要是决定方向了能不能说一下考虑了哪些方面