Master是否應該去找software engineer的工作而不是data scientist？
CMU小碩一枚，對機器學習非常感興趣，修了不少相關課程（701, 725, 605等），實習也和這個相關，但無奈發現data scientist的職位提供給Master的真的不多，招聘會簡歷投過一輪也大多石沉大海。我明年暑假畢業，在此之前我是否應該多刷題，學學Web學學infrastructure（我會基本的Spark和Hadoop，但對database無知）給自己多一條找software engineer的路呢？如果仍然要找data scientist，如何進一步豐富簡歷呢？感到很迷茫。
要注意，有的公司，比如微軟，data scientist只是個title，做的事情可能是test。因為現在已經不招tester了，就改用data scientist的名義招人。具體事情是分析各種dump數據和用戶使用情況數據，聽著是scientist，其實是原先tester的活。
software engineer則沒有這個問題。之前有投過DS的職位，感覺面試除了演算法編程，還有各種機器學習和統計，甚至sql，感覺準備的知識更廣，壓力比較大。
結果來看面DS的職位我都掛了，bar更高吧，於是一心一意準備sde的面試，最後曲線救國，去SDE做machine learning相關的組就行了，title什麼的，沒有實際的工作內容重要。而且相比數據分析，我對應用機器學習更感興趣。之前在美國交流的時候，有人問到了關於Data Scientist 學歷的問題，IBM Sr. Data Scientist Saeed Aghabozorgi專門做了問答， 他的看法和大部分企業的要求一樣，能力決定一切。不管是本科學歷，研究生學歷都可以成為數據科學家，目前企業招聘的時候一般也沒有限制學歷，一般是要求工作年限和經驗。
技術決定能力，能力決定就業，道理令人信服。但是為什麼實際情況中，身邊的數據科學家80%是Master及以上學歷呢？為什麼Data Scientist 崗位看起來要求不高，實際很高？主要是因為你的競爭對手實力強。數據科學是一門新學科，Glassdoor新發布的全美國50個最佳工作名單，數據科學家又是當之無愧的NO.1 其中排名Top10的工作中，有一半與Analytics、Big Data、Data Science相關：
- Data Scientist $110,0002
- DevOps Engineer $110,0003
- Data Engineer $106,0005
- Analytics Manager $112,0007
- Database Administrator 8$93,000
因為工資高，而且對專業沒有限制，很多其他專業的Ph.D都轉投Data Scientist崗位，拉高了這個崗位的競爭門檻，就像前幾年非常火爆的諮詢行業一樣。而且Ph.D們通常不屑於去做CS等軟體開發類工作，所以才給了Master機會。就好比BAT在校園招聘的時候表面上大家都可以投簡歷，實際上能夠通過篩選，參加筆試的非211、非985學生很少。就算一起參加了考試，同樣的成績甚至分數低點，HR通常也會優先考慮重點大學的畢業生。因為他們的師兄和師姐已經打下了良好的口碑，HR覺得選學校好的肯定不會落下口實。所以學歷高，在應聘中肯定是加分項。
這裡我的建議是，有好的工作機會就先工作，慢慢往Data Scientist方向上靠攏。其實從上面這份名單你就可以看出，成為一名數據科學家之前，你可以先成為一名軟體工程師、也可以是數據工程師、數據分析師甚至資料庫管理員，所以不要太拘泥於當下某一條路徑，現在開始干就好。如果志存高遠，現在開始準備申請CS 方面的Ph.D也是可行的。
資料：
2016 post where Data Scientist was also no. 1 job in USA
數據人的自我修養：
預見未來 - 知乎專欄
學校招聘會上投簡歷石沉大海對於data scientist來說很正常，就我個人經驗來說，學校招聘會上Data Science有關的職位數量極為有限，甚至可能沒有，所以題主沒必要因為沒有迴音就過於沮喪。想當年我在學校招聘會拿到了一堆SDE的面試，但Data Science只有一個。如果真要找Data Science相關的職位，海投比學校招聘更有效。
Data Scientist這條路比Software Engineer這條路難走，坑少、bar高，除了相關專業畢業的博士碩士外，還得與一大幫生物、物理、化工等專業的博士競爭，如果題主想要走這條路，至少應該認識到這些壓力與困難。
刷題是一定要刷的，不論是做Data Scientist還是Software Engineer，好好刷題在目前來看是沒有錯的。
如果想找Data Scientist的工作，豐富簡歷最好的方法是找一個相關實習，如果找不到相關實習，看看能不能找個教授在實驗室里跟著做點東西，雖然這個出成果比較慢；如果實驗室找不到，那就上一兩門需要做大Project的課程，或者做做Kaggle，把一兩個項目做深做精做透。
另外，好奇題主是什麼專業的。和題主背景比較像，ms第一年，坐標灣區，剛剛結束找intern，也是做ds。我這邊面到的基本是一半coding一半統計，還有一些關於該公司產品的open question，所以我覺得準備這方面工作主要就是leetcode medium+probability+statistical inference（比如各種test）+ML，然後刷刷公司的engineering blog裡面相關的內容，感覺就差不多了。實際上如果你在這幾個方面準備全一點，就算不能直接做ds，也可以先從data engineer入手，而且題主cs背景的話，做那種要寫一部分data pipeline的ds是最合適的。
然後ds的學歷要求也分你是哪一種ds和在什麼公司。一般偏純統計的比如Google的quantitative analyst就幾乎只招phd（昨天去他家internal的活動，他們的原話是"phd degree is not required, but phd training is important"，感覺還是說要phd ），偏business analytics的比如fb和linkedin的非core-data scientist就挺歡迎ms的，身邊也有在那邊工作的ms學長學姐。
如果題主對web，system那些東西不是那麼感興趣，我覺得強行在上面花時間也沒有多大意義，以你的背景，完全可以在數據領域能進能退（前提是你喜歡）。
祝題主早日找到喜歡的工作。題主的資歷是很厲害的，但是很不幸，目前對熱門一點的公司來說每天收到的cmu stanford之類學校的各種統計系計算機系master簡歷簡直看都看不過來。更不幸的是，同樣在投data scientist職位的名校phd們也很多。
不太清楚您本科是在哪裡讀的，如果是比較常見的國內名校美國ms的組合，那麼你的簡歷價值又會再打個折扣。做DS是需要理解business的，做DS也是很需要能把故事講圓的。只有兩年左右的美國教育和生活經歷很難培養出足夠的biz savvy和communication。
如果以熱門初創公司或者pre-ipo為目標的話，現實一點的路線是尋求machine learning engineer，data engineer，data analyst這樣的工作機會。前兩者要和cs科班的競爭，注意刷題。analyst要和很多商科背景的競爭，注意講故事和分析的能力。
我建議你去工業界實習一下。尤其是去個startup. 給多少錢不要太在意。小公司一般靈活。你去ds組做做。在dev組也轉轉，看看自己到底喜歡什麼。以後找全職的時候好好改改簡歷。這年頭ds都水了，好好改改簡歷沒有找不到的。
強答一個，我在linkedin上掛了AWS技能，亞馬遜有個recruiter發信給我，我看職位描述里寫了要做big data，但是職位還是software engineer。我以前面過KLA也是要招big data software engineer。僅供題主參考
想找大公司SE工作的話刷刷leetcode就好了。你可以選機器學習相關的組，簡歷上有了大公司經歷之後再轉DS會容易一些。其實兩個崗位界限沒有那麼分明的。
另外如果喜歡偏演算法研發的崗位，可以考慮去讀個PhD...就我們了解到到情況來看，master還是有能夠找到DS title的崗位，但有幾個要求：
1. 技術和知識過硬，這個不用說。DS對python machine learning 和統計的要求都有，而且要刷題。要刷題。要刷題。至於刷到什麼境界，每個公司不一樣，普遍來說，刷到easy可以應付大部分企業了。我認識去面巨硬DS的，onsite4個小時，3個小時再考演算法。這個跟公司，甚至具體項目組有關，不具普遍意義。2. 要有項目經驗。公司一般不認可學校裡面的course project。我知道Stanford或者伯克利的統計系有很多大project其實很有分量，但無奈，很多學校裡面的course project都很水...如果你是Stanford或者伯克利的話，那找你的師兄師姐推薦一兩個實習，不是問題。3. 面試要練習。面試DS比較討厭，不像面試CS。CS面試是有套路的，但現在DS面試經常讓人摸不著頭腦。要多練習，才不會被臨場問懵。這裡面的原因是什麼？我覺得是以下幾點：
一. DS並不是一個well define的領域
DS發展很快，一方面是跟Machine Learning，Deep Learning飛速發展相關，又跟大數據的發展有聯繫，還跟企業的如何利用DS有關。最後這一點不是每個企業都有統一的認識。Data Engineer還比較好定義，因為你面臨的問題就是數據量大，種類多樣，要求實時進庫，目標還算清晰。但Data Science在企業里的角色是什麼？功能有哪些？為了實現這樣的功能，DS的Skill set應該有哪些？對這些的理解，其實還在動態的變化中，而且我覺得很多企業還是沒有想清楚自己到底需要DS來幹嘛，這就導致了在跟風招DS後，很多企業並不清楚怎麼用，所以更謹慎了，並且在這個DS的定義還在不斷變化的過程中，為了避免風險，企業傾向於招募基礎更好，更有學習能力的候選人。那麼這個時候，Phd會比剛畢業的master有優勢。
二. 不同的領域，對DS的要求其實不一樣，尤其是對domain的知識
很多DS崗位為什麼要求具有多個項目經驗的master? 那就是因為對domain知識有要求。醫藥領域的DS如果沒有任何的醫藥背景，我覺得還是不要去申請了；同樣，對於Fintech互聯網金融，你必須對收益率，risk management等很熟悉。那麼這就為master求職DS提供重要啟示了：多做幾個實習，多做幾個項目。不見得是DS的實習，什麼DA，product analyst, 都可以。並且在面試中，一定要強調，自己有實際的經驗，對domain已經比較了解了，而且具備強大的自學能力。目前Data Scientist的職位比較碎片化，各個公司的定義和期望不一樣，前面已有答主提到了微軟的data scientist的情況。這方面可以參考我在下面這個問題上的回答：
美國大型互聯網公司中的 Data Scientist 有哪些職業發展路線？所以籠統地說適不適合去找data scientist的工作，是一個非常難回答的問題。不知道題主除了cmu的碩士學歷還有什麼其他背景情況可以介紹。要做一個好的software engineer其實是非常不容易的，更別說做一個有領軍能力的software engineer，所以如果題主本人對SE相關的領域和技能沒有特別的興趣，那麼未來走這條路也會非常辛苦。
題主既然說了自己對機器學習感興趣，那麼不妨試試看去走這條路。目前雖然職位上data scientist非常異構，但是和data science相關的課程、教材、論文、kaggle等非常多也非常方便獲得。萬變不離其宗，只要把概率統計、機器學習、大規模數據處理、可視化和有效溝通、R/Python的內功練好，無論哪個公司的data scientist職位都不是高不可攀的吧。不說別的，簡歷石沉大海是常事。除非你是TOC統招就面上，否則基本上會埋沒在其他常春藤畢業生簡歷里。我認識的同學大部分都是投了三四百封簡歷才找著心儀的工作的。不要因為這個覺得自己不適合干某一行。
先刷leetcode，進了公司再弄其他方向。機器學習現在感覺泡沫太多，企業也是要PhD的多，先要有活命的本事，培養自己工程的能力。
是這樣的，career fair聊了一大堆公司，ds/ml基本都要phd。。。
樓主還是專心sde吧。。。
從市場需求上來看，純碼農和數據科學家都搶手。頭銜如果是數據科學家，必定傾向於phd，但是不用糾結於頭銜。比如數據工程師，或者數據分析師，聽著沒有科學家厲害，但是其實都會覆蓋相同範圍的工作，只是工作重點稍有不同。更多的還要看自己的資質和當時的人員結構，比如你有做某件事的資質並且適合，正常的公司不可能說死卡你的學歷，偏不讓幹嘛，公司內部流動性應該很大。所以如果你的興趣在此，還是有很多途徑來在工作崗位中做到的。
操作起來，先選公司，公司要有相應的需求和部門（別笑，不一定所有公司都有這樣的需求），盡量能大一點。然後可以走general碼農的入口，因為直接scientist的確卡學位，master稍微吃虧。進公司後選組再盡量挑偏緊這個領域的崗位，我知道的master甚至本科生從事數據科學相關的崗位很多，事在人為。
祝好。可以找找data eningeering吧 不一定要走software