“440亿收购Twitter”
“007发言预警特斯拉裁员”
马斯克但凡出手就是一些堪称“震掉眼球”的举动
甚至不仅限于工作决策
当他想成为一个好父亲的时候
更出格的事出现了
前有财大气粗创办了一所学校
后有18岁儿子与他断绝关系
咱就说这生活，还得是首富
01
马斯克曾公开自述自己小时候很讨厌上学，去学校学习规矩让他觉得是一种“煎熬”，他不希望自己的孩子也有同样的感受。基于此马斯克决定要用自己的理念来教育孩子。
*图片来源网络
当他拥有了一定经济基础的时候，他表达不满的方式也很“有钱简单粗暴”——让自己的娃从顶级私校退学，入读自己开办的学校。（还得是经济基础决定上层建筑啊，哲学诚不欺我）
*图片来源网络
没错，就是这所迄今为止“最神秘的学校”之一，Ad Astra School（意为拉丁语“致星星✨”），不得不说从命名上这所学校就被马斯克寄予了厚望，毕竟这位创始人有着移民火星的伟大梦想。拥有马斯克，星辰大海不是梦。
这所私校成立于2014年，位于SpaceX园区内，除了马斯克自己的娃，2020年以前也只对特斯拉内部开放，可以说是妥妥的“员工福利”。
*图片来源网络
就像马斯克本人一样，被寄予厚望的这所学校也是不走寻常路。学姐仔细研究了关于这所学校的所有报道，发现真的是“理想照进现实”，简直就是广大网友们的梦中情校！
看了Ad Astra的学习日常，感觉就像在做梦
Ad Astra的所有教育方式几乎都围绕着“自由”二字展开，有多自由呢？
马斯克直接一上来就废除了全世界都在使用的年龄划分年级制度。在这所学校中，学校只需根据能力和兴趣评估，就可以将学生编进对应的学习小组。
如果10岁的孩子在物理上展现了兴趣和天赋，那么他完全可以和12岁的孩子一起学习物理。
*图片来源网络
在Ad Astra的“自由”学习制度下，你对什么感兴趣，就学什么（是谁想重新投胎了我不说🤐）。
当然，想要满足孩子们这种“自由”学习，背后离不开马斯克的钞能力——强大的师资和人脉资源。（钞能力yyds）
在这所学校，教数学的是逻辑“爆炸”的数学家，教美术的是审美“独具个性”的画家。
*图片来源网络
并且也不会固化课程形式，让老师贴合课程结构，而是根据老师的个性想法不断调整课程框架
正因如此，Ad Astra的课程内容保持着年年翻新的速度，其中50%内容还可由学生自己决定！看了他们的课程表，学姐表示：好想回炉重造选好胎啊……
谁看了Ad Astra课程表不说声：瑞思拜……
与传统学校又一个大不同在于：Ad Astra教学的重点偏向科学、数学、工程和道德伦理，反而没有体育、音乐、外语等学科。据不完全统计，Ad Astra的课程除了常规的数学、自然、历史等，还包括设计编程、人工智能、火箭喷射器制作、电磁脉冲技术等一系列“高精尖”课程。
*图片来源网络
但不论课程设置如何变动，毫无例外核心都是围绕科学、科技、工程等STEM学科，u1s1，与Amazon培养中学生AWS课程相比，马斯克对于STEM人才的野心更是一览无余。（科技发展要从娃娃抓起）
其实有时候还真的不得不佩服一下马斯克，不管是惊人的收购还是教育，他都拥有极强的预见性，随着大数据时代的到来，不仅是科技互联网公司在抢夺STEM人才，高盛、小摩等头部金融公司也开始表现出对于科技人才的青睐。
在最近一次Investor Day上，小摩CEO就表示：将会花费更多在科技研发的支出上。
*图片来源网络
高盛也表示，我们的目标是——“华尔街科技公司”（bushi）。
*图片来源网络
科技人才这么香，不学STEM专业的留学生该咋办？答案是一致的——转DA。
02
Data行业，本身也不受太多专业的限制，有Data方向的一技之长，在这行就可以过得风生水起，想要留美又高薪，Data岗位的匹配度就是稳稳的TOP 1。
Data的不同岗位虽然有不同难度的工作要求，但就算是作为刚入门的Data Analyst，薪资高得也能让人吞口水
在今年愿意给Sponosr的前40个岗位中，Data类岗位的上榜率也是出奇得高。
相对于去年的数据，今年许多公司对于Data岗位提供sponsor的数量又双叒叕变多了，排名就是一整个往上冲了至少5名的大动作图片。
想转岗Data方向，除了技能方向，另外一只面试拦路虎就是令人头疼的case study。
在数据科学面试过程中，很多面试官会提出一系列的商业问题，并和应聘者讨论使用数据科学来解决问题的方法。这是数据科学面试中十分典型的案例分析问题。
根据应聘者的表现，面试官可以全面了解应聘者的批判性思维、商业智能水平、解决含糊的商业问题的能力以及数据科学模型和基础知识的实际运用能力。
尽管这里提出的大多数问题都是开放式问题，没有一个正确的答案，但了解回答这些类型问题的方式以及如何快速形成结构化的答案却是很有用的。
1.日常准备
如果你离面试还有很长时间，或者想要提高商业思维意识以及训练自己将数据科学应用到商业环境中，关注技术公司的博客文章并定期阅读就是最好的方法。
例如，Data Science at Microsoft，Walmart Global Tech，Tech at Instacart等。除了大众媒体，一些公司还会拥有自己的博客网站或YouTube频道，例如Google Data Science Blog，Uber Engineering等。如果你觉得阅读英文文献太慢，那可以关注公众号MarTechCareer，经常推送各类科技公司每天使用的数据科学应用案例。
作为没有数据科学全职经验的新毕业生，从阅读这些博客文章可以学到很多。它们可以指导你理解某些方法在实际商业问题中的应用，使你打开思维和眼界，跟踪了解数据科学领域的前沿研究技术。除了公司的博客，你还可以关注特定的主题并阅读相关文章。
*图片来源网络
值得注意的是，在阅读博客文章时，不要浪费太多时间在技术细节上，而是通过回答以下问题来总结你学到的知识：
这篇文章解决的商业问题是什么？
用的什么方法？这些方法对我来说是新的吗？
他们如何评估所使用方法的表现？
如何将其推广到其他类似的商业问题上？
明确专业术语
熟悉业务指标，关键绩效指标（KPI）：
用户流失率/保留率，客户增长率
用户终生价值
收入：每月经常性收入
转化率
...
习惯于讨论常见解决方案的专有名词：
降维：PCA
处理丢失的数据（Missing Value）
处理异常值 （Outlier)
因果推理技术 (Causal Inference)
机器学习模型 (Machine Learning)
评估模型性能 (Model Evaluation)
实验设计 (Experimentation)
能够意识到影响统计结果的常见问题：
样本偏差：选择偏差，响应偏差
内生性
相关性与因果关系之间的区别
多重共线性
过度拟合，拟合不足
*图片来源网络
2.面试前
当面试准备时间有限时，进行针对岗位的研究，练习最有可能在面试中提出的问题是最有效的办法。
1）对公司做研究：
⚠️面试官问的问题通常和他们自己每天处理的问题相关。在进行研究时，侧重以下方面：
有关公司的一般信息：浏览公司的网站，Linkedin页面等，对公司有大体的了解：他们所处的行业是什么？他们有什么产品？他们的产品可能存在什么商业问题？
浏览该公司的博客文章，以了解其数据科学家每天都在解决的问题以及解决方法。总结他们针对特定业务问题经常使用的一些技术。
2）对公司的技术团队进行研究：
许多公司的数据科学家和工程师会合作完成他们的项目，在博客中讨论用技术细节解决的问题。阅读这些文章可以帮你了解公司的业务面临的挑战以及数据科学技能在现实世界中的应用。
你加入团队后，他们希望你解决的问题会是什么：熟悉职位描述来了解所申请的职位的具体要求，尝试分析职位要求并列出他们需要的所有技能。
即使在同一家公司中，不同团队的数据科学家的日常任务也可能完全不同。如果你知道谁是你的面试官，试试通过在LinkedIn上搜索来找出你的面试官正在或曾经在哪个团队工作，然后问问你自己：他们解决了哪些业务问题，什么是你的解决方案。
3.面试过程中：
在面试的过程中，组织好你的答案，以最好的姿态展示你解决问题的能力和批判性思维的能力是非常重要的。
1）首先，在开始提出任何解决方案之前，要先明确问题！
需要用数据科学技术解决的业务问题通常是一些模糊的问题，比如，如何预测需求？如何通过市场活动等增加收入。首先弄清需要解决的问题是非常重要的，没有弄清楚问题就一通乱答的话不仅会影响自己的逻辑思维，最后的答案也很可能不是面试官想要的。
2）提出解决问题的方案，从最简单的开始
在明确问题之后，你可以开始提出你的解决方案，展示你对数据科学技能合集的了解：是什么、如何使用以及为什么使用。你总是从最简单的解决方案开始展示，并给予更多的条件来改进它。例如，你可以从一个线性回归模型去了解数据，对你要解决的问题有一个模糊的印象，然后根据可能出现的结果和限制，转向一个更复杂的模型，讨论特征选择等等。
3）解释解决方案背后的原因
解决方案本身并不是你答案的最主要部分，重点是你选择它的原因。要记得总是陈述为什么选择你的方法和为什么不选择其他可能的方法的原因，并证明你的答案是正确的，同时向面试官表明你对这个问题有全面的了解是很重要的。
4）知道自己在说什么
面试官喜欢根据你的回答再后续提问。例如，你刚提到想在线性回归模型中加入正则化，面试官可能会问你为什么要这样做? L1和L2正则化有什么区别，你会选择哪一个？这是让面试官了解你对模型或技术基本理解的一种方式。
5）接受暗示
好的面试官会暗示你是否已经偏离了他们想要的答案。例如，如果你在谈论解决问题的方法A，面试官可能会说，使用方法A可能会带来问题B，你认为方法C怎么样?当别人给出你类似的暗示时，要接受！！他们并不是想哄骗你或考验你，是想引导你回到正确的方向。
