过去几年我一直在华人潜水，许多人的经历和经验帮助且鼓舞了我。注册了一个账号，分享下自己转BI/DS的学习经历和感受，希望能对那些和我一样想通过自学转行的有所启发。 我算商科背景，教育水平和论坛上的许多人比只能是平平，国内普通本科加一个美国牛校的水硕士。因为先生加入了faculty大军，辞职放弃H1B，从北方大城市relocate到了南方小城。找工作的经历磕磕绊绊，一者身份限制，二者小城的运转有自己的逻辑，当地人的文化，招工的偏好和外面精彩纷呈的世界常常不在一个频道上。前前后后经历了许多挫折后我决定转行，目的很简单，增加一些职业选项。今年年初基本完成了所有学习计划，目前在家做portolio，这个月开始投简历。小城机会很少，我因为有强烈的commitment无法像大多数人那样广撒网。目前只投了四个简历，两个给了面试，其中一个终面后悲剧，另一个是绝对的意外之喜，电面后等通知中。求大家bless，希望沾沾各位的喜气和福气，能顺利走到终点。 所有的课程加起来大约花掉了我一年半的时间，这一年半我全脱产，除了vacation，每天学习十个小时。以下是我的课程安排，接下来我会详细说明： 2018 Fall Calculus I (Undergraduate) Statistics (Undergraduate) Programming in PHP (Undergraduate) MITx 6.431x Probability: The Science of Uncertainty (Graduate) 2019 Spring Calculus II (Undergraduate) MITx 18.6501x Fundamentals of Statistics (Graduate) MITx 14.310x Data Analysis for Social Scientists (Graduate) 2019 Summer MITx Machine Learning with Python: From Linear Model to Neural Networks (Graduate) Stanford CS229 Lecture Notes (Graduate) UC Berkeley CS61A (Undergraduate) 2019 Fall Calculus III (Undergraduate) Udacity Introduction to Machine Learning Nano Program MITx 1.4310FX Data Analysis for Social Scientists (Assessing Your Knowledge) (Exam for MITx 14.310x) 2020 Spring MITx MicroMaster in Statistics and Data Science Virtual Proctored Exam Udacity Deep Learning Nano Program (Scholarship) Udacity Machine Learning with AWS (Ongoing) Leetcode Database and Algorithm (Ongoing) Tableau Training Udemy Tableau Master class Tableau E-learning (Desktop I II III) 我的学习计划是围绕着MIT的MicroMaster in Statistics and Data Science进行的，这个项目2018年秋季启动，我是第一批注册这个项目的学生之一。因为我不是理工科背景，又因为毕业工作后就没有再接触过数学工具，所以抱着学就往扎实了学的心态，在我先生的大学注册了本科课程，把数学课又全部上了一遍。我没有专门再注册线性代数，因为根据我先生学校的要求，我必须按照Calculus I/II/III -> Probability -> Linear Algebra的顺序选课，所以线性代数我是见缝插针复习的，还有其实Calculus III的开篇就是线性空间，足够应付了。此外我还上了本科的统计和PHP编程，算是warm up。我知道大部分人没有我的时间和条件(faculty spouse可以免费上课）上这些，但从我的经验来看，这些虽然吃力，但还是讨好的。尽管第一学期我每天都在做数学，没有写过一行Python，也完全不知道机器学习是什么，但我认为自己还是享受这个厚积薄发的过程的。 我看论坛上很少有人谈论MIT这个项目，我就详细说说。 首先，MIT这个项目应该是据我所知目前MOOC能提供的最严格的non-academic certificate program。课程水平完全和MIT的graduate school持平， 想拿到最后的certificate，还要参加一个一共八小时的远程proctored考试，闭卷。所以能够走到最后，需要大量时间和精力。我当时选这个项目的时候咨询了一个做NLP的朋友，让他帮我参考下是上MIT还是Duke的一个online项目，朋友建议MIT，理由是“看起来更严格，Duke更偏重工具的使用，而工具不是最重要的，我其实只用Python”，我就这么入了MIT的坑。 至于这个项目的优点，非常鲜明，就是培养扎实的理论基础，知其然，知其所以然。这个项目的精华，就是概率论和统计推断那两门理论课。6.431x作为一门网课我觉得是完美的，所有的设置都非常thoughtful，虽然一开始我被notation搞得常常不明所以，但数学本身就是一门语言，读懂了notation，或者能用notation写出来，实际问题就解决了一半。18.6501x起了个非常humble的名字，但实际就是研究生的统计推断，一门彻头彻尾的数学课，计算量很大，但从思维的角度其实没有6.431x难。还有特别值得一提的是，MIT这个项目的community藏龙卧虎。我印象比较深的几个community TA，有Caltech毕业的职业桥牌选手，有港科大的机器学习助理教授，还有大厂的工程师，在读的机器学习PhD，重点非常responsive，提出的问题，无论深浅，都会很快得到回答。从MicroMaster毕业后我再也没有体验过类似的在线学习community。 这个项目的缺点，说白了就是Data Analysis那一门课。虽然Duflo是诺贝尔奖获得者，克拉克奖获得者，但老实说从那门课我没有学到任何东西。课程的前半部分就是幼儿园版的概率论，练习题死板无聊。后半部分的计量听得我头大。我本科是学经济的，而且计量经济学是我当时非常感兴趣的一门课，能让我听不下去也挺难的。这门课是用R，但R我也没有学到什么。ggplot2和tidyverse的掌握依靠大量有目的地使用，课程不提供什么好的练习，也不给学生提供课堂上的那些code，所以我在拿到了70分后就不上了，也没有参加期末考试。据说这门课MIT在考虑撤换，我也很期待他们会提供一个什么样的课程，如果好，我还会注册。 至于那门机器学习，我想说对新手不友好。这门课相当提炼，直接从perceptron讲起，打的是deep learning的数学基础。练习题很简单，设计得不太贴合。但每个module的项目都很有意思。所有的coding都不需要sklearn，各种numpy和pandas，线性代数没学好的上来就晕了，不断强化后面的数学和算法，我个人觉得还是值得推荐的，但不适合第一次接触机器学习的新手。如果是先上Udacity的Intro to Machine Learning再上这门课，体验会好得多。 暂时就写这么多吧，如果有对我上的课程感兴趣的，欢迎留言。我自己的学习之路上没有小伙伴，也没有可以交流的人，最好的朋友是stack overflow和Google，回想过去的那段时光，还是挺为自己骄傲的。 最后就是希望下周能有一个好消息吧，我很羡慕版上的一些MM，起步高，比我年轻，有广阔的发展空间，我现在能做的，就是不浪费时间而已。 大家共勉，也祝各位2020多一点好运！
过去几年我一直在华人潜水，许多人的经历和经验帮助且鼓舞了我。注册了一个账号，分享下自己转BI/DS的学习经历和感受，希望能对那些和我一样想通过自学转行的有所启发。 我算商科背景，教育水平和论坛上的许多人比只能是平平，国内普通本科加一个美国牛校的水硕士。因为先生加入了faculty大军，辞职放弃H1B，从北方大城市relocate到了南方小城。找工作的经历磕磕绊绊，一者身份限制，二者小城的运转有自己的逻辑，当地人的文化，招工的偏好和外面精彩纷呈的世界常常不在一个频道上。前前后后经历了许多挫折后我决定转行，目的很简单，增加一些职业选项。今年年初基本完成了所有学习计划，目前在家做portolio，这个月开始投简历。小城机会很少，我因为有强烈的commitment无法像大多数人那样广撒网。目前只投了四个简历，两个给了面试，其中一个终面后悲剧，另一个是绝对的意外之喜，电面后等通知中。求大家bless，希望沾沾各位的喜气和福气，能顺利走到终点。 所有的课程加起来大约花掉了我一年半的时间，这一年半我全脱产，除了vacation，每天学习十个小时。以下是我的课程安排，接下来我会详细说明： 2018 Fall Calculus I (Undergraduate) Statistics (Undergraduate) Programming in PHP (Undergraduate) MITx 6.431x Probability: The Science of Uncertainty (Graduate) 2019 Spring Calculus II (Undergraduate) MITx 18.6501x Fundamentals of Statistics (Graduate) MITx 14.310x Data Analysis for Social Scientists (Graduate) 2019 Summer MITx Machine Learning with Python: From Linear Model to Neural Networks (Graduate) Stanford CS229 Lecture Notes (Graduate) UC Berkeley CS61A (Undergraduate) 2019 Fall Calculus III (Undergraduate) Udacity Introduction to Machine Learning Nano Program MITx 1.4310FX Data Analysis for Social Scientists (Assessing Your Knowledge) (Exam for MITx 14.310x) 2020 Spring MITx MicroMaster in Statistics and Data Science Virtual Proctored Exam Udacity Deep Learning Nano Program (Scholarship) Udacity Machine Learning with AWS (Ongoing) Leetcode Database and Algorithm (Ongoing) Tableau Training Udemy Tableau Master class Tableau E-learning (Desktop I II III) 我的学习计划是围绕着MIT的MicroMaster in Statistics and Data Science进行的，这个项目2018年秋季启动，我是第一批注册这个项目的学生之一。因为我不是理工科背景，又因为毕业工作后就没有再接触过数学工具，所以抱着学就往扎实了学的心态，在我先生的大学注册了本科课程，把数学课又全部上了一遍。我没有专门再注册线性代数，因为根据我先生学校的要求，我必须按照Calculus I/II/III -> Probability -> Linear Algebra的顺序选课，所以线性代数我是见缝插针复习的，还有其实Calculus III的开篇就是线性空间，足够应付了。此外我还上了本科的统计和PHP编程，算是warm up。我知道大部分人没有我的时间和条件(faculty spouse可以免费上课）上这些，但从我的经验来看，这些虽然吃力，但还是讨好的。尽管第一学期我每天都在做数学，没有写过一行Python，也完全不知道机器学习是什么，但我认为自己还是享受这个厚积薄发的过程的。 我看论坛上很少有人谈论MIT这个项目，我就详细说说。 首先，MIT这个项目应该是据我所知目前MOOC能提供的最严格的non-academic certificate program。课程水平完全和MIT的graduate school持平， 想拿到最后的certificate，还要参加一个一共八小时的远程proctored考试，闭卷。所以能够走到最后，需要大量时间和精力。我当时选这个项目的时候咨询了一个做NLP的朋友，让他帮我参考下是上MIT还是Duke的一个online项目，朋友建议MIT，理由是“看起来更严格，Duke更偏重工具的使用，而工具不是最重要的，我其实只用Python”，我就这么入了MIT的坑。 至于这个项目的优点，非常鲜明，就是培养扎实的理论基础，知其然，知其所以然。这个项目的精华，就是概率论和统计推断那两门理论课。6.431x作为一门网课我觉得是完美的，所有的设置都非常thoughtful，虽然一开始我被notation搞得常常不明所以，但数学本身就是一门语言，读懂了notation，或者能用notation写出来，实际问题就解决了一半。18.6501x起了个非常humble的名字，但实际就是研究生的统计推断，一门彻头彻尾的数学课，计算量很大，但从思维的角度其实没有6.431x难。还有特别值得一提的是，MIT这个项目的community藏龙卧虎。我印象比较深的几个community TA，有Caltech毕业的职业桥牌选手，有港科大的机器学习助理教授，还有大厂的工程师，在读的机器学习PhD，重点非常responsive，提出的问题，无论深浅，都会很快得到回答。从MicroMaster毕业后我再也没有体验过类似的在线学习community。 这个项目的缺点，说白了就是Data Analysis那一门课。虽然Duflo是诺贝尔奖获得者，克拉克奖获得者，但老实说从那门课我没有学到任何东西。课程的前半部分就是幼儿园版的概率论，练习题死板无聊。后半部分的计量听得我头大。我本科是学经济的，而且计量经济学是我当时非常感兴趣的一门课，能让我听不下去也挺难的。这门课是用R，但R我也没有学到什么。ggplot2和tidyverse的掌握依靠大量有目的地使用，课程不提供什么好的练习，也不给学生提供课堂上的那些code，所以我在拿到了70分后就不上了，也没有参加期末考试。据说这门课MIT在考虑撤换，我也很期待他们会提供一个什么样的课程，如果好，我还会注册。 至于那门机器学习，我想说对新手不友好。这门课相当提炼，直接从perceptron讲起，打的是deep learning的数学基础。练习题很简单，设计得不太贴合。但每个module的项目都很有意思。所有的coding都不需要sklearn，各种numpy和pandas，线性代数没学好的上来就晕了，不断强化后面的数学和算法，我个人觉得还是值得推荐的，但不适合第一次接触机器学习的新手。如果是先上Udacity的Intro to Machine Learning再上这门课，体验会好得多。 暂时就写这么多吧，如果有对我上的课程感兴趣的，欢迎留言。我自己的学习之路上没有小伙伴，也没有可以交流的人，最好的朋友是stack overflow和Google，回想过去的那段时光，还是挺为自己骄傲的。 最后就是希望下周能有一个好消息吧，我很羡慕版上的一些MM，起步高，比我年轻，有广阔的发展空间，我现在能做的，就是不浪费时间而已。 大家共勉，也祝各位2020多一点好运！ wapu 发表于 2020-06-28 17:16
我算商科背景，教育水平和论坛上的许多人比只能是平平，国内普通本科加一个美国牛校的水硕士。因为先生加入了faculty大军，辞职放弃H1B，从北方大城市relocate到了南方小城。找工作的经历磕磕绊绊，一者身份限制，二者小城的运转有自己的逻辑，当地人的文化，招工的偏好和外面精彩纷呈的世界常常不在一个频道上。前前后后经历了许多挫折后我决定转行，目的很简单，增加一些职业选项。今年年初基本完成了所有学习计划，目前在家做portolio，这个月开始投简历。小城机会很少，我因为有强烈的commitment无法像大多数人那样广撒网。目前只投了四个简历，两个给了面试，其中一个终面后悲剧，另一个是绝对的意外之喜，电面后等通知中。求大家bless，希望沾沾各位的喜气和福气，能顺利走到终点。
所有的课程加起来大约花掉了我一年半的时间，这一年半我全脱产，除了vacation，每天学习十个小时。以下是我的课程安排，接下来我会详细说明：
2018 Fall Calculus I (Undergraduate) Statistics (Undergraduate) Programming in PHP (Undergraduate) MITx 6.431x Probability: The Science of Uncertainty (Graduate)
2019 Spring Calculus II (Undergraduate) MITx 18.6501x Fundamentals of Statistics (Graduate) MITx 14.310x Data Analysis for Social Scientists (Graduate)
2019 Summer MITx Machine Learning with Python: From Linear Model to Neural Networks (Graduate) Stanford CS229 Lecture Notes (Graduate) UC Berkeley CS61A (Undergraduate)
2019 Fall Calculus III (Undergraduate) Udacity Introduction to Machine Learning Nano Program MITx 1.4310FX Data Analysis for Social Scientists (Assessing Your Knowledge) (Exam for MITx 14.310x)
2020 Spring MITx MicroMaster in Statistics and Data Science Virtual Proctored Exam Udacity Deep Learning Nano Program (Scholarship) Udacity Machine Learning with AWS (Ongoing) Leetcode Database and Algorithm (Ongoing)
Tableau Training Udemy Tableau Master class Tableau E-learning (Desktop I II III)
我的学习计划是围绕着MIT的MicroMaster in Statistics and Data Science进行的，这个项目2018年秋季启动，我是第一批注册这个项目的学生之一。因为我不是理工科背景，又因为毕业工作后就没有再接触过数学工具，所以抱着学就往扎实了学的心态，在我先生的大学注册了本科课程，把数学课又全部上了一遍。我没有专门再注册线性代数，因为根据我先生学校的要求，我必须按照Calculus I/II/III -> Probability -> Linear Algebra的顺序选课，所以线性代数我是见缝插针复习的，还有其实Calculus III的开篇就是线性空间，足够应付了。此外我还上了本科的统计和PHP编程，算是warm up。我知道大部分人没有我的时间和条件(faculty spouse可以免费上课）上这些，但从我的经验来看，这些虽然吃力，但还是讨好的。尽管第一学期我每天都在做数学，没有写过一行Python，也完全不知道机器学习是什么，但我认为自己还是享受这个厚积薄发的过程的。
我看论坛上很少有人谈论MIT这个项目，我就详细说说。
首先，MIT这个项目应该是据我所知目前MOOC能提供的最严格的non-academic certificate program。课程水平完全和MIT的graduate school持平， 想拿到最后的certificate，还要参加一个一共八小时的远程proctored考试，闭卷。所以能够走到最后，需要大量时间和精力。我当时选这个项目的时候咨询了一个做NLP的朋友，让他帮我参考下是上MIT还是Duke的一个online项目，朋友建议MIT，理由是“看起来更严格，Duke更偏重工具的使用，而工具不是最重要的，我其实只用Python”，我就这么入了MIT的坑。
至于这个项目的优点，非常鲜明，就是培养扎实的理论基础，知其然，知其所以然。这个项目的精华，就是概率论和统计推断那两门理论课。6.431x作为一门网课我觉得是完美的，所有的设置都非常thoughtful，虽然一开始我被notation搞得常常不明所以，但数学本身就是一门语言，读懂了notation，或者能用notation写出来，实际问题就解决了一半。18.6501x起了个非常humble的名字，但实际就是研究生的统计推断，一门彻头彻尾的数学课，计算量很大，但从思维的角度其实没有6.431x难。还有特别值得一提的是，MIT这个项目的community藏龙卧虎。我印象比较深的几个community TA，有Caltech毕业的职业桥牌选手，有港科大的机器学习助理教授，还有大厂的工程师，在读的机器学习PhD，重点非常responsive，提出的问题，无论深浅，都会很快得到回答。从MicroMaster毕业后我再也没有体验过类似的在线学习community。
这个项目的缺点，说白了就是Data Analysis那一门课。虽然Duflo是诺贝尔奖获得者，克拉克奖获得者，但老实说从那门课我没有学到任何东西。课程的前半部分就是幼儿园版的概率论，练习题死板无聊。后半部分的计量听得我头大。我本科是学经济的，而且计量经济学是我当时非常感兴趣的一门课，能让我听不下去也挺难的。这门课是用R，但R我也没有学到什么。ggplot2和tidyverse的掌握依靠大量有目的地使用，课程不提供什么好的练习，也不给学生提供课堂上的那些code，所以我在拿到了70分后就不上了，也没有参加期末考试。据说这门课MIT在考虑撤换，我也很期待他们会提供一个什么样的课程，如果好，我还会注册。
至于那门机器学习，我想说对新手不友好。这门课相当提炼，直接从perceptron讲起，打的是deep learning的数学基础。练习题很简单，设计得不太贴合。但每个module的项目都很有意思。所有的coding都不需要sklearn，各种numpy和pandas，线性代数没学好的上来就晕了，不断强化后面的数学和算法，我个人觉得还是值得推荐的，但不适合第一次接触机器学习的新手。如果是先上Udacity的Intro to Machine Learning再上这门课，体验会好得多。
暂时就写这么多吧，如果有对我上的课程感兴趣的，欢迎留言。我自己的学习之路上没有小伙伴，也没有可以交流的人，最好的朋友是stack overflow和Google，回想过去的那段时光，还是挺为自己骄傲的。
最后就是希望下周能有一个好消息吧，我很羡慕版上的一些MM，起步高，比我年轻，有广阔的发展空间，我现在能做的，就是不浪费时间而已。
大家共勉，也祝各位2020多一点好运！
多谢LZ分享，太厉害了，学了那么多课程，也祝贺LZ找到心仪的工作。
问一下，Tableau Training，大概花多长时间在Udemy上课，费用多少呢？多谢LZ
Udemy的那个大师课我记得是48小时左右，你要是跟得快几天就上完了。但是我的建议是现上Tableau自己的training。课程我记得十来刀吧。
Tableau有两个training，一个是免费的，一个video大概20分钟，我推荐你注册账号每一个都好好看看，有配套的练习workbook，那个video的优点是更新比较快，会根据新的版本和产品做修补。如果想考certificate，或者想更加详细了解Tableau的每一项功能，可以花钱买那个elearning，一年是100刀。现在好像有三个月的免费订阅，可以关注一下，这个elearning的优点是事无巨细，掰开了揉碎了讲，缺点是整个视频都是在古早版本的Tableau上演示的，也没有对新的功能进行更新，不过完全不会耽误你的学习。希望可以帮到你。
借你吉言，了解得越多其实反而越觉得自己差得远，不过付出了这么多，当然希望能够有所回报。大家一起加油！
Faculty spouse几乎都面临career gap，每个人都有一把辛酸泪。我先生大部分同事都是美国人，除了有一个太太是senior lawyer，一个太太在某藤校当AP，其他要么不工作，要么就做个volunteer，这还都只是美国人。
我没少自怨自艾，经常抱怨客观条件，我先生一直以来都很愧疚，我找不到工作他比我还难受，所以这些最后都促成了我下定决心转行。对于个人无力改变的现状，我只有接受，但不代表我什么都不可以做，不是吗？难受是一定的，我每天都在怀疑自己否定自己，只能让自己忙碌起来。我不会劝你别难过，别气馁，但我想跟你说你不是一个人。：）
当时我还考虑了Duke的一个项目，就是下面这个链接。 https://learnmore.duke.edu/certificates/big-data-and-data-science-online-program 这个项目比较偏重工具的使用，而MIT的这个MicroMaster是一个graduate-level的机器学习理论项目。
在我看来理工背景的上MIT这个项目只有优势没有劣势。MIT这个项目六月举行了一个线上的毕业典礼，全球注册课程的人超过十五万，最终通过全部考试拿到证书的人是189人好像，LinkedIn profile看起来相当一部分已经是machine learning engineer/data scientist/software engineer，要么就是相关专业的在读phd。
你好 看评论你是正在转DS，我这边有DS学习群，有需要的话可以私信我哦
大大的bless！天道酬勤！
大腕，我都要飘了哈。
也许是我了解的不多，银行应该倾向博士吧？
另外我们这里小城市，众所周知的大银行在这里有分支的都没几个，也没有DS或者BI的岗位。银行招人的话就是柜面和借贷，不是一毕业就进银行的，机会无限接近于零，叹气。
也许是现在比较难 外加是小城市的话 我知道的不对口专业的理科博士 或者统计硕士能申请上 工作性质偏应用 不需要多强的理论背景。
家人的无条件支持确实是最大的安慰。我没有小娃，属于同龄人中极少数还在做梦的那一类，很焦虑，也觉得很奢侈。