选专业的时候千万要小心！北美计算机三大“天坑”专业揭秘

1.岗位少:只有大公司才设置相应的数据科学岗位。仅为 SDE岗的1/10-1/20:

(1)Visa Software Development Engineer vsData Scientist = 19k:1.1k

(2)第一资本(Capital One) SoftwareDevelopment Engineer vs Data Scientist =26k:3.3k

2.进大厂难:大厂的数据科学岗位99%只对拥有博士学位的人开放。

3.职业前期发展难:数据科学职业在初期发展时会面临一些挑战，但后期的发展前景较好。

4.学习难度较大

多学科知识要求：数据科学是一个交叉学科，涉及到数学、统计学、计算机科学以及特定领域的专业知识等多个学科。学生需要掌握大量的理论知识和技能，如高等数学、概率论与数理统计、线性代数等数学知识，编程技能如 Python、R 等，还需要了解机器学习、深度学习等算法原理，学习压力较大。

技术更新快：数据科学领域的技术和工具发展迅速，新的算法、框架和模型不断涌现。例如，深度学习领域近年来不断有新的模型架构提出，如 Transformer 及其一系列变体。从业者需要不断学习和更新知识，以跟上行业的发展，这对一些人来说可能会感到吃力。

岗位少:与 AI相关的岗位相对较少，SDE软件开发工程师(前后端开发)与A1岗位的比例大约为 20:1。

竞争激烈：人工智能是热门专业，申请人数众多。如 2024 年加州大学伯克利分校计算、数据科学与社会学学院申请人数约 1.4 万，相比前一年增长 48%。像卡耐基梅隆大学等顶尖院校的人工智能专业，每年只有 30-35 名学生能被录取

进大厂难:大厂的AI岗位99%只对拥有博士学位且拥有 2+顶会的人开放。门槛较高。

好处:虽然就业难度较大，但是从薪酬方面来看，人工智能专业的薪水相对较高。不过，不建议以此为就业目标，本科或硕士阶段可以学习，但需要有更明确的就业规划

签证政策限制：国际学生毕业后想留美工作，面临 H1B 签证抽签等问题。签证配额有限，竞争激烈，即使专业能力强，也可能因签证问题无法留美工作。

技术迭代冲击：人工智能技术发展快，新算法、模型和框架不断涌现，毕业生需持续学习更新知识，否则易被行业淘汰。同时，AI 技术本身可能使一些初级的、重复性的 AI 工作被更先进的技术或模型替代，比如一些简单的数据标注、基础代码编写工作。

岗位少:与电子工程相关的岗位数量相对1较少。SDE软件开发工程师(前后端开发)与电子工程岗位的比例大约为 50:1。

特定领域就业限制：如在物理技术与科学类别下的医学器械、能源等方向，涉及美国敏感领域，国际学生就业可能会受到限制，一些政府相关项目和企业可能不雇佣或限制雇佣国际学生。

竞争激烈：EE 专业在美国留学中非常热门，申请人数众多。像斯坦福大学、麻省理工学院等顶尖院校，录取率极低，国际学生录取名额有限，竞争异常激烈。

建议:本科或硕士阶段可以学习电子工程，但找工认准 SDE岗。

(1)对于本科学生，建议选修计算机课程，以便更好地找到软件开发工程师的工作机会。

(2)对于硕士学生，可以直接寻找软件开发工程师的工作机会。