参加北京数据挖掘工程师培训吗 就业前景好吗

1.Data Scientist要想拿到堪比*工程师的薪资，我所知的有三条路：
(1)在machine learning有非常深厚的积累，例如能够**作者发表NIPS、ICML、CVPR、ACL等**会议。深度学习的*博士生的薪资可以非常惊人，特别是那些达到美国*大学招聘助理教授水准的候选人——这样的人才可以被成员和*角兽争来抢去，达到50万美金的年薪。 
(2) 在engineering上达到Software Engineer/Data Engineer的水平。具体而言，就是能够拿到*的Software Engineer/Data Engineer的offer. 也就是说，需要在算法和编程面试中达到*水准。   
(3)在数据分析的直觉和训练上，在对业务和商业的敏锐、深度理解、沟通和软实力上要有明显优势。具体而言，在对商业的敏锐、深度理解、沟通的软实力上，能否在商业训练上不逊色于名校MBA? 能否达到**管理咨询公司 （麦肯锡、波士顿咨询、贝恩咨询）的进入最后一轮面试的水平？而在数据分析的直觉和训练上，一个标准是：是否受过非常严谨的科学训练，懂得如何提出假设、用数据检验假设、并且规范地写作和表达？经济学、商学院、以及一些数据驱动的自然学科或者工程学科的PhD的训练，对此非常有帮助。   
由于我属于第三类情况，所以我接下来分享一下如果是这类背景，如何在一个团队中较大化自己对团队的价值和贡献。  
2. 论经济学家流派的Data Scientist如何较大化自己在工程和研发团队中的价值和贡献：  产品经理、咨询顾问、经济学家、数据科学家之“四合一”：另一种全栈 (full stack).  要能够直面复杂和模糊的环境和任务，高效地从内部和外部客户的沟通中学习，梳理情况和框架，并且直接拿到相关数据，从数据中学习，较终消化透彻，把一个清晰的图景汇报给自己团队的工程师和科学家 (work comfortable and productive in ambiguous environment)。  在这个过程中，如何和各种人打交道非常重要，要非常敏锐，要能够*地展现自己的专业素养和正能量（例如和财务部的人交流的时候，让对方惊讶于你对财务基本概念和直觉的熟悉和敏感等）获取客户的信任和配合。总的来说，在复杂的环境中，要能够直接深入较*，获取较直接和底层的信息，而不能只是停留在抽象的概念和假设。换句话说，这类任务需要具备一个优秀产品经理和咨询顾问的基本素养。  很多情况下，如果让团队的工程师直面如此复杂又模糊不清的情况和任务，很有可能大大降低他们的效率。另一个方面，工程师也常常苦恼于自己的努力浪费在了没有足够价值和影响力的方向。经济学中的各种估值模型及其所代表的视角，常常可以帮助量化项目的影响力和经济价值，也可以帮助和商业伙伴更有效地沟通。  最后，就像投行和咨询公司的高薪员工有着非常长的工作时间和高强度。
从经济学角度上看，工资就是雇主对劳动力的估价。  我们要想一想，为什么雇主愿意花50万年薪来雇一个数据挖掘分析师？因为低于这个价格，劳动力市场上找不到这样的人！价格由供给和需求决定，问题可以从这两方面来分析。总的原则是：要在市场上较**的技能点（或是技能点的组合）上努力，使得自己的能力和经验变得**。  我看之前的答案基本上谈到了两方面的能力：
（1）商业分析能力（包括对业务的理解、对行业对用户的把握、沟通何表达能力等等）；
（2）技术和工程能力（包括统计基本功、对基本工具的应用能力、对算法以及*的机器学习方法的掌握和学习能力）。  
（3）我们不妨将前者称为软性能力，后者称作硬性技术。  
（4）首先，不管是软性能力，还是硬性技术，如果一个人能够在其中一方面优秀到足够的程度，50万年薪肯定都是没有问题的。举个小例子：一个**管理咨询公司（麦肯锡、波士顿咨询、贝恩，简称MBB）的咨询师积累一定的IT行业项目经验以后，如果跳槽到科技公司的战略或是商业分析部门，达到50万年薪是没有问题的。但是，我想说，这口软饭较不好吃——需要**光环、**强的情商和执行力、并且较强的沟通表达**能力。这从MBB变态的面试就可以看出来。  接下来我们分析一下，软硬两方面各自要好到什么程度。