PhD转DS上岸回顾加学习总结

背景：楼主是System Neuroscience PhD，无身份，有大约4年matlab/python经验，平时研究需要用到做一些body tracking还有recording analysis (time-series), PhD期间上过三门advanced statistic/ML的课（本校的graduate level）。之前一直都“按部就班”做研究，直到前年因为实验室的alumni师兄师姐postdoc出站以后找faculty都不太理想，突然中年危机开始考虑其他career path。楼主一直都对数学挺感兴趣的， PhD期间还上过一些数学课，所以多方了解以后决定尝试一下DS。
总结一下PhD（非对口，主观）做DS的pros和cons：
Pros：
有实验设计的思维和统计数学基础，data intuition/逻辑思维能力还不错，有一些domain knowledge，可以比较self-drive
Cons：
基本没什么business sense（至少我是，狗头保命），没有什么scalable的data project，缺乏database等ds specific的knowledge
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
准备：
. .и总时长至今大约1年4个月，针对自己的问题制定了一些学习计划，鉴于对自己stats和coding还是比较（蜜汁）自信，主要先从系统了解DS开始。学习了几个月以后正好疫情，基本每天在家学习6-8小时，做几小时dissertation和paper相关的事情。

• 系统的ds知识：
  

以下我个人比较推荐的几个平台：
Udacity DS nanodegree -> Coursera IBM data scientist (这个课程觉得有点ds基础再上可以事半功倍) -> Datacamp DS/MLE track（Datacamp DS track 比较少人推荐？但是个人觉得非常非常有用，可以refresh很多实用的python技能，把基础打的比较好）

• 统计的课程
  

推荐edx 上GIT的这个系列
https://www.edx.org/course/proba ... f91c&position=2
youtube refresh stats推荐
https://www.youtube.com/user/zedstatistics （我炒鸡喜欢五星好评所以变红了）
平时练习用brilliant
https://brilliant.org/

• ML知识
  

ML我整体准备的比较少，一是在学校上过课，主要围绕ISLR，非常理论自己私下主要是做kaggle和udacity的project，ML的基础可以在stats quest refresh
https://www.youtube.com/channel/UCtYLUTtgS3k1Fg4y5tAhLbw

• business sense/ab testing
  

business sense就比较魔幻，楼主看了udacity神课，但是觉得对我好像一般般，我个人非常非常喜欢的宝藏博主2个
https://www.youtube.com/channel/UCAWsBMQY4KSuOuGODki-l7A （因为太好了我变红了）
https://www.interviewquery.com/
我个人觉得如果拿到面试以后可以看这个公司的medium tech blog，然后glassdoor看常见问题，然后自己写下来练习

• 刷题
  

Leetcode SQL反复3遍，刷穿所有题。LeetCode algo刷了200+（大部分medium），周赛稳定三题。
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
面试：
自己不怎么样（我不承认，都是疫情的锅）。整个求职期面试其实不多，总申请大约80，我是DS（FT和intern）和本职的scientist（FT）混合申请， DS面试3大厂，2中小厂，3 take home/OA，最后offer1。Scientist投了5个拿了4个面试，但是战线很长有两个拿到DS offer就没有follow up。
面试期间觉得自己的问题是如何在business setting下熟练的运用统计和ML知识比较薄弱。算法，coding，sql没有特别多问题，对于非target PhD如何polish自己的研究也是一个需要花时间准备而我没有做的特别好的地方。
从结果和反馈来看我认为重要性是
统计>=business sense/data intuition（实际处理数据问题的能力，不仅限于AB testing，因为很多公司并不做AB testing）> sql/python基础coding（数据结构，pandas）> ML >= 基础algorithm

写在最后的话吧，对于想转行的在彷徨的PhD们，我觉得想清楚自己喜欢什么是很重要的，没有哪个career path就是一定容易或者一定赚钱的，工作还是应该从兴趣入手，而且要相信自己这么多年的training不会是白费的，起码我们有很大的抗打击抗压能力（手动狗头），而且可以系统的思考和看待问题在很多工作中都非常重要。说一句鸡汤的话，放眼看看自己这么些年的同学，不论是坚持做faculty还是转码转BD，那些冒着高昂的sink cost坚持到底的人都成功了。

准备做DS的求职路上有很多“艰难”和“伤心”的时候 – 有学习很枯燥想跳回自己舒适圈的时候，有想过自己那么多年的研究放弃了可惜的时候，有收到拒信一堆堆对信心的打击的时候，也有不知道下一步往哪走的时候，还有觉得自己转行年龄没有优势的时候（我不听我就是好看）。。。
很庆幸自己坚持了，而且现在回头看我其实完全忘了这一路的彷徨和艰难，反而觉得自己很幸运，幸运在论坛上遇到了志同道合的朋友，有这么一个平台可以一起看面经，一起找人refer，在工作时我也遇到了特别好的mentor指导和帮我争取好的project。我也很希望把自己的幸运和坚持pass给现在还是DS路上的同学，希望大家都能在今年获得想要的offer （比心）。

首先祝贺楼主。我也是做Comp Neuro的，跟楼主是同行。昨天老板还让我跟Lab members讲industry找intern心路历程。我整体的感觉是，做DS尽可能避免Analytics或者Generalist track（虽然计算或者系统神经科学PhD很擅长这种），因为不参与engineering的话，在公司里是很边缘化的。DS比较靠谱的方向还是experimentation and causal inference, 以及那种偏算法的engineer，建议楼主日后考虑一下。Neuroscience PhD还一种出路是去FRL做research，属于emerging field，不卷。

wanduzile 发表于 2021-03-11 21:52:35
好奇楼主最后去了哪里 faang?

没有没有上岸大厂，去了个中厂吧，不过已经超级满足啦

SaltyFish_Xiao 发表于 2021-3-22 23:43
感谢信息！帮助很大！不过请问FRL是什么呀？

Facebook Reality Lab

请问楼主做了什么项目吗？或者是博士课题？感觉我过了OA就会被简历拒绝。。。

wlwlcyMBWA 发表于 2021-03-11 20:20:46
请问楼主做了什么项目吗？或者是博士课题？感觉我过了OA就会被简历拒绝。。。

我觉得把phd期间的research中一些data analysis或者ml（如果有）提炼出来很重要，我自己做的project是Udacity ds degree里面的，还做了学校一个spatial krigging相关的，和一个自己觉得挺有趣的nlp protofolio，这些project idea上medium很多

好奇楼主最后去了哪里 faang?

求求了，别再发这种转ds上岸成功的帖子了。。。为了下面的学弟学妹们，劝他们远离火坑吧。

萌新瑟瑟发抖：system neuroscience的科研前景很差吗qaq，因为对brain很感兴趣，可能马上就要去跳坑了orz

SaltyFish_Xiao 发表于 2021-03-11 23:38:16
萌新瑟瑟发抖：system neuroscience的科研前景很差吗qaq，因为对brain很感兴趣，可能马上就要去跳坑了orz

文章大家都发挺好的，所以教职竞争很激烈，想当pi的话还要看老板运气等等……industry的话做的特别（纯）computation还挺多对口，或者做ngs有少量坑，做in vivo非常非常少……

DrPanPan 发表于 2021-3-12 15:43
文章大家都发挺好的，所以教职竞争很激烈，想当pi的话还要看老板运气等等……industry的话做的特别（纯）c ...

原来如此，感谢提供的信息！
因为我现在还没开始受phd生活的毒打，所以事业规划主要还是科研导向。不过最近也在思考做不下去科研的话，有什么plan b。
这样看来，phd期间还是要多找机会提升modeling和cs的技能了orz 不过好在我对modeling也有一定的兴趣（本科是心理学，喜欢做包含多因素的实验设计，所以modeling是一个比较重要的工具）。面试的时候也都提到了我想要phd期间学一些modeling的东西，poi们都支持。不过到时候能不能真的做纯的计算神经科学研究就不太清楚了orz
感觉要自己养活自己真的好难啊orz
顺便再一次感觉万物的出路都是转码

SaltyFish_Xiao 发表于 2021-03-11 23:59:26
原来如此，感谢提供的信息！
因为我现在还没开始受phd生活的毒打，所以事业规划主要还是科研导向。不过最近也在思考做不下去科研的话，有什么plan b。
这样看来，phd期间还是要多找机会提升mod

摸摸头，也不是万物皆转码，如果以后要做科研的话从我周围来看phd advisor蛮重要的，大佬或者特别会social connection那种老板会好一点，然后就是提升自己的communication，多做presentation增加自己的visibility，sys neuro文章都还发的不错，但是最后找到ap的不尽然是完全按照文章来的，个人愚见在努力发paper的同时多注意social，争取会议小speaker都很重要……不要像我这样文章发的不上不下，完全是一条anti social咸鱼🤣