計算機碩士期間如何發力,畢業後能衝擊30-40w年薪的offer?

求助各位已經工作的前輩們:
我今年新入學碩士,學計算機專業。學校在計算機專業排名前5.
雖然本科期間也學習計算機,但到現在依然非常迷茫。主要是受周圍環境的影響,不知道研究生期間應該如何學習,選擇什麼方向發力。
兩年半的時間,非常短暫,因此不想走彎路。
看著身邊的師兄們,每天都在討論如何寫paper,或者誰誰誰又發了什麼會議。我感覺 我對paper圈非常不感興趣。一則只有2年半的時間,估計很難寫出頂級paper。二則我感覺絕大多數paper都是為了迎合審稿人,然後去做一些看似無關痛癢的研究。根本不會產生價值,有些甚至根本就是不work的。

我個人的目標就是,畢業後,能拿一份高薪的工作。
我對我目前的實力還是心裡有數的。本科期間參加了不少學科競賽,也去過百度實習,做過一年多的acm訓練(水平約等於區域賽銅牌水平)。憑藉目前的實力,我覺得畢業後拿個20W年薪(稅前)的offer,應該不是難事。但是看著認識的師兄一個個拿到30W的offer,也想再努力衝擊一下。

希望各位前輩指導一下,研究生期間應該如何努力? 目前我擬了以下幾個方向發力:

1.繼續參加各種編程訓練和比賽,把水平提高到acm區域帶銀牌或金牌水平。
2.進到百度繼續實習,努力積攢實習經驗。
3.跟著師兄們好好寫論文,融入paper圈。。
4.好好學習機器學習,參加一些機器學習方面的競賽。

但因為時間有限,肯定要有所側重。希望能得到前輩們的建議。
希望前輩們不要說什麼「興趣」之類的,因為這幾個方向我都很感興趣或者不排斥。只是希望能對以後找一份30W年薪的工作更加有利。。

雖然有點功利,但希望大家不要噴我。。


本人智商一般,但也拿過幾個公司的special,不過也沒有30,40。說幾點吧:
1. 國內的公司,包括中國谷歌,微軟,都很少能拿到30以上的。網易遊戲的special有30以上,但好像非清華北大的貌似沒有這個數。bat這種有很少部分人能拿到30,但能到40的就真的很少很少很少了。

2.不建議你繼續搞acm,除非你覺得你能去final, 拿到前20甚至銅牌以上的成績。應付面試來說,亞洲賽區銅牌的水平足夠了。

3. 建議你去實習,去重視技術的公司的核心部門核心團隊實習,去個半年以上,工業界和學術界結合,擴展自己的技術視野,做好一兩個項目。找工作最優的優化路徑是實習,沒有之一。

4. 不一定要發論文,發論文不是找工作的最優的優化路徑。但是可以找准一兩個方向,好好學習,多讀點好論文,往深的搞,如果有好的效果也可以投個好的會議的論文。這樣你也能算對一個小領域的有足夠的了解。

5. 不要太在意剛畢業時的工資。以你的水平,我目測你拿個bat的special應該沒問題(前提是你這兩年沒有荒廢,碰上符合你口味的面試官,或者有比較好的備胎offer可以argue價格),所以23以上不是問題。然後,其實在大城市,有時候20和23的區別沒那麼大,稅後就相差更少了,很多東西消費得起的還是消費得起,消費不起的還是消費不起(只是能買稍微貴點的)。我覺得找一個成長快的地方工作,比剛畢業時的工資重要多了,因為找對了地方,你可能升職加薪很快,過2,3年你會發現,畢業時的工資其實壓根沒那麼重要。

6. 不要太浮躁,你找工作不會有問題,這兩三年可以好好了解哪些公司哪些團隊適合你,成長快。不要太功利,好好學技術,提升自我,好好沉澱。

7. 還是不要太浮躁,享受人生最後的學生時光,享受奮鬥的樂趣,不要時刻想著畢業後的那份年薪,該努力時努力,該玩耍時玩耍。

8. 補上一個:如果樓主是想搞MLDM方向,做幾個kaggle的比賽(例如KDD cup)拿個好名次,和acm一樣能鍍金。深刻理解甚至親自實現幾個經典且實用(沒錯,一定要實用)的演算法等。


我二本渣校EE,本科畢業第一年做運維5萬一年。入職一年內自學C++,每天除了吃飯睡覺工作以外都在寫代碼,由於是個War3迷(前CHN戰隊外聯,負責聯繫並吊打棒子戰隊,呃,跑題了…),於是仿照war3的遊戲設計器,只用C++克隆了一個,完成度大致80%,另外基於這個設計器做了幾個簡單的聖火徽章關卡,從此認識了更大的世界。然後第二年拿到年薪30w了。


阿里星計劃,年薪60萬,發北京戶口,全國只發10個offer。為樓主量身打造。還在猶豫什麼?


自從上知乎的三大錯覺:
分分鐘抖個機靈成知乎大 V 走向人生巔峰;
沒有 TOP5 學歷、海歸留學背景都不好意思答題;
最後一點也是很重要的,就是應屆生年薪三十萬起!


只關心錢的話就很難拿到高薪。沒有NB的項目,或者NB的paper,30萬以上基本不可能。我覺得自己要有精準的定位,沒必要看著別人拿30萬的offer就也和別人比,有些人的offer也是吹出來,google和網易遊戲的普通offer也不到30萬吧。阿里星,全國也沒幾個吧。


去找那個誰,
超級課程表的那個


就我所知,能開出這個薪水的公司應該比較少,都是一些Special才可以,似乎一般都是在20W左右,這兩年變動應該不大。

能開出來的,就我所知應該還是網易遊戲,Works Application,BAT某些Special,一些牛逼的創業公司。

不過我畢業時沒有拿到過30W~40W的這種,所以我也不知道如何給出建議,我只能給出一些我工作後的感悟。我感覺其實交完稅後,或許差別沒有你想的那麼大,在這個級別你買得起的還是買得起,買不起的還是買不起。所以,我覺得你還是更應該考慮幾年後是怎麼樣的,職業生涯很長,這是一場馬拉松,而不是百米衝刺。興趣,薪水,你的職業規劃等都是應該考慮的,而非單單一個因素。


騷年,你居然可以只憑藉對高工資的渴望就學計算機到今天,而且在研究生階段準備大幹一場!這點我倒是太佩服你了。


拿ACM銅牌的不要太多。。。

而且acm只接受大學入學5年內的人參加,也就是你研一還可以玩玩,研二就不行了(我這個沒搞過acm的人都知道這事)。

就題主這樣的功利心態,走學術路線曲線救國也是不切實際的。連皮毛都沒接觸,就說自己不感興趣沒意思,無非是覺得這種投入短期沒有回報而已。

真正牛逼的人不在於他簡歷上寫了什麼,而在於他是怎麼想的。一個人的思維方式決定了這個人能走得有多遠,在我看來題主還停留在高中的思維方式。這種幼稚的思維方式只會讓人變得更加平庸並且功利。。

吐槽完畢。


百度開不出應屆30萬以上的,所以如果只看錢就是實習也是白實習。
能給應屆生開出30萬以上年薪的,本人所知只有阿里星計劃,網易遊戲和works applications。阿里星計劃是萬里挑一,不僅需要你有NB的競賽能力,更重要的是需要你有非常NB的項目經驗,兩年時間的努力感覺很難滿足(不排除你已經很牛逼了)。後面兩個相對容易些,主要是要求基礎演算法,但一個做遊戲的,一個做ERP的,似乎和你的研究方向不那麼匹配。
話說你師兄到底都去的哪裡啊,怎麼都是30萬以上的?求告知!!!
-------------------------------------------------------------------------------------------------------------------------------------
好吧,我拿到網易遊戲offer了也還是沒30萬,可見學校不行是怎麼也拿不到的,大家都去北京讀書吧。。。


.....面試的時候,ACM競賽地區銅牌的一抓一大把~水平參差不齊~~小朋友拿到一個ACM地區獎,就不要太傲矯了,一面直接被刷、工作後績效不好被踢出去的也不少捏~

在我眼裡,面試的核心是判斷一個人的歷史表現,是否能夠外延到未來的工作中。研究生如果能靜下心來好好進入一個領域並進入前沿(不一定要發牛paper,主要看是否能進入領域!),將來進入工作狀態的時候,我相信經過一段時間也一定能勝任有一定挑戰性的任務的;相反一些經驗非常「豐富多彩」的人,反倒讓人感覺很多工作都流於表面,將來大大的不安分,遇到困難就跑路~

BTW. 鈔票是支撐不了一個人走太久的,還是要尋找自己的興趣點切入為好~


對於年薪30萬,你缺的不是技術,是格局。
格局不單單就是一個人的眼光,還有這個人對整個行業和未來變化的把握。

舉例:
假如你在2000年畢業,你會選擇做網路遊戲嗎?
假如你在2004年畢業,你會選擇做電商嗎?
假如你在2009年畢業,你會選擇做社交網站嗎?
假如你在2014年畢業,你會選擇做互聯網金融嗎?

經典反面教材:
畢業去了諾基亞,卒。

死工資拿30萬,各位大牛都說了,條件之苛刻。
死工資拿30萬,算行業領軍人物了。你得明白,15萬買的是你的技術,另外15萬買的是你的眼光格局。


不能把自己看成連排級的低層幹部。橫向比較的話,你的眼光格局要能夠組織萬把人,獨立指揮一個戰區的戰役。


Startup Internships: Why is it difficult for Indian students to get an internship at Facebook, Quora, Dropbox, Google, Twitter or other startups but US or other international?

怎樣花兩年時間去面試一個人

希望能幫助到你。


我特別喜歡我司一個大大說的一句話,大意是你來工作,那是論跡不論心的,所以好比說做遊戲,為了錢也好,為了夢想也好,本沒啥高下之分。你不遮遮掩掩好財也稱得上坦蕩,總比為錢說為理想高一截吧。

其次就是論跡了,那就要好好囤一下相關經驗,計算機領域還是細分分明的,你有目標場那就刻意加相關技能就好了,去百度或者來我大網易,寫好cpp都是好招牌,能寫的出linq實現都鳳毛麟角。

最後就是,不要太在意開始,我高中基友和我同年進百度,一年升t6,兩年去美團當大架構師,憑的是晝夜不舍,coding無數。我自己比起來,年薪不到人家一半但我絕對心服口服,雖然我們起點是一樣的。要真論心,你要有愛coding的心,要論跡,你要有這個能力和行動,大致就是這樣。


只能讀phd,拿下一票優秀論文(如siggraph),然後來我M$RA做Researcher了(直接跳過AR和AR II),就可以直接上40


我建議你去問拿30W工資的 師兄最好。。。


看到你這樣的新生我很高興,因為我們有很多共同點,我也追求好生活(高收入),我也對paper圈不感興趣。

你非常有目的性,這是準備就業的年輕人最需要的。而且你非常幸運,才剛踏上研究生生涯,並且在計算機方面已經打下了比較良好的基礎。不過你的時間也不多了,雖然要讀2.5年碩士,但實際上找工作要至少提前半年(對3年碩士來說是提前一年,我不確定2.5年碩士具體是提前半年還是一年。提前那麼多招生真是坑,我有一種我還沒熟透就得上陣的感覺),所以你最多還有兩年可以準備。

作為一個過來人,我的建議如下:

你要做的有兩個方面:往簡歷上添加實在的料;保證面試百戰不殆。

1.編程比賽不一定局限於ACM,現在每年都有很多個人賽,Google Code Jam, 微軟編程之美,百度之星,計蒜之道,賽碼網年度賽,這些比賽如果能拿個世界500強(GCJ晉級到Round3 on-line),或者國內100強,都可以往簡歷加料。國內的比賽考很多原題,如果基礎紮實的話很有機會拿個線下複賽(一般是前50名)。

2.繼續到百度實習,這點非常對。讓高水平的前輩帶一帶,很能提高自己的水平。而且做一些大一點的項目,寫到簡歷里是很硬核的。不過你要搞定你的實驗室,或者要求出來實習,或者悄悄地出來實習。

3.跟著師兄好好寫論文,這個就不必了。你本人既然對paper圈不感興趣,不要勉強自己做學術。你應該想方設法以最低的成本畢業,並且越早越好,以除後顧之憂。

4.關於機器學習,那就看你追求的方向了。如果你想做演算法工程師,那不用猶豫了,馬上把深度學習搞起來吧,現在開源庫已經比較成熟,用起來也很傻瓜。不過我覺得整理數據和調參數的生活不是很幸福,所以找工作時已經完全不考慮演算法工程師了。

5.刷兩遍leetcode。雖然編程比賽的難度比較高,但是經常會為了速度套模板,親手寫寫leetcode挺有必要。leetcode的題寫完了最好點discuss看看別人的最佳代碼。在面試中需要的是高效簡潔的代碼,尤其是Google的面試。如果能搞定GG的面試,其他公司的offer就是探囊取物了(考慮到你是計算機科班出身,演算法以外的基礎知識應該也能從容應付)。

另外碩士拿30以上是很少見的,你真應該好好跟拿到這個數的碩士師兄好好取經。

有目標是好事,但是不可以太貪心,想要每一件事都做好哦。


出現在我的timeline 上了,剛好又沒睡,順便來答一發
我是本科,畢業後半年拿的近30,剛畢業的時候拿的正常價格,10k左右,畢業後在一家創業公司,公司人少,數據部門新成立的,挖掘的項目基本就我一個人做,老闆也會帶,但是時間也不多。不過任務不急,所以就有很多時間看書,加強做完了兩個項目(有一個沒有完全做完就跳槽了),然後收了幾個offer 差不多都是這個,選了一個最感興趣的團隊。
總之,我覺得題主你很優秀,有幾個小建議不知道你看不看得到:
1.自身:找到自己感興趣的地方並深入下去。大而全不如專而精。面試的時候我發現老闆都喜歡針對你的項目細節深入問下去,問你嘗試過的所有解決方法。這是考察你研究的深度,對項目的鑽研程度。並且從你解決問題的方式可以看出你的其他能力,包括但不局限於搜索,思維活躍度,動手能力等等。
2.公司:即使你真的很優秀,有的公司也不一定能夠給你到你的預期。公司的類型,團隊的重要性,項目的緊急程度等等都會影響你的offer 價格。
不知道題主現在有沒有找到預期的工作,不管有沒有都當共勉了(^ν^)

更新一下,工作一年了,從近30到30+了,嘿嘿


不發paper天天想就業讀學碩做什麼。


去實習吧,不想做研究或者讀phd的話不如直接提高工程能力。學機器學習可以學那些經典的演算法,最多精力還不如放在Hadoop生態系統,storm和spark這些大數據處理工具上。因為等你工作了,你發現工程對於機器學習的運用和研究機器學習是兩回事。大數據看重的是如何用好大數據處理的工具。當然你想讀phd和搞研究是另當別論


推薦閱讀:

用於數據挖掘的聚類演算法有哪些,各有何優勢?
為什麼 LR 模型要使用 sigmoid 函數,背後的數學原理是什麼?
模式識別機器學習的發展方向?
機器學習工程師需要掌握哪些編程語言?
The Elements of Statistical Learning 需要怎樣的數學基礎才能讀懂?

TAG:互聯網 | 程序員 | 演算法 | 機器學習 |