鹿寨職場問答

本人現(xiàn)在在鹿寨上學，想問下計算機科班出身的優(yōu)勢是什么？

13*******54
2022-02-11
3個回答
166人關(guān)注

全部回答已有 3人回答

19*******94 2022-02-11

1. 知道哪些問題是不可判定的（undecidable），遇到了不要浪費時間去試圖解決它。如果發(fā)現(xiàn)老板給的任務跟停機問題等價，可以跟老板 argue 說 mission impossible，如果老板不買賬，呃，自求多福吧。2. 知道哪些問題是困難的（例如 NP-hard 類），遇到了不要試圖尋找多項式時間算法，除非你打算把圖靈獎和菲爾茲獎一并笑納了。3. 知道哪些問題是已經(jīng)解決的，不要試圖去重新發(fā)明個方的輪子。要知道天高地厚，ECDHE-RSA 這個密鑰交換算法有5個圖靈獎得主的名字在里邊，不是那么容易被你踩在腳下的。4. 知道常見術(shù)語的含義，portable 通常是可移植的，而不是便攜的，PDF 不是便攜式文檔格式，class library 不是班級圖書館，數(shù)據(jù)庫 field 是字段不是場。5. 知道術(shù)語本來的意思，object 除了是對象，還可以是“賓語”，verb+object 是動詞+賓語，不是動詞+對象。6. 會正確使用標點符號，C/C++ 不是 C\C++，反斜線 '\' 通常只用來表示轉(zhuǎn)義字符。
13*******82 2022-02-11

思維方式方面在思維方式方面，可能差異會比在技能方面更大，列兩個我覺得最關(guān)鍵的吧。1. 試錯與debug思維這可能CS和其他學科差異最大的一點：在CS里，尤其是軟件方向，基本試錯的成本為零：不像很多理科專業(yè)，推理過程的嚴謹性不容得馬虎；也不像生物化學這類專業(yè)，試錯可能會導致極其嚴重的后果。這最明顯的感受就是，每當遇到一個有bug的程序，CS和非CS同學處理的方式。非CS的同學一般會從頭思考整個的code，不知如何動手。然而CS的同學一般會采取的方式是：1. 猜測可能錯誤的位置 2. 打印關(guān)鍵變量or注釋掉代碼重新運行驗證自己的猜想。如果不對，回到1。當然，腦中debug是非常重要的一項能力，也是對思維極好的訓練。但是后者對于復雜的項目有著更高的效率，可以快速定位不符合預期的地方。2. 偷懶與潔癖優(yōu)秀的程序員都是"偷懶"和"優(yōu)美"的。偷懶體現(xiàn)在如果一個事情需要重復做三遍，那么我可能就會去考慮用一些自動化的script去幫我做。優(yōu)美體現(xiàn)在對于自己code的抽象性和簡潔性的極致追求。這一點最直觀的就反應在了代碼質(zhì)量上。很多非CS同學寫的code是正確的，而且性能各方面也都不差，但是整個代碼看起來一團糟：各種復制粘貼，各種hardcode常量，使得整個代碼的可讀性和復用性大大下降。當然這些方面也都不是絕對的，這些技能也好，思維方式也罷都是可以通過刻意的訓練很快習得的。每一個行業(yè)的人多走出自己的舒適區(qū)，去學習別的行業(yè)中的優(yōu)點，這樣的大融合才會是趨勢。發(fā)布于 2017-05-28 12:34?贊同 448??48 條評論?分享?收藏?喜歡?收起?賽博鐵犁人在非洲，剛下三輪。
15*******20 2022-02-11

早就mark了這個問題，趁著端午有空來答一發(fā)。這么多年在學校和公司中，也接觸過形形色色，各種背景的同學和老師。我本身當然是一直科班CS，但是本科的啟蒙導師算是一個非常"不CS"風格的老師，研究的方向更偏向統(tǒng)計，在這過程中也有幸接觸到了很多優(yōu)秀的數(shù)學/統(tǒng)計背景的同學。下面主要從技能和思維方式兩方面來講下CS科班（泛指CS EE相關(guān)）和非CS科班（理科專業(yè)以及跨度較大的工科專業(yè)）同學的差異吧。技能方面其實在一些前沿的應用技能方面，CS出身的學生并不會比非CS的學生有太多優(yōu)勢。這些可以快速習得使用的技能，在我看來只是外功，技術(shù)革新飛快，在學校里面學到的一門編程語言，一個框架可能到實際工作中就已經(jīng)過時了。然而在這背后，想要深入進去之后，總是有一些不會變的東西支撐著：例如，CS的課程設(shè)計里會有一條從數(shù)字邏輯-計算機組成-體系結(jié)構(gòu)-操作系統(tǒng)-匯編-編譯器清晰的脈絡(luò)。雖然我也不可能清晰地記得其中每一個細節(jié)，但是其中一些反復被提及的概念以及設(shè)計原則可以幫助理解很多最新的技術(shù)，例如memory hierarchy，RISC vs. CISC。最近的例子就是火爆的TPU，為何可以比CPU和GPU獲得更高的效率？可能會遇到的擴展性問題有哪些？如果只是一個半路出家用用caffe跑跑model的"deep learning researcher"可能就很難理解了。