找工作找的要吐了， 有工作在IT的同学能给点意见吗？

[chris_cc]

LOL，这个说法就好像“PPT有那么多模版，随便套个不就可以作presentation了”。

何况spark/graphlab/mahout这些只是解决了大数据环境下机器学习算法工具从无到有的问题，离好用还有很尝的路要走。举个例子，spark的dataframe 以及graphlab的sframe都是受R的dataframe启发而来，但功能都还不够完善。

spark还有很多东西是基于map reduce的思路而实现的，如果不注意的话很容易出现性能问题。比如一个简单的 sum groupby操作，不同的写法可能会有上百倍的性能差异。

好的ds，de非常难得，理论，经验，天赋，运气，勤奋缺一不可，不是补几门课就能速成的。我也刚刚起步，共勉。

 

[来生要做一棵树]

我认识一个做猎头的朋友。最近疯狂找IT人士

 

[DancingElf]

怎么两周就找得要吐了？我感觉两周应该是还没有进入状态的预热期。

 

[小溪流]

-先摆正心态，有成绩了不骄傲，受点挫折也不急躁。认识好自己是关键，先要知道自己是哪块料自己的真实水平。当然很多人很难看清自己，知人者智，自知者明。
认识不少真有水平的IT人，正常是2-4周内找到工作。也有一些自认为很牛，接触交流后就知道大概是什么样的人，半年找不到工作的，也一大把。

说的好。招聘的公司需要有用的人，需要踏实靠谱的人。但是，现实中招聘也很难。人找工作，工作找人，双方都难，这对矛盾的症结在哪？！相信大家都知道，顺便说说我们咨询公司想找一名英语好，有网站设计或运营学历或经验的有志敬业的专业类人士（华人一名），虚荣散慢者免。地址：Vancouver 谢谢大家！
诚恳的‘猎头’有奖。

 

[小溪流]

我从登录到在加拿大的第一份工作机会, 花了整一年的时间。程序开发，做的事情大专生足够，工作中也没有什么挑战。虽然两年后我离开了这个单位，但我非常感谢给我提供这份工作的雇主和当时录用我的经理。这份工作不仅仅是养家糊口，同时，也让我更了解加拿大职场，更了解自己，也是在这个单位，我转变了很多观念。工作中没有技术上的挑战就是最大的挑战。后来我一直坚持在允许的时间内，用尽可能好的方案，尽可能快的代码，无论周围的人是否轻松悠闲，我都认真地去提高工作质量。后来另一个工作机会主动找到我，几次面试都很顺利。

正能量。

 

[小溪流]

我从登录到在加拿大的第一份工作机会, 花了整一年的时间。程序开发，做的事情大专生足够，工作中也没有什么挑战。虽然两年后我离开了这个单位，但我非常感谢给我提供这份工作的雇主和当时录用我的经理。这份工作不仅仅是养家糊口，同时，也让我更了解加拿大职场，更了解自己，也是在这个单位，我转变了很多观念。工作中没有技术上的挑战就是最大的挑战。后来我一直坚持在允许的时间内，用尽可能好的方案，尽可能快的代码，无论周围的人是否轻松悠闲，我都认真地去提高工作质量。后来另一个工作机会主动找到我，几次面试都很顺利。但供楼主参考。

就您这份有感激之心，到哪都能混的很好。

说的好

 

[整蛊之霸]

没搞错吧？才两周就烦了？除非是大牛，否则正常也应该是3-6个月吧？

 

[iMer]

楼主加油，方法得当的话，1-2个月肯定能找到工作。
至于满意的工作，我们终其一生都在不断追求

 

[3com]

小吐一下， 我们总觉得自己的技术不够， 可是工作中却发现往往只有中国人是overqualified，白人和印度人论学历能力都不见得强。

真正雇人的过程中，就没有overqualified这种说法。

学历不等于能力，没有用的工作经验，俺认为更可能成为垃圾。
你的创新能力很可能就被垃圾给限制了。

种族主义的工作观点的员工，俺是敬而远之。

 

[HeidiZhang]

真正雇人的过程中，就没有overqualified这种说法。

学历不等于能力，没有用的工作经验，俺认为更可能成为垃圾。
你的创新能力很可能就被垃圾给限制了。

种族主义的工作观点的员工，俺是敬而远之。

The same here. I am very glad that I do not have the opportunity to work with you.

 

[3com]

The same here. I am very glad that I do not have the opportunity to work with you.

Good luck

 

[sallay]

做这个就没有简单的。de最多的工作就是data processing，如果没有对各种模型特性的深入了解这活根本没法干。举个例子，线性模型如linear regression，svm，glm，绝大情况下要做normalization，而boosting模型如rf，gbm等就不需要normalization而需要n way interaction，不清楚原理很难理解为什么要这样做。类似这样的东西这些是课堂上学不到而只有在实际工作中慢慢摸索总结的，也正是de的价值所在。

boosting模型是什么？还有请教glm和gbm是什么？

 

[chris_cc]

boosting模型是什么？还有请教glm和gbm是什么？

glmnet也就是Elastic Net，说白了就是加强的linear/logistic regression，提供L1/ L2 penalties of the lasso and ridge methods。
https://en.wikipedia.org/wiki/Elastic_net_regularization

Boosting /Ensemble Model，这二者都是用多个准确率较低的模型（通常是决策树）来生成超越单个最优模型（比如SVM）的方法。不同的是Ensemble是同时生成多个模型，而boosting是在前一个模型的基础上调优，迭代生成下一个模型。团结就是力量，此言不虚。
https://en.wikipedia.org/wiki/Boosting_(machine_learning)

GBM: Gradient Boosting Machine
https://en.wikipedia.org/wiki/Gradient_boosting

 

[sallay]

glmnet也就是Elastic Net，说白了就是加强的linear/logistic regression，提供L1/ L2 penalties of the lasso and ridge methods。
https://en.wikipedia.org/wiki/Elastic_net_regularization

Boosting /Ensemble Model，这二者都是用多个准确率较低的模型（通常是决策树）来生成超越单个最优模型（比如SVM）的方法。不同的是Ensemble是同时生成多个模型，而boosting是在前一个模型的基础上调优，迭代生成下一个模型。团结就是力量，此言不虚。
https://en.wikipedia.org/wiki/Boosting_(machine_learning)

GBM: Gradient Boosting Machine
https://en.wikipedia.org/wiki/Gradient_boosting

多谢，这些模型主要用在哪些应用中呢?

 

[fieldmarshal]

glmnet也就是Elastic Net，说白了就是加强的linear/logistic regression，提供L1/ L2 penalties of the lasso and ridge methods。
https://en.wikipedia.org/wiki/Elastic_net_regularization

Boosting /Ensemble Model，这二者都是用多个准确率较低的模型（通常是决策树）来生成超越单个最优模型（比如SVM）的方法。不同的是Ensemble是同时生成多个模型，而boosting是在前一个模型的基础上调优，迭代生成下一个模型。团结就是力量，此言不虚。
https://en.wikipedia.org/wiki/Boosting_(machine_learning)

GBM: Gradient Boosting Machine
https://en.wikipedia.org/wiki/Gradient_boosting

你给十万个为什么同学讲理论，后面准备写一本书都收场不了，呵呵

 

[3com]

 

[parisien]

典型的眼高手低，对Data Science都不了解还幻想找这样的职位，人家公司雇你是干活的，不是培养你的。

 

[wgwt]

干IT的就是靠手艺吃饭啊，技能没有了，生活就困难了

此话没错，就怕自废武功，就只做到Team leader，更高级的位置坚决不干。

 

[dragonsea movers]

加油，先做着几个月几千块的，搞那么几年出来就高了

 

[Mayeye]

楼主不是能力问题，是情商。又想转行进入新领域，要有新挑战，又要钱多活少离家近...要求太多，哪儿找那么好的事儿啊