抱歉,你查看的文章已删除

电气专业转行 IT 的思考(深度学习方向)

作者:BigBoss https://zhuanlan.zhihu.com/p/36675746 已授权转载

友情提醒:

IT 有风险,转行需谨慎!

IT 有风险,转行需谨慎!

IT 有风险,转行需谨慎!

谈谈我个人对电气专业转行 IT 的思考。

转行原因

马云曾经说过,员工的离职原因很多,只有两点最真实:一:钱,没给到位;二:心,委屈了。

1. 收入

客观来说,电力行业尤其是电网公司的收入,在所有行业中还是相当不错的,但确实比不过金融和 IT。在北京生活的压力不言而喻,能多挣一点总是好的。

2. 劳动强度

关于这个话题知乎上也已经讨论了很多了。电网公司岗位有很多,不同岗位之间差异很大,我就说说我个人的情况吧。去年一年我平时6点下班,有一半的周六都在加班。这个强度见仁见智,但是同单位大多数人都是5点下班,周末双休。可能我对专业也没什么追求吧……

3. 行业氛围

3.1 技术热情不高

之前这个专栏曾经发过一些阻抗法相关的内容,老实说当时还是很想把这个专栏做好的。不过后来我发现,不知道是因为怕别人了解自己正在做什么,还是其他原因,总感觉电气专业的同学对专业技术的热情不高。如果不相信,可以看看知乎上关于 CS 问题的讨论和专栏内容。

3.2 资料获取困难

电气专业的很多资料都是封闭的,不会拿出来公开交流的。这也有很多原因,行业发展相对成熟,形成了封闭的小圈子,技术更新迭代慢,存量远大于增量。举个简单例子吧,有不少同学研究双馈风机,你会发现想拿到一个完整好用的双馈风机模型非常难。友情提示:Simulink 里自带的模型还不错,有需要可以去试试。

3.3 科研项目成就感低

这也和行业相对成熟有关,容易做的课题都做得差不多了,剩下的都是一些相对难啃的。资本密集型行业,技术能发挥的作用也有限。如果真能做出突破性的成果,比如自主研发 IGBT 这种,贡献当然是相当大的。但就我参与过的项目而言,难度太大了。而且有时候想做点东西,需要设备厂商的模型,上面所说的资料获取困难的问题又凸显出来,绝大多数时候对方不愿意给你,这也正常,毕竟是别人辛勤付出的成果,肯定会有保护意识。无形中又增大了项目研究的难度吧。

4. 前途发展

很敏感的话题。大国企基本都面临子弟的问题,不展开多说了,如果是行业内的应该有一些体会。

转行准备

如果你也是电气行业的学生,或者从业人员,想转行 IT 的话,可以参考以下条件。

1. 是否能适应高强度、大压力的工作

IT 行业竞争激烈,很多公司都是 996,也就是早9点到晚9点,一周六天。而且做不出来成果的话,很可能就被解雇了。

2. 是否愿意不断学习新知识

IT 行业知识迭代更新很快,比如我现在从事的深度学习,几乎每周甚至每天都有新 Paper,要持续不断地学习。这也是传统行业的优势,就是随着年龄的增长越来越值钱,因为行业知识更新没有那么快。

3. 是否愿意承担转行的代价

转行的过程是非常痛苦的,基本相当于从 0 开始。自学的话会面临数不清的问题,而且没有人求助,很多时候都得靠自己摸索。而且很多硕士、博士毕业转行的,之前的知识基本都白废了,沉没成本很高。

4. 家人和男/女朋友是否支持

不多说了,家人的理解和支持是最好的鼓舞 。

转行历程

很多朋友留言问转行的经过,可以参考我博客的文章:机器学习相关资源汇总

https://bigbossjiang.top/2017/2017-07-15-machine-learning/

书籍

机器学习通论

  • 机器学习 周志华
  • 统计学习方法 李航
  • Pattern Recognition And Machine Learning(PRML). Christopher Bishop
  • The Elements of Statistical Learning(ESL). Trevor Hastie
  • Machine Learning-A Probabilistic Perspective(MLAPP). Kevin P. Murphy

数据可视化

数据可视化 陈为

鲜活的数据 Nathan Yau

数据可视化之美 Julie Steele

课程

  • Machine Learning. Stanford University
  • Learning From Data. Caltech
  • Data Mining. University of Notre Dame
  • Machine Learning. University of Washington

Kaggle 比赛

  • Titanic: Machine Learning from Disaster(Supervised/Classification)
  • House Prices: Advanced Regression Techniques(Supervised/Regression)
  • Digit Recognizer(Supervised/Classification)

个人的经验,学习可以先从 Kaggle 的基础比赛上手,明确自己的目标,然后进行针对性地学习,不需要上来就学太多的数学。

最后,由衷地感谢我的爱人和家人对我的理解和支持。

本文分享自微信公众号 - CVer(CVerNews)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-03-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

编辑于

CVer

268 篇文章150 人订阅

扫码关注云+社区

领取腾讯云代金券