带你回家

Advertisements

Starbucks Experience

NUS  UTown之前有一个starbucks,PhD期间会经常在那边看paper或者写paper,偶尔没有位置了,也会买一杯咖啡take away,去楼上的study area。 所以在我的脑海里面,starbucks 和study area确实关联很大。当然, 有人会说,你为啥不去library, 或者study corner。因为很喜欢那种咖啡味~~

工作后很少再去starbucks,今天正好要review 一个thesis,心血来潮,想去生活区附近的starbucks坐上1到2个小时。背着书包带着电脑开开心心的吃完午饭就过去了。大概下午两点半的样子。店里面还有些桌子空着。买完中杯咖啡,坐下,刚打开电脑,一个带着美瞳的工作人员,极为不客气的过来说,这边不允许工作或者学习。我当时其实就不是很明白,

1) 那可以做什么呢?看手机打游戏看杂志都可以?

2) 对于工作学习的concern应该是怕大家长久坐着不走,那打游戏聊天看杂志不也会坐很久吗?如果是这样,与其限制你在做什么,倒不如给每个人限制一个时间。

于是我说,那我刚刚买的咖啡还没有喝完呢?她说,可以打包带走。我说,那我就在这里喝完就走。她问,你要多久?我说,30min 到1小时。她说,ok, 给你30分钟时间!

当时坐下, 心想:

1) rediculous! 为啥其他人不限时。而且店员态度真是不好。

2)而且,我发现店员有看我的电脑屏幕,我不觉得她可以去charge我做什么,然后判断我是否在工作亦或者做什么。

2) 好吧,那我相当于买了30分钟的座位时间,等下时间到了就走。

可能正好30mins的时候在讨论一个问题,且中杯咖啡还没有喝完。店员走到我们面前,拿着还在响着的闹铃说,时间到了。我当时就很生气了,其实是气炸了。活这么大,还从来没有被拿着闹铃赶走过。我回答,好,马上就走。她说,那要多久。我心里想:

1) 都说了马上了,收拾完就立马走了啊。

2) 那我说两分钟,还是一分钟呢?说完她再上个闹铃吗?我无意要拖延,说了立马就是马上收东西走了,不到一分钟的事

所以,我回答,0分钟,她说,没有0分钟这个说法。然后我说,我马上就走的。

后来剩下大半倍咖啡,电脑盖上,背包走人。

File 10-9-17, 4 40 00 PM

 

====

事后我确实google了一下,发现就在上一周,9月4号的时候,Facebook上有一个学生发生了同样的事情。stomp也转载了这个事件 http://stomp.straitstimes.com/singapore-seen/girl-complains-about-being-asked-to-leave-for-studying-at-starbucksbut-gets-burned-by

有以下几个思考:

1) 大家为什么会有这个思维定式,starbucks可以看书学习coding?这个可能和他们的运营模式有关。比如为什么大家去starbucks看书,不去lady M?

2) 工作学习时间长,阻扰生意。其实这个完全可以理解。但不应该是基于用户在店里做什么事情。既然以前是可以的,现在变了,就应该在座位上或者那里标注出来,不允许长时间占位。比如我在KFC就看到过类似的标语,就很能接受。

3) 店员态度真是很恶劣。当她拿着闹钟到我面前的时候,我觉得没有得到应有的尊重。还有一点就是性别歧视。我会想,为什么她不去跟和我一起来的冰子说,而且一直在赶我呢。

4) 当然我也不太擅长当面和人争执。只能很怂的回家在wordpress上做“键盘侠”。如果再遇到这个问题,第一时间走人,当然,以后也不会再去starbucks了

 

 

【时间胶囊】Data Science的趋势

一下只是我自己的预测,可能不对,我先在埋下这时间的胶囊,之后再对照吧~~

  1. machine learning成为最基本的数据分析之一,包括自然语言,深度学习。很多可以现成使用的工具。
  2. 对于非技术型公司,由于成熟工具的提供,很多algorithm已经不需调试太多就能直接运用,一般公司不需要data scientist,而是data engineer,更多的使用的是工具。data engineer 和business analyst一起工作,BA负责与客户交流。这一部分也可以由consulting firm去完成。当然, 和其他职位一样,ds也可以go beyond that,承担更higher management role.
  3. data scientist逐步可能会和一般scientist一样,在大型技术型公司或者研究所做研发
  4. 前所未有的共享概念,比如共享单车,滴滴uber,将会使得人们思想上更能接受运用共享在其他方面,resource exchange 就像目前的stock exchange, 会将是必定趋势。这会使得研究成果更快广的推送到工业界

recent news/facts:

  1. deep learning,big data tech的突破,其应用覆盖到各个领域
  2. 在ds方面的knowledge sharing平台也很多,八月初cousera 上前google/baidu brain的成员斯坦福教授andrew ng,开了deep learning的specialist track课程。在此之前,ml,nlp,其他dl的课程也已经在cousera或者udamy上。quora,stackoverflow也是很好的讨论平台。github可以code 共享。kaggle可以问题共享。