学了很多ml的知识回国工作只用到sql和excel不会觉得可惜嘛

Rt，研究生ds的项目，学很多机器学习相关的算法，也想办法自学了一些数学原理，但回国的话算法岗是不可能的了，真的是神仙打架，去数据分析岗大多都是sql和excel，有种花很多心思弄清楚SVM却打水漂了的感觉...

学了不用不是太正常了吗？

生化材环专业的从本科到博后，学了这么多年化合物合成，蛋白质结合，高分子材料的知识，人家都坦然接受沉没成本的损失，义无反顾的转码，怎么就CS的不能接受自己的知识派不上用场的事实呢？

说实话学的还是不够精，要是真的能够精通和跟进深度学习前言算法怎么可能回国只能做da，卷嘛看谁更能卷

感觉现在楼主还是和大部分人一样抱有侥幸心理，期待着跟17 18年一样了解几个传统算法就能进大厂做算法工程师，但是时代不一样了，时代红利过去就没了，扪心自问就那几个传统机器学习算法搞懂真的需要花多久？深度学习理论扎实了吗？前沿paper有了解吗？leetcode刷了多少道？cloud上面东西了解多少？

就现在国内的情况，你要是能沉下心刷他个1000道leetcode，好好学一学深度学习你还是能拿到不错的算法工程师的岗位，在美国才是真的卷，真正的ml engineer和ds基本只招phd，你才是真的机会一点都没有

说白了还是不想努力，还是想走捷径，就不要给自己找这么多借口

只要钱给够了，管他是什么

真的在工作中做ds， data science的知识用深了恐怕不是自学一点数学原理能handle得了的。

在美国工作的ds 表示工作半年了都没fit 过一个model(not even a linear regression）。。。纯粹就是sql spark

题外话，好奇哪家公司SVM还有具体应用场景？据我经验，传统模型现在大多用GBDT，CV模型不都上DL了吗？

好好学习SQL和Excel吧， 在工作中应用广泛又最能高效实际解决问题才是王道。

学校里学的那点ml也就是入个门，业界我至今也没看到有那个产品用svm的

SVM只在内部吹牛时提提，一般用个RF能解决大部分低端问题。组里SQL 写的好的基本都是中流砥柱，对于DS而言好的输入数据胜过一切算法，所以SQL 写的好大家都喜欢，说明你对公司内部数据和关系有个清晰的了解。一个真正的DS不该纠结于算法，而应该能更好的定义问题，然后找出所有可能有用的数据以及数据格式，在DL和ensemble面前，传统算法基本没活路。