=====================背景介绍=========================
本科和phd都是国内读的，phd毕业后来美国2年postdoc+2年industry工作。phd/postdoc主要做nano
fabrication/photovoltaic/semiconductor process相关，是EE里很偏物理的方向（从小喜欢物理）。Postdoc期间感觉到纯academic
path的不易以及对industry获得了更多的了解，抓紧办了eb1a绿卡，拿到卡后不久就跳到了industry，在弯曲的一家semiconductor的
startup做cleanroom process。
这里给和我相似经历的同学一条建议，尤其是想转行的phd/postdoc：若短期内无确定的回国打算，一定提早搞定身份，无论以后走
学术还是业界，提早规划。我身边有不少postdoc同学，学术背景都很强，但都不着急弄身份，这样时间一晃就过去了，而且移民形
势变来变去，到后面就比较被动。但这一条不一定适用所有人，仅供参考。
====================转行================================
在startup做了不到一年，公司倒闭了，重新进入找工阶段。两个月后找到了弯曲另外一家小型硬件公司的职位，还是做
semiconductor process相关。彼时更加深刻的感受到了不同行业间巨大的差异，尤其在弯曲，CS对其它行业的碾压让我印象深刻，
我也萌生了转行的想法。
新公司也正在扩展ML/AI方向的新业务，由于传统的半导体行业懂ML的很少，所以公司从内部选了一些人进行培训，我运气不错刚
进去没多久就被选上了。
培训只是个引子，想转行还是需要持续的自我学习。我开始自学python，上coursera的课，看统计/ML的书；工作上开始利用学到的
技能prototype ML model，写code，设计算法，慢慢的也获得了一些成果，为公司/客户创造了value。由于在ML业务方面的贡献比
较大，我也不再做硬件相关的工作了，基本上完成了从硬到软的过渡。这里可能归功于新公司规模小，内部很flexible+当时的老板
人nice，所以我的职能转变没有遇到太大阻力，但我觉得主要原因还是我让公司看到了我在ML业务上更大的价值，才获得了双赢的
结局。
新公司待了一年多准备跳槽，目标主要是大厂ML相关职位。我从今年3月份开始集中准备面试，包括刷题（lc 300道左右）和ML知
识（Coursera课，ESL书，DL书等等），5月下旬开始投简历，到7月底得到结果，具体过程见下面“找工经历”。
这里有一点自己的体会和心得：转行过程也是一个检测你是否足够喜欢新行业的过程。单纯说喜欢某某行业会比较虚，你喜欢的肯
定是它带给你的东西：钱，地位，社会认同感，他人崇拜感，自我价值实现，纯粹的脑力测试 等等。与其纠结是否适合转行/转行
对不对/转行来不来得及，不如问自己想要上述哪些项，再收集相应的信息，根据足够的信息权衡自己的判断。当然有些信息获取是
立等可取的（比如钱，参考地里抖包袱版），有些是循序渐进的（比如自我价值实现，需要长时间身处其中去感受），不过并不妨
碍你去尝试，不试你怎么知道。
另外分享给理工科背景转ML同学的一点感受：如果想转ML/AI track，数学是基础（线性代数，统计概率论），coding是工具，
algorithm/数据结构是衔接的桥梁。准备面试的话不要把所有精力放在刷题，ML基础以及对实际问题的建模能力也很重要。
写的比较笼统，欢迎有问题的朋友留言。
=====================本次找工经历===========================
投简历主要靠内推和熟人推荐，没有海投，前前后后投了20+公司，大约收到40%回复，命中率还是挺高的，再次感谢地里各
位朋友的相助，同时建议正在找工作的同学，尽可能地寻找内推，大部分国人（尤其地里的同学）还是很热心的。
Timeline：
这次提前规划了时间线，尽量把面试时间都集中在了一个月内：
5月下旬开始陆续投简历 – 6月上旬电面 – 6月下旬/7月初 onsite – 7月中旬 得知结果
Result：
简历挂/电面挂：
苹果 DS，面了3论最后说不合适
Uber DS，HR挂
Gopro DS，HR挂
谷歌 DS，简历据
Onsite挂：
亚麻 AS，应该是bq没答好，他家bq太多了而且有些问题很不好答。我面的alexa组，感觉组里技术水平挺高，人也都很sharp
Opendoor DS， 做的东西有新意，公司氛围很年轻，技术面试是pair coding，要求写完能运行出结果，应该挂在了其中一轮
ASML MLE，做CV相关，应该挂在了其中一轮coding（两道dp，都没见过）
Offer：
脸书 infra DS，电面ML+codin g+SQL（面经），onsite1轮ML+1轮coding+1轮ML设计+2轮bq，都不难，coding考的lc以外的
（parsing一个文档）。HR专业，面试体验好。infraDS没有team match，都在一个org下，具体项目会有不同。
领英 MLE，电面ML+coding（面经），onsite1轮ML+2轮coding（面经）+2轮ML设计，面试官都很nice，乐于和你沟通。面试
体验好，公司环境好，食堂好吃。运气比较好最终match到了相对核心的一个组，做的东西很喜欢，accept 了。
爱立信 MLE，电面是地里面经，onsite4轮主要问ML相关，不难。完事又加面了一轮senior职位。
我是EE在读，还不够eb1a的条件呢……请问下楼主的paper、citation数量？申eb1a花了多久？您做了这么多
年硬件转码有没有心理斗争？有人老拿你学了这么多年，过去沉没成本太高之类的原因劝人不…
我当时大概是10+paper，150+引用，review 50+。主要是phd期间的工作，运气比较好在TSC，直接加急一周后批的140。从准备
到批准大概半年时间左右，包括前期调研，找律师，找推荐信（最花时间），准备各种材料等等。不同专业的bar是不一样的，建议
你和律师好好聊聊，看看哪种策略最好。
你的第二个问题我觉得因人而异吧，斗争一开始肯定都有，但重要的尽快上手去试，试一阵后想法就更加清晰了。现在我感觉是，
各行各业都会或多或少涉足ML/data science，很多传统职位现在都需要ML/数据分析/coding要求，这既是大趋势又是好机会。另外
你是学生的话转行成本更低，你权当学习了一门新技能，以后毕业即使想去其他行业，你也会更有竞争力，路越走越宽。反之如果
你在尝试过程中发现自己实在不合适，也不是坏事，以后你能心无旁骛去走其他track。
lz这machine learning全是自学吗 有没有心得分享下？
我是先看coursera上Andrew Ng 的ML和DL系列的课程，完成后又读了Ian的deep learning的书，从数学角度对ML概念加深理解。经
典算法都会上手coding实现一下，复杂些的也会弄点数据建个model调参玩一下。
工作方面遇到新的algorithm我都会去读一下相应的资料弄清概念，资料包括paper，视频，会议slides，中英文论坛文章等。不同人
不同喜好，我的偏好是中英文文论坛 —》slides/视频—〉paper，主要是为了快速理解并上手。现在互联网发达，想要的信息网上都
能搜到。
谢谢lz分享，我也是读材料本硕期间学了很多统计和ML的课，现在在一家半导体公司做ML/DS
目前做的方向算是在自己的domain里做ML，能创造些价值还是很不错的，但是最近也在考虑换工作了，认真
学习…
我的感受是：面试尤其onsite，相比于你之前做过的项目经历，面试官更感兴趣的是你这个人本身。条理清晰，逻辑准确，态度不卑
不亢，反应迅速，这些更为关键，至于之前做的项目是否fancy是否200%match，如果他真的care这些就不会让你来onsite了
当然上述说法不绝对的，因公司而异。个人感觉互联网大厂更注重你个人本身（你的潜力/学习能力/聪明与否），反而是一些小厂
或者非互联网的ML职位面试会纠结细节（某个 model你以前用没用过，某个术语你听没听说过），个人取舍就见仁见智了。
楼主很幸运，我现在半导体公司，没机会做CS相关工作
是的，我知道很多半导体厂做process的朋友每天都在cleanroom根本没时间。但如果有机会的话，可以从数据处理做起，学一门
coding做data analysis/manipulation，逐渐往ML/DS上靠，这样工作中用到coding提升熟练度。另外就是工作以外的时间学习了。