点击上方“CVer”，选择加"星标"或“置顶”
重磅干货，第一时间送达
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。
CVer学术交流群
扫码添加CVer助手，可申请加入CVer-目标检测交流群、图像分割、目标跟踪和GAN等群。一定要备注：研究方向+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡）
▲长按加群
这么硬的论文速递，麻烦给我一个好看
▲长按关注我们
麻烦给我一个好看！
