
我从17年毕业后,一直在字节跳动西安做审核。做了两年多的审核工作,我对这个工作失去了热情。字节的视频审核和文字审核并非完全使用机器,采取的是双重审核,先机器审核筛选后再做人工审核的方法。工作的时候,我们需要一直盯着电脑看着那一个个视频或者一段段文字,并且还要从其中找到违规问题,这是很费眼力的。而且关键是这个工作还特别要求时限性,领导方面一直在说“数据堆积了要压下来”,让人有时候很有压力;有时又会出现数据量不足的情况,自己只能加班干等数据。领导说是量高了就有绩效奖励,但其实根本不会让员工挣得多。而且这个工作是白班夜班轮流的,到了夜班,又是一宿的盯着电脑,眼睛都要盯花了。回到家人很困,想睡一觉,但天一亮,回家的路上会使人变得精神,到家了想睡还难以入睡,就算困意来临,窗外的噪音也一声接一声的影响着人入睡,这种痛苦只有从事过夜班工作的人才会理解。于是我就考虑,我应该换个工作了。
经过一阵犹豫,我在19年10月份决定辞职去寻找新的职业机会。辞职后四处撒网到处投简历,大大小小的面试也经历了几十场,偶然的机会看到了CDA,那会也清楚不能再犹豫了,必须掌握一技之长才能有好的工作。那会儿是20年4月,疫情还没结束,我就去现场考察然后报名入学,当时没有线下班,我这边软磨硬泡负责人同意我在现场教室学习(本人自制力很差,感觉在家不利于学习)。老师是直播上课,西安现场教室开始只有我一个人。入学后我就给自己下了戒令,不找到工作不打游戏不喝酒!后来现场又来了一位学员,两个人一起并肩作战,努力学习。
课程安排是excel、sql数据库、power BI数据可视化、统计学、python、机器学习,知识密集度比较大,每天都学的很充实,干货满满。每个阶段结束会有分组阶段测试,痛点永远在后面,那会听机器学习就像在听天书,感觉难的很,机器学习课程有约一个月的学习时间,主要是围绕sklearn包的几个机器学习算法,例如KNN,随机森林,神经网络之类的,深度学习也是稍微有接触,我硬着头皮学,实在一点不懂的地方回放录播视频继续钻研,感觉当时也就学到了5,6成。另外一定要跟着老师一起做项目案例,多想想实际工作场景里这些技能的应用。在后期工作中,有时间一定要继续回看录播视频复习,因为每次复习,我都有新的学习心得。整个学习过程,确实比较累比较痛苦,但是一定不要放弃,一定要坚持下来。就像那句话说的,明天的你一定会感谢今天努力学习的自己。
重点来了!!!就个人而言培训就是为了找份好工作,所以这个课程的重中之重是最后的就业指导课,一定要听就业老师仔细道来,好的简历和自信很重要,面试岗位之前一定要做功课,看看这个公司的岗位需求可能会问到的知识点,针对他的业务和知识点专门做好准备。经过十几个面试,我在20年8月最后找到了一家叫美林数据的公司,薪资给的11K,比我原先工资的2倍还要多一点,我简直高兴的不要不要!感谢3个月以来努力学习的自己,感谢那些努力练习数据分析的一个个夜晚。当然也感谢CDA。
CDA W学长 22年2月
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10