CMU碩士還有半年畢業，找工作想專註找到真正熱愛的data scientist工作但又怕太冒險怎麼辦？
這其實也不是唯一迷茫的問題啦，同時還有職業規劃的一些其他困惑，希望能有大神指點迷津。
背景：CMU的MISM(Master of System Management)專業在讀，明年五月畢業。本科對數學要求不高，數學底子不太好。大四下做畢業論文開始喜歡上Machine Learning（那時還是以為ML就是用各種工具包試試試的階段哈哈。。），來了CMU後一直專註在machine learning上，做了些項目和競賽，實習做的也是相關的，一直自我感覺良好，也打算以後找相關的工作。但是上學期選了兩門machine learning department的課，然後越上越覺得自己數學底子太差太差了，我的悟性不算差，很多演算法的原理能夠理解，動手能力也不差，實現演算法的大作業做得算快的，但再追根溯源從公式推起，需要嚴謹的證明就力不從心了；看書也吃力，比如啃Bishop的PRML，推公式時用到某個數學定理，一句話帶過的事，我還要去google一下那是啥。。。有時候還要補充其他背景知識，往往有種挖下去挖不到頭的無力感。所以現在問題來了，目前我面臨找工作的問題，如果求保險的話應該老老實實刷題，上門15213補充背景知識，重點找偏SE的工作，data engineer什麼的，或者在data相關的公司做普通SE（因為就算妥協干碼農我也不想跟Data Science完全無關，以後有讀ML博士的打算）。但是另一方面，我打心底里最嚮往的工作是data scientist，準確的說是真的在用machine learning處理大量現實數據，需要去細細研究數據的特點，憑自己對數據的經驗和悟性決定實驗方案，去不斷學習運用最新的技術方案解決不斷湧現出來的問題最後讓數據跑起來得出一個有意思的結果的工作。這大概是我某次面試yelp時面試官給我描述的她的工作情景，每天50%coding， 30%designing algorithm， 20%communicate的生活（可是被拒了嗚嗚）。我知道這樣的描述可能太過理想化，因為ML在實際應用中可能就是特別枯燥的調參，但我有這個心理準備，科比為了場上輝煌的幾秒鐘每天要默默投中800個球，什麼工作不是這樣的呢。但這樣的工作比普通的SE要求會更高，尤其是對數學統計的要求，我自知自己不是那麼qualified。所以如果堅持要找這個position，我假期和下個學期就需要在惡補這方面知識上下很大的功夫，包括下學期選的課都會更針對機器學習的理論（比如10701），就沒什麼時間做SE方向的準備了。所以我有點猶豫，在困惑的問題是：（1）這麼短時間內要補充數學背景到能找到我理想的工作，可行嗎？如果可行，有什麼具體的建議？（2）除了數學基礎，我還可以從哪些方面為找data scientist的工作做準備？（3）我一直有工作一段時間後申請ML博士的打算（當然最好能回CMU啦），那麼在工作的選擇上，我的目標是正確的嗎？或者說如果做不這麼ML相關的工作，是不是就不怎麼有機會再回到這個領域了？我已經看了很多關於Data Scientist職業規劃的答案，也正在照其中的一些做了（比如補數學基礎的書目和一些資料推薦等），但還是想就我的狀況聽聽大家的看法~冒昧邀請了一些平時刷答案經常看到的大神，希望不要介意：）補充：嗯。。我的數學水平大概是，看演算法的時候，老師說求這個optimization，我們加個拉格朗日乘子就把之前那個限制條件考慮進去了~我默默百度了拉格朗日乘子之後 ，覺得 說的好有道理啊~~但如果讓我自己去想怎麼優化，我打死都想不到這麼乾的。。然後就算這一步理解了，讓我推公式證明前後的優化問題是等價的，我也是做不到的。。這樣的水平還有救么。。
謝邀
如果就是為了Data Scientist這個 Title的話，我覺得沒有必要擔心，現在很多公司也都知道求職者非常喜歡Title，所以也給了很多這個Title的職位的，所以只要你繼續努力找，一定會找到一份叫Title叫做Data Scientist的工作。
如果所愛的並不是Title，而是實際工作內容的話，那麼就需要意識到，這玩意跟Title關係不大，跟公司的組關係更大，Title 可能會是SDE，SDE in Machine Learning，Data Engineer，Data Analyst等等，所以投簡歷的時候要更多的去關注組的職責。而且不管怎麼樣，第一份工作肯定會有個切入點，一般要麼是Engineer，要麼是Analyst，可以參加我之前文章中說的Type A/B Data Scientist。拋棄幻想，談談現實中的數據科學家 - Hello陳然! - 知乎專欄
最後找工作的一點建議，找個Kaggle: The Home of Data Science 上的比賽刷到前五，寫在簡歷上，比啥Project都強。
Kaggle 的比賽在 Machine Learning 領域中屬於什麼地位？ - 陳然的回答----陳然_Ran的微博有知友私信以及在評論問我最後找工作的情況，就在這裡回答一下吧。我後來下半學期選了挺少的課，打算專心看數學，同時準備IT公司的Software
Engineer in Machine Learning和大公司的Software Engineer統招，之後再選組選machine learning相關的。前者也就是第一名的回答 @陳然 的文章中偏Engineer，對數學要求較高的那種。（在此感謝陳然的文章和回答，給了我很多啟發！）但後來那個學期發生了一些私事，整個學期都需要分心處理，所以後來看數學的事情就放下了，憑著題刷的還不錯拿到了Google的offer，今年九月份入職，再過段時間就開始選組啦！希望能選到感興趣的組去吧。這段時間在家終於可以開始看數學，目前在補一遍statistics，convex
optimization和PRML，有也在看的知友可以交流！
還是去個有很多數據的公司當碼農做起吧。程序寫的不好更做不了data scientist
這是我第一次感覺到數學學得好真是很棒的事情！
想當scientist還是有必要讀個博的
這年頭，在美帝能有份工作順利辦下h1b就謝天謝地了，希拉里上台STEM碩士找到工作直接綠卡，然後再換data scientist也不遲。
個人的一點淺見。
現在市面上大多數master可以做的data scientist職位其實根本用不到什麼數學，甚至連701作業的數學推導強度都達不到。傳統的數理統計是從assumption出發，然後通過嚴密的數學推導，得出結論。而Machine Learning起源於CS系，帶有engineering的血統。ML要做的就是通過各種feature engineering, cross validation, ensemble達到minimize prediction error的目的。而industry中的data science更是ML的應用版，用不到數學推導和證明，多數還是寫code各種試，只要最後達到提高預測正確率的目的。有時候你與工作之間只差了一個國籍 
先找到工作拿了H1B比較重要吧。工作了之後有機會還可以慢慢學再轉。現實和理想差距還是很大的，先刷題把工作搞定了再說。
話說這種事情不是跟career center的人聊聊更好？可以跟Terri聊聊。拉格朗日乘子法用於將等式約束條件添加到最優化模型的目標函數中，我這個搞土木的都知道的好嗎？
不等式約束條件要用罰函數好嗎？
你確定你是搞演算法的嗎？醉了。卧槽，一眼看成dota engineer...激動地點開後，果然失望了
樓主還年輕，選擇去做自己喜歡的事情吧。個人感覺Data Analytic是大趨勢，以後及時轉行也不會太困難。
P.S. 我就讀的是Berkeley MFE，實習選擇了Uber Data Scientist，望共勉。放心吧 這個title的大部分人都是software engineer。
先把701上完了再說吧。不過感覺701上完了也不夠支持你做data scientist。大部分人像我還是老老實實做碼工。在企業里做data scientist（不是光實現的那種），phd比較多。
所以如果不是特別有信心但堅持做下去的，我推薦去看prml和mlapp，然後去讀phd。
請問題主是怎麼申請上CMU的？
同想了解，感覺不讀博士的話，碩士很難做ml
好奇po主是哪位學長/學姐＝。＝
正道。BTW，我正在幫某幾家互聯網金融公司招Data Scientist····
說的好像我們數學專業的證明和推導就都很強一樣。。。
我有一個問題：樓主這麼牛的人為何還會問這種問題？
我覺得CMU的MS做這個沒什麼問題，能理解演算法原理數學基礎說明是可以的。比較高端偏研究那種你還做不了，一般應用的應該綽綽有餘了。不要太看重DS這個title，去找那些ML/DM相關的職位，然後過2年，像你說的，可以考慮申個phd，或者你現在申吧
校友來我司把 我們老闆也是cmu的
拉格朗日乘子法都沒學過……數學是有多差……
推薦閱讀：
※ECE博士如何轉行做機器學習？
※大數據還能火多久？
※在做特徵工程時，什麼時候需要對連續型的特徵做取對數操作？
※在Kaggle比賽中獲得好成績甚至拿到獎金的data scientist都經歷了什麼？