我扫了遍这个问题下的回答，很多都非常优秀，但缺少了一个很重要的视角——「就业视角」。
作为一个已经在互联网行业数据分析方向工作好多年的「老人」，近年来我面试了一批又一批名校数学&统计专业的应届大学生。正好可以填补下这个视角的空缺。
事实上，哪怕你是 985 名校的数学系学生，对数学有着真正的热爱，到了你毕业的时候，真正能从事数学研究的比例也不会超过 5%，绝大多数人还是需要去参加各大企业的面试。而超过 300+ 的应届生面试经验让我意识到，候选人之间的差距是巨大的，哪怕来自于同一所高校，他们在数学基础能力和运用水平上，都存在巨大的差距。而这种差距可能从大学的前两年就开始逐渐形成了。这就是我回答这个问题的动力所在。
在我看来，对于学数学（也包括和数学有不小关系的计算科学、统计学、信息科学等）的大学生来说，如果以就业为目标，那么大学四年的学习路线非常重要，它很大程度决定了你未来求职的方向和顺利程度。因此，在这四年中，必须保持对以下三个问题的思考：
问题 1：我学数学的终极目的是什么？是研究数学，还是成为职场敲门砖？
很多刚入大学，尤其名校的数学系或极度依赖数学的理工科学生，都会有一种不切实际的理想主义和路径依赖，觉得我只要把数学学扎实了，未来一定会成为很厉害的人。但事实上，数学水平和就业水平并不是强正相关的，在某些领域甚至存在一些负相关。
如果你是一个真正的大牛，比如奥赛金牌进入北大数学系，你的学长学姐们会给你最好的学习经验。但如果你不是这金字塔尖的人，你未来比较好的归宿，或许就是一些依赖较多数学工具的职业。
假如你对自己的数学实力或对数学的热爱足够自信，一开始你还是有必要去探索数学城堡的。我的建议是：早点进实验室，找机会多和教授们聊天，找不到教授的话，找高年级学长聊也是有必要的。这么做的目的是，让你尽快认清数学研究的真相，而真正的大佬是在认清真相后依然坚定不移地走上研究道路。
对于更多的没那么厉害的人来说，你就得早点研究如何利用数学找到好工作了。找工作所需要的数学，和理论数学是完全不同的。比如，对互联网数据分析来说，你可能更需要了解概率和统计，比如能快速地回答诸如「一个概率为 0.6 的独立实验做 10 次，发生 3 次的概率是多少」的问题。
顺便，这是我现在经常用来把玩的计算器：
https://xg.zhihu.com/plugin/3b94789bd77e7cb5437e69fc65f22288?BIZ=ECOMMERCE
很多学数学的人过于注重理论学习，但对理论在真实工作中的运用并不太了解，所以在求职路上就会遇到比较多的困难。
于是我们就有了第 2 个需要思考的问题——
问题 2：数学的分支那么多，哪些方向 / 工具是我需要重点学习的？
首先，有三门课是必须要学好的，微积分、线性代数、概率论与数理统计——这是我工作很多年来最为直接的经验。
这三门课的侧重点是有所不同的：
- 微积分最常用的领域是工程学和经济学——工科必备；
- 线性代数最常用的领域是机器学习——计算机理论必备；
- 概率论最常用的领域量化和 AB 实验分析——数据分析类工作必备；
不过我还是建议这三门课都要认真学，因为真的很有趣，融会贯通后会很爽。
至于其他课程，说实话对口的就业面都不是很宽。如果不是兴趣使然，不如去学习编程。
学编程主要有 3 个原因：
- 学编程和学数学所需要的能力是非常相似的——都考验逻辑和框架，能力迁移很容易；
- 可以通过编程解决很多数学问题；
- 程序员的就业面相对来说依然是比较宽的。
当然，如果不是一定要转码的话，也没必要过度依赖编程，毕竟启动程序还是费劲的，学习还是要以效率为先。毕竟平时学习、考试，计算矩阵相乘、解不等式、做统计什么的，函数计算器是可以完全可以代劳的——
问题 3：我对未来求职方向的实践是怎样的？
参加比赛是一个可行的方向，比如某些互联网公司组织的数学竞赛或者数学建模比赛。
拿不拿奖倒是其次，重点是你得知道业界到底在关心什么，什么样的数学不是自 high 而是真正能带来价值的。
以及，在参加比赛的过程中，你很可能需要组队，和同学合作完成一个挑战项目，这也是对未来真实工作环境的模拟。
另一个需要做的事情就是参加实习。
对于理科学生来说，参加实习是打破次元壁最重要的方式，这件事情从大二暑假就可以开始了，无论是互联网相关（比如算法、数据挖掘、数据分析）、金融相关（量化交易）、财务相关，都是检验数学水平的重要工具。
一开始，你可以不必把目光局限在个别大厂上，一方面，大厂难进，另一方面，容易成为螺丝钉。
多种体量的公司，都可以看看，多种类型的岗位，都可以试试，从要求简单的岗位到要求复杂的岗位循序渐进。在进入校招周期前，至少搞两三段不同类型的实习，这样就不必在真正求职时焦头烂额了。
总而言之，无论是数学专业的学生，还是高度依赖数学的理工类、经济类学生，大学四年的成长路线的规划是重要的。学习尽可能多东西未必是最优解，更多时候需要多「剪枝」。
学数学的人容易追求严谨和绝对正确，但真实的世界却是近似的、模糊的。用简洁的方法去近似复杂的问题，找到最高效的解法，才是最优的。
就好比有时候，用计算器解决问题，比编程要快多了——
https://xg.zhihu.com/plugin/3b94789bd77e7cb5437e69fc65f22288?BIZ=ECOMMERCE
微信扫一扫 
