最近看到udacity的納米學位很火，號稱學完可以找到工作了，這是真的嗎？

01-26

udacity的納米學位學完真的能找到工作嗎？

背景介紹: Udacity機器學習納米學位在讀，學習時間:1個月零10天，進度介紹:畢業項目進行中。

個人認識:

Udacity帶來的內推機會倒不是關鍵，關鍵在於這個學位使你從完全不懂機器學習，到開始可以用sklearn完成一些簡單的項目(我同時在上學校開設的模式識別)，並且有了一些簡歷上可以填的項目。對我來說，完成這個納米學位一方面可以豐富自己的簡歷，另一方面能給剛起步的人帶來點信心~~。不過得建立在邊上udacity的課，邊在線下學習理論的基礎上，才能真正發揮納米學位的作用，有空會自己寫分類器源碼。準備等拿到畢業證書就開始申請實習啦:)

總的來說納米學位只是開始的開始，它不是一步登天的捷徑。能不能找到工作或者說能不能勝任工作，還得看你總的時間和精力投入。祝好:-)

作業代碼（僅供參考）：

Joker316701882/Udacity-ML-nanodegree

1月4日更新

----------------------------------------------

最近回國探親，投了幾份簡歷。多是機器學習和深度學習相關的實習工作。由於國內網路資源不發達，加上為了裝雙系統導致電腦崩潰，基本上這一周就處在混吃混喝狀態。

說正事。

收到的第一家回復(公司名就不透露了)，職位描述是分散式數據挖掘，要求最好有ACM或者kaggle獲獎經歷。答覆是我的技能與要求崗位不符，沒給面試機會。(我覺得被拒的原因是實戰經驗太少且沒有分散式項目和競賽經歷)

另一家回復是中科院某研究所，之前已經進展到談什麼時候能過去的狀態，這幾天突然就沒怎麼回復了，估計黃了的可能性比較大。這家只是簡單的提問了一些演算法經歷，重點關注提問了曾經寫過的神經網路。個人感覺udacity的經歷尚未引起關注。(雖然沒完成畢業項目，但其他5個都寫在項目經歷里)他家職位描述主要是深度學習演算法的改良和應用，而udacity machine learning在這方面深度廣度都不足。重點來了!!!!這家研究所很希望你讀過某一深度學習開源項目源碼(tensorflow,theano,caffe,keras...)，並且清楚的知道每一行的含義(淚目...)。

Third one，一家人工智慧在情緒領域的創業公司，今天剛面的電面，很輕鬆，沒有什麼技術細節，陳述職業技能和經歷的時候提了一下udacity，對面聽了沒啥反應(不是技術面可能大概是先互相了解一下吧，以後說不定會深入提問)結束以後互留了微信號方便出國以後的二面。這也是我最想去且抱有最大期待的一家。

總之應該還沒到下結論的時候，不面個十幾家被拒個十幾次怎麼能知道水深水潛。

祝各位2017輕裝上陣，勇往直前:)

1月9日更新

----------------------------------------------

由於現在人在日本，今早與情緒識別創業公司的面試採取微信語音通話的方式。對方是該公司創始人，全程大概30分鐘，前10分鐘大概聊了聊技術方面的話題，包括我寫過的項目，沒有涉及具體的細節，大概是了解下我的總體的水平。中間15分鐘主要讓我基於自身的知識積累，和對該公司的項目大致布局，來談談未來對人工智慧領域的「情緒」的理解和該公司的一些發展建議。由於該公司一部分主流技術是基於深度學習，所以Udacity的項目經歷又划水了。。。回答大體上是參照看過的一些深度學習論文，知識積累（刷微信公眾號和新聞刷來的。。），和對該公司前期的調研（創始人自身發展經歷，公司產品，以及國外同類型公司）。後5分鐘就是他向我介紹公司現在的一些技術積累和架構，給我分配的職位，以及給開出的待遇。

總體感覺在整個面試過程中幫上忙的：

1.對常見機器學習分類器數學原理的理解，寫過源碼（這樣在回答的時候就不擔心被提問非常具體的技術細節，問宏觀一點的問題就更不用擔心啦）

2. Udacity納米學位，這個放這裡有點牽強，但是想想如果不是用sklearn完成過那些項目，或許沒那麼有底氣（第一次接觸cross validation,unsupervised+supervised的混合結構，bias和variance的差別等等知識，都是通過udacity，並且由於項目的原因，對這些比較關鍵的技術點還算有直觀的理解）。

3.對行業的理解。這就不多說了，多抬頭看世界。

4.誠實！我比較直白的表達出了自己目前處於起步狀態，沒有開發經驗，可能不能給公司帶來太價值，但是未來的學習重心是深度學習。對方的回答是看中我的學習能力和未來的發展。（具體得多誠實，向對方透露多少自己的底，要在面試過程中判斷面試官心理狀態，如果對你之前表現的反應比較負面，就趕緊想辦法挽回頹勢）

5.學校背景。

6.不緊張不怕死的心態。反正也沒啥可失去的：）

PS：此為非典型面試經歷，面試BAT等大公司請謹慎參考。

正一正樓，總體感覺，Udacity在國內認可度不高。

Lucky day anyway.

To be continued...

2月28日更新

ーーーーーーーーーーーーーーーーーーーーーーー

實習半個多月了，今天簡單更新一下。

前段時間為了完成公司交代的項目評估任務，大量時間花在了研究cv和相關論文上，以前沒涉及過計算機視覺方面的知識，著實退了層皮。上周剛提交最後的報告，現在的工作就很輕鬆了，只要維護svn上這個項目相關的更新就好。

在公司的一大好處就是可以免費使用伺服器，只要有空就把數據放到伺服器上跑，拿到了不少一手實驗資料，本科畢設算是問題不大了，其餘時間都在研究深度學習，看看學術界大牛們又發明了什麼好東西，然後就是補線性代數，為下一步工作做準備。

不工作不知道，udacity的課不能說淺或是價值不大，因為不同領域都需要很多的專業知識，同一公司的前輩在負責語音這塊，平時也得補知識。但是現在回頭看看還是很感謝udacity的，算是我在這塊的啟蒙導師吧。往後還是得靠自己。

再多寫一點，數學基礎真的非常重要，從人臉識別，到優化深度神經網路性能的方法，無一不需要數學的指導。一些比較淺顯的知識比如神經網路的基本工作原理，深度學習的一些tricks，人臉的PDM建模和CLM特徵提取，都了解差不多以後就很難再感受到有明顯的進步了(數學不夠就沒法產生更深刻的理解)。有時候會比較急，趕學習進度，趕著讀最新論文，忘了自己根本本科還沒畢業，接觸機器學習也只有不到半年，最後理解不到位反而得不償失。打算調整下工作重心，狠狠補補數學再殺回來。

9月15日更新

ーーーーーーーーーーーーーーーーーーーーーーー

好像這個貼還有人看，最後再更新點乾貨吧。

全貼跨度將近1年，記錄了我從剛學機器學習到目前的現狀。

答主4月份開始在日本一家top15%的AI公司實習，實習期一年，截止9月份幫公司做了2個項目，水了篇論文。最近跟公司續約到明年畢業（18年7月），拿著跟BAT正職差不多的薪水（可能更高），被boss留在公司完成剩下的研究生學業。相對於不少剛畢業的大四學生，我算是很幸福了。從開始上優達學城的納米學位，到目前差不多快一年，過程中感受到這個行業巨大的潛力，（很多創業公司真的非常缺人，想不想去創業公司各位各取所需），也能感覺到想成為這個行業的頂級（top 1%）人才，需要付出的巨大努力（你必須精通數學，編程，各種計算機知識，讀的了頂會論文，寫的了decent的代碼。答主的boss就是這樣的人）。優達學城的學習經歷雖說在後面的面試中幾乎無人問津了，（隨著學的東西越多，也越感覺到Udacity學位真的沒什麼好拿出來說的），但是回想起當時痛苦的入門過程，Udacity還是提供了很好的台階幫我一步步帶入AI的世界，也給以後處理實際應用中遇到的問題提供了很好的解決問題的直覺。對於從硬體轉行到深度學習領域的答主來說，Udacity算是轉型過程中唯一的導師吧。現在想起來，就不會考慮當時花了多少錢學了這個學位，是虧了還是賺了，更多的是對U家當初引導的感謝。

note:

最近參加了face++,B家和A家，以及其他一些公司的面試，答主的應聘的崗位主要是計算機視覺方向的研究員或工程師。因為數據結構、演算法相關的coding一直是弱項，所以這其中有順的有不順的。相關面經等面試全部結束後會更新鏈接到這裡。

10月23日更新

------------------------------------------------

最終還是被百度收了

我是EE自學轉CS灣區搬磚的.

我可以談談Udacity, Coursera之類的區別.

我是做web的，coursera有個HKUST的專項，Udacity有frontend nano-degree, 我都上完了.

區別其實很明顯，

Udacity的授課導向是industrial oriented....關於performance的部分很明顯是用的生產環境作為標準的，這種生產環境導向的風格也導致了極個別project出現learning curve一下子陡了的情況.

Coursera授課是把高校的課程壓縮改版適應MOOC的形式. 學習曲線平緩，內容也很豐富，但是對性能基本沒有做明顯提及. 主要以覆蓋更多的面為主.

從簡歷的說些來看，coursera比udacity更實在點，但是udacity談及的某些基於生產環境的思考方式，也是頗多用處.

最後回到就業問題上，如果你問的是Udacity上個nano-degree能不能自學找到工作....我覺得應該考慮兩個問題.

1. 找一份什麼方向的工作？前端和mobile尚有可能，別的方向不要做夢了.

2. 你在國內還是國外？國內的話你如果是"名牌「學校的，我覺得可以試試，如果不是「名牌」還在中二期追逼格的，我建議把錢省下來多吃點好的比較實在. 我曾經見過有的人帶有一種Udacity是個高逼格的培訓機構的想法..........

為什麼可能性存在於個別方向？ML/AI之類的東西，哪裡是短周期自學可以覆蓋的，人家公司會雇你么......

然而web可以說是資源最為豐富的選擇了，自學不怕東西雜，就怕沒資源, 不停滴練手，默默滴圍觀知乎前端網紅們撕逼，默默記下來，你也可以和人吹逼了.

為什麼需要考慮地理位置，因為面試風格不同. 國內面試注重實操和經驗，udacity的東西完全達不到full-time的標準，至於中國特色的實習，我不懂，就不說了. 美帝我面了10場full-stack/前端面試, 個人的感受是這兩個課都不夠...如果你讓我選一個，我可能還是傾向coursera的專項.

我這裡先提前說下，不要用「太基礎「這種辭彙來形容一個課程的好壞. 對於這種目的性很強的上課行為來說，儘可能覆蓋更多的面，打開更多的窗子然後自己學習才是最有意思的. HKUST的專項用的可是ng1, gulp....按知乎的react/vue/webpack的標準來說簡直是屌絲，然而這些東西背後代表的前端開發的想法確是通用的.

MOOC不是用來找工作的，相反更適合已經工作的人用來充電和娛樂。因為在職人員平常工作很忙，一般不會像學生時代一樣有那麼大的耐心去啃磚頭。而MOOC課程較低的難度，老師一步一步引導，還有deadline的督促，讓你可以更順利地完成某個學科的入門學習，你也知道了以後要深入學習的方向。這就是MOOC的全部意義。

作為在職人員，Coursera的課程我基本上能在2-3周內完成。你們學生黨一天六七個小時閑的沒事幹，我覺得1-2個星期就可以突擊完一門課。

試問一個星期就能完成的課程，能幫你們找到什麼樣的工作呢？那找工作也真是太容易了一點。你們學高等數學都不止這麼點時間吧？

在校期間我也做ACM競賽（當時沒有kaggle），說實話比較菜，區域賽最好也只拿過第十名。但就是我這麼菜的人，也是刷了3位數的題，所有常見演算法的代碼都熟練到了不用想就能敲完的地步。這個訓練時間是按年算的。

那你們拿機器學習之類納米學位的，起碼也得用一兩年時間來深入研究課程背後的理論（至少PRML通讀一遍？）再能把TensorFlow的關鍵源碼讀的滾瓜爛熟甚至可以自己手寫的程度，才算能用機器學習來舒舒服服地吃飯吧。這個職業技能培養的時間應該也是按年來算吧。

十一月更新：

刷完了Coursera的Deep Learning四連課，Coursera吃了大約十幾門Coding、Data Science的硬課（包括傳說中的PGM、Stanford演算法課等等）

發現如今的Coursera也往Udacity的教育模式靠了靠（直接的就是，Jupyter Notebook以及提供完整的框架。）但是想想MOOC的全稱是Massive Online Open Course, 我私以為Udacity已經脫離了MOOC的範圍了，甚至有點像導師制（而確實，現在也引入了導師）。

但是要告訴你們一個很好玩的事情，你們的Udacity證書，似乎無法認證。。。

比如上面的那個Certificate，你們可以通過這個來查看我的證書情況，逼格瞬間low了下去。。。

在最近（十一月十二日），北京開展了Udacity NanoDegree的畢業典禮，這個逼格是這樣的（侵刪）

豪華版Udacity NanoDegree 證書

讓我一個畢業老久的孩子垂涎三尺，瞬間高大上了。。。

如何在Udacity收穫更多？請保持主動，做一個問題的提出者而非簡單的問題的回答者。Udacity和很多平台一樣，包括了大名鼎鼎的硬骨頭CS231n，大作業都會給你一個框架，通過提問的方法來給你一個做大項目的方向。而之後大項目也就被拆解成為了回答一個個問題的答題紙——That』s so boring！這種的方式來用大項目真的是一種暴殄天物！尤其是在Udacity的數據分析NanoDegree上。我在做的時候會對照著它的評分表來看，是否真的完成了所有必要的操作。而後就是來介紹我個人的「需要」了。需要不是必要，而是我想知道我的思考是否正確。因此我會在大作業上問出一些問題，然後嘗試解答。而Reviewer也會十分耐心的幫我把這些東西一件件的解決，然後告訴我思考的方向——誠然，你會在項目上花比別人更多的時間，但是這個時間絕對值得你從看劇、聊天中抽出來，值得你晚上睡覺的時候不得安寧的思考How to do better或者「我究竟錯在了哪裡？」這個事情和我一些在名校的朋友分享之後，他們說「這一點恰恰也是我日日夜夜煎熬之所在。」如果簡單的把一些東西改幾個字然後就能完成（即改模板），那麼的價值不過是做填空題而已。

如果在Udacity收穫更進一步？Talk about this. 劍橋有一個很有趣的事情，因為這裡的夜生活其實還是很boring的，如果不喜歡party的話，就不妨和教授約出來，幾個人坐在學院的bar里談笑風生，一聊一下午，一聊一晚上。中間總會冒出很多有意思的思想的交鋒，有的時候哪怕一言不發坐在那裡，都覺得很有收穫，恨不得拿出筆紙記錄下來整個談話（當然沒人這麼干）。有的時候，你只要問出好的問題，並且你提出你的猜想，約上你的助教，一對一好好的聊一聊（這項福利很經常被人忽視）。你會有一個嶄新的認知以及一個「下一步應該怎麼做」的未來戰略觀，為什麼從來沒有人質疑過，既然國內的孩子沒有一個「自己想要什麼」的自身規劃的觀念，那麼國外的孩子是怎麼有的呢？職業發展也是如此，並不是說我聽說了投行很有錢然後我就決定去做投行，或者說現在的「數據分析很賺錢，我就決定去做數據分析」，和別人好好談一下，也許這才是你真正想要的——而這一點Udacity恰恰是沒有意識到自己的優越性，以及其他的平台所不及的。

原答案：

利益相關：Udacity數據分析師畢業、Coursera數據分析專項課程畢業、Andrew Ng的Machine Learning畢業。

第一階段

在做Udacity的時候我的經歷是複雜的，因為一開始是為了申請一個項目，項目需要有項目背書，作為一個純工科的並且對工科沒啥好感的本科生表示——「啥玩意？」

後來誤打誤撞的進入了Udacity。

公正的說，Udacity的NanoDegree很貴很貴很貴，即使返了一半我還是花了一千來多。Coursera其實學到的差不多。甚至我覺得Coursera的會更好一點，主要就在於讀。

而Udacity的NanoDegree真正鋒利的地方不在他的課程有多麼牛逼，而是項目的Review！

Coursera有比較豐富的閱讀的資料，而比如在數據分析的機器學習入門這個項目中，在做項目的時候會突然懵逼不知道要怎麼做。而且我這死腦子在他教這些東西的時候，我總有一個衝動就是「這tm是怎麼來的？」，然後自己一個個去搜概念！！！然後才懂。不過可能是我是一個死腦筋吧？？？早先的時候一口氣做了一半，後來因為要出國然後實在忙的沒空了就放下了。後來在國外的時候，做一些基本的數據操作（主要是Pandas還有一些NoSQL的使用），從這個角度出發，Udacity確實還是挺好的，至少能夠讓我無縫銜接進了項目。十分的Practical。

但是這又如何呢？我曾經花了很多的時間來進行這方面的學習，而身邊一起做事的人就看了一遍官方的Tutorial馬上也就都會了。也包括sklearn的使用（機器學習入門的時候學習的），看了一會兒文檔馬上就寫出來了，全過程行雲流水。

那麼我這樣一個個搜概念，看文檔看懵逼的人要和這樣的變態來競爭？還上崗？

所以在苦逼的環境里不斷地逼自己追上他們，這一段時間我完全的脫離了所謂的Udacity的學習。

第二階段

由於心疼錢，想要返現一半，於是乎又十分的不要臉的花錢買了一個月，這個時候我是以一個完成了基本的代碼的訓練的人的身份來進行Udacity的項目的，結果是：

這尼瑪為什麼這麼簡單？？？

我可以說如果你學了Udacity的納米學位然後你找到工作了——和Udacity的納米學位的學習項目沒有半毛錢關係，而是你本來就很優秀！

最後的一個A/B Test的項目幾乎行雲流水的看了一下統計學的書，然後我是連視頻都沒看完，就把這玩意給秒掉了。

綜合了第一階段（沒有什麼背景的小白）和第二階段（接受過比較系統的編程訓練），我可以說，Udacity的項目只適合有一丟丟經驗，那個所謂的一丟丟經驗指的是理工科一定要學的比如C語言或者VB的課給學完。Udacity的項目建立在這個基礎上來學，可能才會有一點作用。但是如果你真的想靠Udacity的東西來找工作——那麼你一定是大牛學校背景+ACM/數模美賽大佬的才行。

但是回顧一下，所謂的學習，難道不就是努力的在跨出舒適區的地方不斷掙扎嗎？

而Udacity，我還是非常的感激它的。

它讓我知道自己的定位在哪裡，以及未來的路在哪裡。我知道了有一個東西叫Kaggle，我身邊的人壓根就不知道！我知道了想深入學習Machine Learning要看一些什麼東西，在哪裡看。我知道了數據科學要深入的話要怎麼做，知道了整個工作的流程是怎樣的。而這些才是Udacity真正給我帶來的意義，可以說是指出了人生努力的方向和辦法。你要說，這個東西算啥？我想做Machine Learning的話，我可以去圖書館借一本書啊，然後讀啊，再按書里的項目來做一下啊。而問題就在於最後所謂的「做一下啊」，如果你是一個完全不相關的背景，而身邊的人也跟你差不多，那你怎麼知道你做的是好的呢？這就是學習過程中一個非常重要的東西——反饋。

所以我說，Udacity最具價值的地方，其實是Reviewer用心給的詳細的Review。

但是你把開始當作了結尾，那你是把自己當傻子還是把別人當傻子？

不過，你拿著Udacity的項目經歷去找找實習的話，其實也應該是可以的，畢竟只要項目是真的自己做的，然後在做的時候稍微用點心，這就完全足夠了。

Udacity的創始人特龍教授說，教育的價值就在就業，如果沒有就業，那麼教育本身就是不合格的。因此Udacity才有向Industry傾斜的結果。而工作上，事實就是，可以的。

如果只是完成作業的要求來看，明顯不能，之前公司有免費的machine learning納米學位名額，上了幾節課就沒興趣了，明顯是給沒有入門的人準備的，要是靠這個能找到好工作，那簡直就是把高等教育黑得體無完膚，要上mooc也去mit opencourseware這樣的地方去找吧，真正的學問哪是那麼容易掌握的。

先佔個坑，Udacity數據分析納米學位畢業生，之前沒有數據分析背景，畢業三周後拿到若干offer，並且我所認識的畢業了的學員好像都已經找到工作了，其中也包括零基礎轉行的。

先回復問題：就數據分析納米學位而言，學完肯定不能保證找到工作，但學完對找工作很有幫助。

鏈接是某次直播分享的內容，就是可能缺少些批判性評價，參考看看就好。

https://docs.google.com/document/d/1g8ubJoa8yRcPpdWoLR9fSS4NU2W6VyG8q_iINi2f6co/edit?usp=sharing

之前做了6年系統實施，藉助修前端納米學位系統學習了一下前端。然後開始尋求前端的職位。

但面試也不是一帆風順，碰了很多牆壁，理由多為之前個人經歷不服之類。但碰上真正懂技術的面試官，不是關係你會什麼，用過什麼工具，而是看你對知識掌握，項目／作品的實現和邏輯，怎麼分析和解決問題，以及學習能力。所幸，我碰上了一個，目前在新公司工作2個多月，已經修了幾個bug，做了一個小功能並上線了。

Udaicty 的課程設計，我覺得還很不錯。至少前端的課程是從非常基礎開始入手，逐漸引入各種資料和主題。讓你慢慢了解前端的全貌。講解大多都是從基礎入手，先教你如何去理解其中的原理。比如講解，前端的MVC的時候。先教如何實現自己的「MVO」的框架，理解其中的原理，然後引入生產中使用的框架。

最後我覺得，通過XXXX，就能找到工作，都是偽命題。因為裡面並沒有定義你的地位。我認為 Udacity 的課程是一個指導你學習的方向，但能否達到你的目的地，還是要靠自己的努力，脫離自己的舒適圈。就算是畢業之後，還要靠自己，不斷完善和提高。技術總是在日新月異，唯有終身學習才能立於不敗之地。

我目前正在完成Udacity的Machine Learning ND（ML微學位），目前給我的感覺良好，暫不說能找到工作，還沒畢業，還不知道。

我的研究生導師就是研究Machine Learing， Deep Learning， Reforcement Learning的老外一枚，純學術理論研究者，不屑於做工程項目，用他的話來說就是：「This is a engineering question, not a research problem."

讀書讀到研究生，給我的感覺最大的就是，其實科學知識是開放的，無論你是誰，無論地球的那個角落，無論民族和人種，無論教派和意識形態，科學知識都是對你開放的，就像我們能在Google上能找到某某大牛發表的最新文章一樣，最新的科學研究進展都對每個人開放的。但是，始終有一個問題在不斷地敲打著我：為什麼科學研究高度開放，各個國家之間又相差甚遠呢？我自己找的答案是：我們只有把科學研究成果轉化為促進社會進步的科學技術，才能有效的推動社會發展。科學轉化為技術，我定義它為」工程「。科學研究是開放的，自由的，那麼工程研究就是封閉的。我相信汽車理論50年前就成熟了，車輛系的學生手到擒來，考試90分沒問題；那請問為什麼為什麼市場上的國產車大都用三菱的發動機？我們誰都知道著名的」質能公式「，但是又有幾個國家能造出原子彈？

其實機器學習的理論知識在本科的概率論和數理統計課程中就學過（TMD還是考研課程呢！），學過這些理論的我們又有誰會想到還有一個東西叫機器學習？聽都沒聽過，想都沒想過，更說去做了。就算聽到了，想過了，會動手做嗎？

我是Mchine Learning ND的一員，其實對於一個學生來說，報名費非常高，不是我用獎學金，我真報不起。我之前一直在看Udacity的課程，但是一直沒有購買課程，Udacity的課不是免費的嗎？看了很久，但是越看越不對勁，那種感覺又來了，什麼感覺？——這是科學理論，不是科學技術。我能不能用我學到的科學理論知識去解決一個生活中的問題？直到前幾天Udacity可以免費試用7天，我才進入ND項目看了看，這才解決了我的「頑疾」，這種感覺像什麼呢？就像在網上下了一個Matlab，你知道Matlab未來對你有幫助，但是就是不知道如何下手，正在你焦頭爛額之際，突然發現——居然有一個帖子上面有Tutorials！啊~~~~

ND裡面講了很多Toturials和Tools，比如：如何使用Anaconda管理Python, 如何使用Jupyter notebook寫出高質量的Markdowm筆記，如何使用Pandas分析海量數據，如何用Numpy進行科學計算，重點來了：如何使用Scikit learn構建機器學習模型，如何訓練學習模型，檢測模型準確性。目前以我的進度就知道這麼些，後面還有80%待我去探索，這些Toturials和Tools非常實用和重要，這些東西在學校課堂上是學不到的。

我能跟著導師研究Machine Learning 和Deep Learning的理論，同時又有實戰項目，我覺得這才是真正的科研生活。

當然是真的了。學完了是介紹工作（需要北美戶口）

好多人沒學完都找到工作了。

朋友兒子移民來了，英文太差高中沒畢業，結果讀了個手機編程就年薪9萬美元。

坐標北美。

如果你有美國戶口，參加的是NanoDegree plus，可以在畢業後6個月內幫你找到工作（面試奔波還得靠自己），否則全額退款。中國還沒有推出plus項目，估計是Udacity在中國的connection沒這麼強，不敢做這個保證。

但是我還是推薦Udacity的納米項目學習理由如下:

Udacity上的案例非常貼近現實，有一種在intern的感覺，而且有人審閱你代碼，這是其他網課比不了的。

不可否認的是理論方面確實較弱，但是這也是沒有辦法的事。

1.畢竟作為工作導向性的課程，理論方面弱化是正確的。

2.Udacity要兼顧各個背景的人群，要想給所有人講明白理論實在太困難了。

--------------------------------------------------------------------------------

附上Udacity的納米項目萬能優惠碼（可多次使用）造福後人: 35F0041E，任何課程減300學費

我學完啦，但是並沒有通過Udacity找工作，個人認為認認真真學完找個對應崗位工作應該不難的，比較推薦，課程設計比較合理，並且有人改作業可以預約提問題

納米學位即將畢業，但沒有通過它去找工作的打算。

為什麼學呢: 它能引導和啟發你主動思考和學習，模式很適合我，關鍵是能學到東西，並且知道怎麼去學，怎麼去拓展和深入。當然不僅是課程內容，學了一個半月自學能力有所提高。

個人愚見，如果單純靠一個udacity學位就想找到工作有點難，一開始報這個課(全棧)就沒想過靠他找工作(那麼多人都是一樣的項目，我要是招人的，看著也煩)，我的打算是在此基礎上，自己做一些有特點的項目，再學學一些計算機基礎和web的最新技術，再嘗試找工作。

就是個騙子公司，什麼七天退款，什麼50%返還協議，就是把你哄上船，然後一步步進入他的圈套。什麼學習小組都是扯淡的，最後的nanodgree也是uda說了算，你以為你能拿到么，先進入他們的優選生吧。什麼？優選生又要面試？等你進去了就發現還要交錢時就懂了，這就是個打著漂亮逼格的騙子網站。你以為自己學了很逼格的東西，其實離真正大公司的需求還有很遠的距離。什麼納米學位？人家根本不會理的，Google說這個uda本來就是一個投資項目，掛個名宣傳下你也當真，呵呵，逗你玩的。

要是真可以請告訴我，我立馬退掉我這個一年幾十萬的美帝Master項目回老家去上Udacity

Udacity的Machine Learning 納米學位感受：Udacity這個項目本來還是可以的，但是所有的項目每個步驟都給了大量提示啊。這就是讓人感覺水。並且別人GitHub裡面有做好的project。拿來參考，一周即可進入畢業項目，一個月內可以搞定。參考的東西過多，導致這個項目含金量不高，但是如果這個項目可以幫助入門，之後再看相關的書籍做相關的項目就容易得多了。

這個項目可以一個月搞定的，1個月就可以幫助入門，也還行。推薦Edx上的微軟的數據科學項目，在知識點上比這個實在，10門課通過拿微軟數據科學認證。

各位大神，我現在是有工作的，從事Web前端，而且年齡很大了，但我很喜歡前端編程，希望下半輩子就玩這個吧。但是學歷是個大問題，只有高中，拿到這個納米學位，是不是在換工作的時候能多一些競爭力？意思就是，沒有學信網可查的文憑，但我有Google認證的學位證明