课代表立正

产品经理是一个科技公司很有存在感的职业，很重要但是质量很难定义。这期节目就跟大家聊聊我作为一个数据科学家，对PM这个职业的理解，和在我眼中什么是好的和不好的PM。 今天11/7，一大早在阳台录像，还恰好录进了美国总统竞选结果公布时候，路人的庆祝

数据可视化是工作中非常有用的工具，但是很多人对一个有效的数据可视化缺乏正确认知，以为好的数据可视化一定要炫酷和复杂。 这期视频里就讲一下什么是好的数据可视化，用B站和Youtube后台做一个对比。最后，跟大家讲一下为什么你应该摒弃饼状图。

大家都知道要用发展的眼光看问题，也知道要去抓住未来的机会。但是什么是不用发展的眼光看问题？ 我用一个例子去总结静态思维和动态思维的区别，希望对大家有启发。

谷歌去年发布了Stadia之后，亚马逊（Luna）、微软（xCloud）、脸书，也相继推出了自己的云游戏平台。大厂在云游戏平台上集中资源，因为前景远远不止颠覆游戏产业而已 在这期视频里，我们就分析了为什么改变游戏市场，只是云游戏的第一步。而接下来是 1）颠覆整个娱乐产业的开发 2）将整套操作系统放在云端、消灭硬件壁垒 3）改造传统行业 大时代、大机会的到来，是绝大多数人都看不到的。希望这个视频能帮助你在认知上先行一步

2020周末还可以玩什么？今天应亚马逊华人协会的邀请，采访了资深户外爱好者Sunny同学，来帮大家介绍一下三个户外周末的打开方式！ 有任何问题欢迎给我们留言（最好是留在Sunny视频里hhhh）。喜欢的小伙伴记得点赞，评论，关注我们！ 🌟 Presented By 🌟 与尔共销万古愁 https://www.youtube.com/channel/UC_5lJHgnMP_lb_VpIiXV0hQ Sunnyyy 桑妮歪歪 https://www.youtube.com/channel/UCGu6rjqkVnkpCBZNpthMA2Q Instagram: sunnyyyj...

一直觉得欠大家一个解释 -- 这个频道到底是干嘛的？以后会出什么内容？ 这期视频跟大家聊一下我对这个频道的想法，和对接下来五十个视频的规划。

众所周知，芯片是面向未来的底层科技，我们国家也计划了万亿投资。但是政策的优待到底会导致另一个泡沫，还是能用钱买未来？很可惜，现在中文网络上看到关于芯片的视频与文章，大多都是资料搬运工，价值和洞察都很有限。 这期视频请了在英特尔工作做了七年芯片的陈昊学长来为我们科普最前沿芯片制程的工艺与挑战。陈昊博士从22nm做起，现在正在5nm芯片研发组。视频里不仅有深入浅出的讲解，更有第一手资料和他的观点。毫不谦虚地说...

一份工作做很久，展示给同事和领导的时间却很有限。 如何利用短暂的时间留下最深的印象？如何能把分析落实到行动，从而产生属于自己的影响？这里跟大家分享一下沟通和汇报工作时最重要的原则 -- 倒金字塔叙事结构。 掌握这个原则，可以说是摆脱学生思维，成为具有专业精神的有效沟通者的分水岭。甚至在之前“管理咨询去魅”里，Bailu同学也提到是否掌握这一原则，很多时候就是甲方和咨询顾问做事方法的核心区别。

为我们视频剪辑的“里头”同学总结的很好：找工作是一个有期限的任务，当你开始找工作后，你就会一天天变好，离目标也一步步靠近。 这期视频嘉宾小姐姐就和盘托出自己找工作的所有亲身体会，包括new grad海投简历，和工作后的针对性跳槽都涵盖了。希望大家看后，不光能借鉴她的做法，也能从她的经历中获得鼓励。 最后，希望大家的努力都有回报！

Product Sense面试中，如何在短短三十分钟内向面试官展现自己分析、解决问题的能力？如何能有条理地沟通，主动掌握面试节奏？ 这期视频介绍了MECE（Mutually Exclusive Collectively Exhaustive）心法。 MECE广泛被使用于管理咨询的case interview，但是其实对product sense面试也有奇效。不过问题是管理咨询的准备书籍很多，重点也会放在各种各样的framework上，直接去看case in point这些书的话，有被带偏的危险。 在我看来，所...

Product Sense是Data Scientist面试中的重要一环，但是相对其他面试，有点玄，有点虚。难准备，也难知道自己准备得好不好。 我平时工作中收到的feedback是product sense还不错，面试时候product sense一般也是我准备最少，但是发挥比较好的环节。 这期就来分享一下帮朋友mock interview时候，发现product sense环节最容易犯的错误，用一个例子来讲解我遇到这个问题是怎么想的。希望能带来启发和借鉴。

Sharing my experiences and lessons as a PhD who switched from academia to industry. If I could do it again knowing what I known, what would I do differently?

上期讲述了互联网企业对DS的要求 -- 统计概率、编程、Product Sense。这期一一介绍了如何获取这些能力。包括如何有效率地学习、推荐的课内内外资源、以及如何衡量自己达到了能力要求。 PS：这期是嘉宾自己剪辑的，水平高很多

本系列分上中下三期，介绍了Data Scientist - Analytics Track找工作相关的事情。嘉宾晨璐同学有丰富的相关经历 -- 转专业、New Grad找工作、跳槽都经历过，希望总结出来的经验对小伙伴们有借鉴。 上期总结了互联网企业对DS - Analytics的要求：1. 统计概率、2. 编程、3. Product Sense。晨璐同学也有每条专门展开，希望帮助大家看完后能对数据科学家的知识要求有基本概念。

很多同学都知道要做AB Testing，但是有时候对AB Tesing缺乏一个全局的理解，也不清楚为什么AB Testing是得出因果关系的最佳工具。 本期视频就用一个例子进行最简单的概览，并解释AB Testing里比较重要的三个参数。视频背景过曝了，不过就这样吧~

下半集围绕两个问题： 1. 既然甲方爸爸已经是行业翘楚，为什么咨询公司还能为其提供价值？咨询项目都有哪些类型？ 2. 咨询顾问从硬件软件方面，与甲方员工有什么不一样的特质？ 最后也讲了咨询顾问的常见职业路线，以及不同年限的咨询顾问对应阿里的P几

这期邀请了BCG的管理咨询顾问，Bailu Xu，来为我们揭秘这个神奇又神秘的职业。视频分上下两期。 上期我们介绍了咨询公司的本质 -- 卖能解决问题的人。人力成本的差异，也导致了咨询公司之间的“鄙视链”、分工、和风格的不同。之后，Bailu为我们详细讲解了咨询公司的升职路径以及对应的年薪，以及咨询公司的工作强度是不是像传言的那么可怕（是）。 下期我们会围绕两个问题展开：1.为什么在行业成功的甲方，会请一个咨询公司这样一个...

本期视频邀请了亚马逊应用科学家，Copper同学，来为我们讲解人工智能在互联网大厂的应用。 视频分上下两期， 下期讲解了人工智能尤其是深度学习在互联网大厂中的应用。卢蔚和我把这些应用分成了三类，第一类是已经定义、需要被提高精度的应用，比如广告推荐、图像识别；第二类是没有被现有模型定义很好的问题，需要科学和工程两方面的进步，比如智能客服、产品推荐；第三类是需要范式突破的问题。 Cooper也探讨了深度学习能解决问...

本期视频邀请了亚马逊应用科学家，卢蔚同学，来为我们讲解人工智能在互联网大厂的应用。 视频分上下两期， 上期讲解人工智能、机器学习、和深度学习之间的关系；究竟什么是AI、机器学习、和深度学习；以及深度学习发展的一些里程碑事件：包括为什么深度学习在90年代进入低潮，2011年前后突然火了起来，GPU计算在其中起到的作用，等等。

经济学是一门理性与人文交织的学科。多年的学习与研究也塑造了我的价值观与方法论，这里就总结出来三点分享给大家，希望有借鉴。 关注均衡，可以帮助我们思考事物的间接影响，建立长线思维。 关注边际，可以帮助我们集中时间精力在那些能带来改变的事物上。 尊重自由，可以让我们更清楚的了解人和人之间的边界，对多元价值更加包容。

应邀分享，视频内容基于之前的“Data Scientist是干嘛的”加强制成：https://youtu.be/11B89hfa-xY 主要内容涵盖 - 数据科学的定义、分类 - 数据科学工作的价值所在 - 数据科学家功力体现在什么地方 - 一堆Q&A包括DS赚多少钱，为什么从亚马逊经济学家跳去FB，等等 这里是数据科学Facebook group，欢迎加入讨论：https://www.facebook.com/groups/327750904903287

今天我们有幸请到了亚马逊Alexa Shopping, Grocery and consumables的biz tech leader -- Eugene，来为我们讲解工作中沟通的重要性，和如何有效沟通。我们有一个普遍印象，在美国大公司里面，华人大多是以技术立身，而在产品、商业方向的成功案例相对少很多，Eugene便是其中一个。 其实不光是产品经理，无论是程序员、数据科学家，级别越高，大家就会发现沟通越重要。甚至有人说，senior和junior最大的能力区别，就是在沟通能力上...

这期手把手教给大家怎样通过Shopify给自己餐厅建立自己的网站，只要20分钟。29美元每月，每单约5%的手续费

作为一个新兴又热门的职业，Data Science在不同行业和不同公司定义很不一样。做的事情，用的工具，也大相径庭。 这期视频梳理了“数据生命周期”的四个阶段，基于此，总结了数据科学相关的工作内容。同时，希望和大家一起探讨一下机器学习是不是数据科学家的归宿，以及数据科学家的价值到底是什么。 up主是前亚马逊经济学家，现脸书资深数据科学家。视频中内容不代表公司观点。

由在亚马逊工作的Mike同学为我们上手讲解如何使用Tableau进行数据分析、数据可视化。中间也穿插了大家对工作中搭建data pipeline的探讨。