本科入行可能吗？作到这3点，斩获BAT offer不是梦

你们好，前两天有一个小伙伴加我微信咨询。他说他不想读研，想要直接本科毕业就参与工做。可是又担忧本身因为没有学历优点，没法在校招当中得到机会，因而便来向我请教，能不能指点迷津提供一些具体的实操性措施。与他一番畅谈以后，我本身回过头来想一想，这的确是一个好问题，因此写下了此文，和你们一块儿分享一点我的的想法和心得。

引子

在回答问题以前，咱们先来思考一个问题。本科生和硕士的差距究竟有哪些？

这样的差距实在是太多了，咱们随便想一想就能想出来不少。好比说学历，硕士阶段每每能够去到更好的学校， 拥有一个更好的文凭。好比说基础知识，硕士阶段能够有导师以及师兄们指点，能够在某个领域积累下丰富的知识。再好比说技能，三年时间跟着导师作项目能够积累不少实战经验……

若是咱们反过来问，那本科生和硕士相比有什么优点呢？

也许咱们想来想去可能也就只能想到年轻了，表面上来看的确如此。但实际上若是咱们进一步思考，你会发现硕士阶段积累的能力和优点都和硕士阶段研究方向有关。好比研究嵌入式的每每不了解机器学习，研究图形渲染的每每也不了解神经网络。既然硕士的能力和研究方向高度挂钩，那么若是咱们找到了一个工做岗位不少，可是不多有人研究的方向，是否是本科生同样有机会呢？

是的，的确如此，这也是本科生逆袭的核心逻辑。

差别化竞争

在你们眼里，研究生跟着导师作项目，有明确的方向会积累下大量的优点。乍一看这个说法很是正确，毫无破绽，可是若是了解内部行情的话，你会发现这里面是有不少问题的。最大的问题是什么呢？最大的问题仍是学术方向和工业方向脱钩的问题。

为何说CV和NLP内卷得比较厉害？道理很简单，由于计算机视觉和天然语言处理是学术方向和工业方向重合紧密度比较高的两个领域。想要从事这两个领域的博士生和硕士生最多，那么竞争也就最大。

但问题是，工业界的算法方向其实并不仅有这两个，还有好比广告、搜索、推荐、风控等等。这些领域当中有不少是和学术界的研究方向脱钩的，好比推荐和广告。我看了不少期刊的论文，大部分论文的做者都是某某公司的算法团队，而不是一个学术机构。这说明了什么？说明了学术内是不多研究这两个领域的， 由于这两个领域本就是面向实际应用的。

像是这些领域就是本科生很是好的突破点，由于和你竞争的硕士们即便是从事算法方向的，也没有这些领域的经验，而且他们当中明确想要作这个领域，而且都这个领域还有所了解的人就更少了。这就是一个很是好的突破口，能够很轻松地积累很大的优点。

怎么作呢？很简单，就是去读一些业内前沿的paper。好比你想要作推荐，那么你就去把业内一些经典的论文读一下。好比GBDT+LR、FM、Wide & Deep、DeepFM、DIN等等。读完以后你写在简历当中，自学了相关领域的知识，阅读过这些论文。在我至今看过的几十封简历当中，没有一个有相关内容的，若是你的简历写上了这些，毫无疑问是一个巨大的加分项。

读一些论文并不须要花不少时间，可是就能够做为一个很大的亮点。而且你写上以后，面试官颇有可能就会问这些论文或者是模型当中的问题，你只要可以答得上来，让他以为你是真的仔细读过了读懂了，经过面试几乎没有悬念。

基础

对于校招生而言，不管什么学历，基础都是很是重要的，也是面试当中占比重很是大的一个部分。

说实话这一块要学的东西仍是挺多的，不管是开发仍是算法都差很少，如今的要求都不低。若是是算法的话，须要熟悉机器学习、深度学习、TensorFlow或者是Pytorch框架、numpy等一些经常使用的库和工具，还须要在算法和数据结构上有比较扎实的能力。若是是开发的话，须要深刻了解一门语言的特性，了解一些开发经常使用的框架，以及操做系统、计算机网络等基础知识。

怎么看，咱们要学的东西都很多。不少人看到这些就望而却步了，可是若是你明确了你想要从事的方向的话，其实你能够过滤掉不少不相关的内容。

我举个例子，在机器学习模型当中，推荐和算法领域看重的模型基本上都是一些和实际应用场景强相关的模型。好比说LR、贝叶斯、GBDT、XGboost、随机森林等等。对于一些其余领域的模型，好比什么Apriori、FP Growth、高斯混合模型等等都是不关心的。那么对于这些模型而言，咱们就能够浅尝辄止，大概了解原理便可。对于和行业高度相关的模型重点学习。

再好比深度学习当中，在推荐和广告领域，几乎不会用到卷积神经网络和循环神经网络，这些基本上都是CV和NLP的专属，在推荐、广告当中基本上用不到。既然用不到，那也能够同样操做，有所了解，浅尝辄止便可。

当咱们明确了方向以后，能够节省掉大量不相关的无效内容的学习，而更多地把精力投放在重要的领域上。这样能够大大提高咱们的效率。

实战

你们都知道实战经验对于找工做来讲很是重要，对于算法岗位而言，咱们的实战项目都是须要大量的数据来训练模型的。对于本科的同窗而言，一没有渠道获取这些数据，二没有足够的硬件条件（集群、GPU）来训练模型，因此只靠本身的摸索或者是去网上找两个波士顿房价预测这样的数据集是不够的，咱们须要一点更加硬核一点的实战内容。

这里我强烈安利天池大数据比赛和kaggle，由于其中能找到不少电商场景下的问题，咱们去作这样的比赛来锻炼实战经验是很是很是有效的。一方面能够写在简历当中充当项目经历，另一方面也能够积累咱们对电商行业以及推荐、广告等业务领域的理解。

像是Kaggle当中也有不少相似的问题也很是不错，好比咱们在kaggle当中搜索CTR，就能够找到不少和推荐、广告相关的比赛：

咱们从数据上也看得出来，搜索、推荐相关的比赛的参与人数比其余的要少不少。这里面的缘由就是我刚才提到的，真正的从业者已经不须要刷这些比赛来作加分项了，而没有从业者在学校里面每每是接触不到这两个方向的，有明确地目标来进行练习和提高的就更少了。

因此只要能作到这一点，放在简历当中就是一个巨大的优点和亮点。

总结

其实咱们总结一下这篇文章说的核心观点只有一个，就是差别化竞争。咱们瞄准了学术界和工业界的脱节的领域发力，一方面直接的竞争者不多，另一方面，咱们能够凭借着明确的方向积累出优点来。在职场当中方向明确，在这个领域内持续的努力以及积累，是一个很是很是巨大的优点，不少状况下要比一个硕士学历有用得多。

今天的文章就到这里，衷心祝愿你们天天都有所收获。若是还喜欢今天的内容的话，请来一个三连支持吧~（点赞、关注、转发）