数据科学转行大忌，一做Kaggle误 终生

HLin16 发表于 2021-2-6 15:44
谢谢经验分享！请问转行到ds的新手刷leetcode足够了吗？

求问 一个data scientist 需要刷多少leetcode...

只能说DS 和 DS的区别真的太大了。 不是所有的DS岗位都需要做kaggle，但是你认真坐是真的能学到东西的。 对于转岗的同学，kaggle应该相对最接近实际生产的了。 你去耍leetcode或者自己网上找个project，其实离得更远。kaggle⬆️好歹有真正工作的DS/MLE， 看别人的share的东西还是能学到很多的。 无论是ML还是工程能力。


而且稍微反驳下0.01没意义。有些公司你能提高0.01就是巨大的business impact了。或者提高0.01，别人可能用了完全不同的思路。又或者去思考用更加复杂的模型，但只提高了0.01， 有没有意义。

所谓的story telling/communicate/business acumen，都是建立在你的数学/统计/模型/implementation都是solid或者正确的情况下， 更好的sell，把八十份的东西，想办法说成一百分。见过太多了明显统计常识性错误的情况给我讲故事的。

只做kaggle，拿个名次啥的，肯定不行的。但不做我感觉更不行。

diffmani 发表于 2021-2-8 02:03
只能说DS 和 DS的区别真的太大了。 不是所有的DS岗位都需要做kaggle，但是你认真坐是真的能学到东西的。 对 ...

"只能说DS 和 DS的区别真的太大了。"
这句精准概括了为什么有人说kaggle很有用，而又有人说kaggle“误终生”。现在市场上DS岗位大体上可以分为数据分析和做模型两个大方向，做kaggle最能获益的无疑是“做模型”这个方向上的(潜在)从业者。如果说你现在/未来的工作环境是以清理数据、做dashboard为主，亦或是周围的同事衡量模型的好坏靠eyeball spot check，那做kaggle的确是“误终生”。

naivelamb 发表于 2021-02-07 12:37:59
"只能说DS 和 DS的区别真的太大了。"
这句精准概括了为什么有人说kaggle很有用，而又有人说kaggle“误终生”。现在市场上DS岗位大体上可以分为数据分析和做模型两个大方向，做kaggle

同意。 确定好自己找工作是找那一类，再来决定如何准备。

必须实名来回答这个问题, 因为我觉得很多人其实对Kaggle有误解, 我也不希望这些误解影响着对Kaggle有热情的朋友. 首先讲一下个人经历, 我是机械本科和硕士, Kaggle是我career上一个重要转折点, 是我进入data science的领路人. 我在Kaggle拿到了competition master的称号, 也凭着这个称号仅靠网投来拿到各种各样的面试, 包括常见的大厂Facebook, Google, Amazon, 也有DeepMind这种偏研究性质的机构. 我在业界接近五年了, 既做过data scientist, 也在Google做过MLE. 我觉得我是有资格回答这题的. 那我也按照顺序来提供一下我的观点吧.

1. 对于Analytics track (data analyst, production analytics data scientists,..), 做Kaggle比赛确实并不能给你带来直接的收益. Kaggle比赛也不会涉及到A/B test这样的内容. 但是参加Kaggle比赛锻炼出来对数据的嗅觉, 是能帮你更好得理解数据, 并且你会习惯性得challenge每个model的performance. 因为public leaderboard上的performance并不等同于private leaderboard上的performance.

2. 虽然我们大部分的时候还是在定义问题/metric, 准备和清理数据. 但在Kaggle锻炼过之后, 你会本能得challenge数据. 现实的数据很脏很乱, 一旦不小心处理, 非常高的概率会有leak. 这也是为什么Kaggle比赛会出现leak, 即便这是组织方细心准备好的. 能够理解并能找到数据里面隐藏的pattern, 这能帮助你建立更加generalizable的model.

3. Kaggle确实需要投入很多时间和精力. 但一般能够完整跟下来一个Kaggle比赛, 成绩都不会太差(达到铜牌问题不大). 当然, 金牌肯定会在就业市场上更有优势. 但作为一个面试官, Kaggle比赛的铜牌比在一些常见数据集里面调调模型更有说服力.

我说了很多Kaggle的好处, 是希望大家能从另一面看待做Kaggle比赛. 从找工作角度, 对于MLE来说, 你确实应该刷题. 等你拿到MLE的工作后, 最好能参加一些Kaggle比赛来提高对数据的认识. 对于data scientists, 如果你没有别的重磅炸弹, Kaggle比赛是一个很不错的简历加分项, 而且最好能拿到银牌以上.

楼主最近太忙了，实在无法抽出时间每条都上来回复，大家有需要的可以站内私信我或者给我发邮件[email]luomm8953@gmail.com

DA小白马一哈子

挺中肯的 对NG很有帮助