物理如何轉行

㈠ 本科物理的話，想轉行有哪些選擇

熱門方向是EE，除此之外轉金工和CS也有，這個和物理還會有一些交叉，比較方便你在學校找科研來豐富經歷。除了校內的科研，此外在大三暑期規劃一段海外的科研，開始申請海外科研的時間節點在今年的12月到明年的三月份，這樣你的軟背景就比較豐富了。

㈡ 16年本科應用物理學畢業，工作2年，從事銷售崗位。想轉行，但是零基礎的工作不知道選什麼好

建議還是從事本專業相關的工作，就算是銷售，也最好是跟專業相關的，16年畢業的，年齡還比較小(我13年畢業的)，還是有資本好好規劃職責生涯的，不過看你這個專業，對於我這個物理渣渣，還是要膜拜一下的😂 來自職Q用戶：黃女士
要明確自己的目標，對哪個行業比較感興趣是熱愛的，是你不要薪酬都願意去乾的 來自職Q用戶：匿名用戶

㈢ 物理學專業 除了當老師。搞研究。還能幹嘛

近年來，「勸退之風」盛行，除了穩居勸退學科前四的「生化環材」以外，物理學也逐漸成為了人們口中的勸退專業。物理專業的就業形勢，其實絲毫不比「生化環材」樂觀，那麼物理專業畢業的學生，最後都從事了哪些行業呢？我們一起來看一下。

還有的人持之以恆，讀到博士畢業，然後進高校當老師，或者去研究所工作，這也是一種比較好的選擇。

不過有一個很普遍的現象：物理本科生轉行是一件比不轉行要正常的事情，因為適合以物理為謀生手段的人實在太少了，本科四年讓很多人知難而退，只有少部分真正熱愛科研的人勇往直前，至於轉行出路，有很多名校的學生會申請出國讀CS等熱門專業，或者考研到熱門專業，比如跨考金融、計算機專業的非常多，或者去IT行業做程序員、演算法，也可以去金融行業做量化金融。

㈣ 學物理的,想轉行

學物理的,應該說物理是你的強項吧,那麼我告訴你物理好的人其他學科一般都比較容易學習.
你是為什麼想轉行,這我並不清楚,但是有一點你應該明白,興趣是最好的老師,即使你現在學習熱門的學科,如果你不喜歡或者想混日子,就沒什麼前途了.但是如果你喜歡一個學科,即使現在不是很熱門,前景也是好的,因為熱愛,就有了許多動力,必將干一翻事業.
建議:醫學,數學,經濟學.

㈤ 本科物理的話，想轉行有哪些選擇啊

最多轉的方向的話就是EE，除此之外轉金工和CS也有，這個和物理還會有一些交叉，比較方便你在學校找科研來豐富經歷。除了校內的科研，此外在大三暑期還可以再規劃一段海外的科研，開始申請海外科研的時間節點在今年的12月到明年的三月份，這樣你的軟背景就比較豐富了。

㈥ 大學學的是物理學，現在想轉行學習，哪個IT學校好

你學的是物理專業，那說明你是一個本科生吧？
而且邏輯思維能力應該也是不錯的。
對於你這類的學生轉行學IT，完全是沒有什麼壓力的，
高學歷+高能力，現在就缺一個好技術。
我建議你學IT專業的軟體開發技術，如java軟體開發，
之所以讓你學java，是因為它易學，就業廣，學習周期短，就業快等特點，
對於你們大學生來說是理想的選擇之一。
不要擔心自己是零基礎怕學不會，別人怕學不會，主要是擔心數學和英語，
而對你來說，這些都不是問題的，你說呢？
現在IT學校所招生的學生，以高中生為主，他們通過努力的學習都能成功就業，
更不用說你了。加油！

㈦ 物理老師轉行，怎麼轉

（1）物理老師可以轉行為電氣工程師
（2）物理老師可以轉行為搞計算機

㈧ 我是如何從物理學轉行到數據科學領域

我是如何從物理學轉行到數據科學領域
很多人問我是如果從物理學轉行到數據科學，本文講述了關於我為什麼決定成為一名數據科學家，以及我是如何追求並實現目標的。希望能夠最終鼓勵更多的人追求自己的夢想。讓我們開始吧！
CERN 暑期項目

2017年CERN暑期項目
CERN(歐洲核子研究組織)暑期項目為物理、計算機和工程專業的本科生提供了千載難逢的機會，讓他們前往瑞士日內瓦，與頂尖科學家一起參加研究項目。
2017年6月，我非常幸運地被選中參加這個項目。粒子物理學是我的研究方向，能夠參加CERN的研究項目讓我欣喜不已。在為期2個月的項目期間，針對CMS(緊湊μ子線圈)實驗，我通過世界級LHC(大型強子對撞機)計算網格和雲計算進行了相關分析和模擬。

CMS(緊湊μ子線圈)
此外，暑期項目還包含了一系列圍繞粒子物理和計算領域的講座、研討會。
在此期間，通過參加講座、研討會以及項目，我開始接觸到機器學習和大數據分析。令我驚訝的是，機器學習技術能夠處理大量的數據，並精確的對各種微觀粒子進行分類和檢測。接著我毫不猶豫地投入了對機器學習和雲計算的探究與學習。
誰知道這次經歷會成為我人生中的轉折點，我打算投身數據分析。然而此時我對數據科學的定義仍比較模糊。
數據科學領域初探

當我一結束暑期項目回到新加坡，我就對解數據科學進行了一些探究，令我驚訝的是，這個領域並沒有明確的定義。但總的來說，在我看來，數據科學涵蓋了編程、數學、統計知識以及一定專業知識。
盡管如此，我還是驚訝於數據是如何被用來為公司得出分析見解，並驅動商業價值。從理解業務問題，到收集和進行數據可視化，直到構建原型開發階段，進行微調，並將模型部署到實際應用程序中，在這些過程中我發現了通過使用數據解決復雜問題、完成挑戰的滿足感。
「沒有數據，你只是一個空有想法的人」。
—— W. Edwards Deming
我的出發點—數據可視化

Tableau Dashboard
2017年8月，作為進入數據科學領域的第一步，我參加了由Tableau和IMDA(Infocomm Media Development Authority)共同組織的NIC Face-Off 數據競賽，當中我首次接觸到數據可視化。
當中我有機會使用Tableau Public對各種開放數據源進行可視化，這些數據調查了東南亞霧霾的起源，並提供了可操作性的的見解。
第一份數據分析兼職實習
在同月，我偶然發現了一個機會成為了mobilityX的一名數據分析實習生，這是一家由SMRT資助的初創公司。考慮到可讀性和廣泛社區的支持，我使用Python進行編程。
其實在我大一開始學習編程時，我想過放棄。為了運行一個簡單的for循環，我可能要花費好幾天甚至幾周。而且我常常會感覺自己沒有天賦。

直到大三我和教授開始一項研究項目，我才開始對編程產生興趣。我開始使用Python進行構建，並喜歡上了這個編程語言。
我開始不在自我懷疑，而是採用以下的步驟學習編程：
1. 理解編程的基本邏輯；
2. 選擇一種編程語言並學習如何使用(語法等)；
3. 練習，練習，再練習；
4. 重復步驟1-3 。
實習一直持續到2018年3月，期間我的收獲頗多。我學會使用PostgreSQL和Python進行數據清理和操作、web抓取以及數據提取。
數據科學全職實習

之前經歷進一步強化了我對數據科學的喜愛。之後我計劃了自己的學習時間表，並在2017年12月畢業後，開始了在Quantum Inventions的數據科學全職實習。
看到這里你可能會問 ，為什麼我選擇去實習而不是一份數據科學的工作？那就是在申請全職工作之前，能夠通過處理實際的數據，獲得更多的技術知識，並從頭開始體驗數據科學的整個流程。
學習資源
以下總結了我的學習過程，當中我接受了很多人的幫助，並充分利用了大量的在線資源。
1. 推薦書籍
我讀的第一本數據科學的書是《統計學習導論：基於R應用》(An Introction to Statistical Learning?—?with Applications in R)。這本書對於初學者是非常不錯的選擇，當中著重統計建模和機器學習的基本概念，並提供詳細而直觀的解釋。如果你很擅長數學，那麼你肯定會喜歡這本書：《統計學習基礎》(The Elements of Statistical Learning)。
還有一些相關書籍也是不錯的選擇，比如Sebastian Raschka的《面向初學者的機器學習》(Machine Learning for Absolute Beginners)，《Python 和機器學習》(Python Machine Learning)；以及Jake VanderPlas的《Python數據科學手冊》( Python Data Science Handbook)。
2. 在線課程

Coursera
我推薦Coursera聯合創始人吳恩達的《機器學習》課程。他能夠把復雜的概念分解成更簡單內容。該課程為期11周，主要圍繞監督式學習、無監督學習以及機器學習的實際應用。當構建機器學習模型時，我仍然會參考該課程講義，用來解決欠擬合或過度擬合的問題。
Udemy
Jose Portilla的《在數據科學和機器學習中使用Python》(Python for Data Science and Machine Learning Bootcamp)是不錯的選擇。該課程從Python基礎知識開始，逐步指導你如何使用scikit-learn和TensorFlow實現各種機器學習和深度學習代碼。本課程詳細介紹了Python中各種庫，用來實現機器學習模型。
此外，我強烈推薦Kirill Eremenko和Hadelin de Ponteves的課程《深度學習A-Z：人工神經網路》( Deep Learning A-Z?: Hands-On Artificial Neural Networks )。通過該課程，我第一次接觸到深度學習。課程主要通過實際操作的編程教程，把握監督和無監督深度學習。
Lynda
我推薦Lillian Pierson的課程《在數據科學基礎訓練中使用Python》( Python for Data Science Essential Training 。該課程以統計分析為基礎，圍繞數據管理和數據可視化。
3. LinkedIn
LinkedIn是與數據科學社區有緊密聯系的的強大平台。人們願意在上面分享他們的經驗、想法和知識，從而幫助他人。在LinkedIn上，我學習到了很多，無論是技術知識還是職業咨詢等。
4. 其他資源
許多數據科學領域的初學者經常會被大量的資源所淹沒。除了以上資源平台以外，還有Towards Data Science、Quora、DZone、KDnuggets、Analytics Vidhya、DataTau、fast.ai 等都是不錯的選擇。
建立作品集

個人作品集能夠展示你的經驗和能力，特別是當你沒有數據科學方面的博士學位時。
由於我只有物理學的學士學位，我沒有計算機科學相關學位，在大學的前三年中我也沒有任何相關的數據科學作品。建立個人作品集是很重要的，因為公司需要知道你學了些什麼，如何能過為公司業務貢獻價值。這也是我決定實習和學習在線課程的原因。
不久之前，我和朋友一起參加由Shopee和工程與科技協會(IET)組織的Kaggle 機器學習挑戰賽。這是我第一次參加Kaggle比賽，我學習了如何使用卷積神經網路(CNN)和遷移學習進行圖像識別。
結語

我分享了我進入數據科學行業的一些情況，希望我的經歷能夠讓你覺得數據科學其實很有趣，並不那麼嚇人。直到我接觸到數據科學，我才愈發感受到什麼是學無止境。我希望本文能夠激勵你去挑戰自己，實現自己的夢想。

㈨ 物理本科生怎麼考研轉行學什麼好就業又比較需要學歷的

物理學考研有凝聚態、光學、理論物理、物理課程論、天體物理、工程力學等，要看喜歡哪個方向。 基本上大部分物理專業的畢業出來還是當物理老師，有很少很少的一部分會進。要留大學那就繼續讀博。凝聚態、光學、理論物理都是做實驗搞研究。
物理,本科生\考研\就業,轉行
物理學考研有凝聚態、光學、理論物理、物理課程論、天體物理、工程力學等，要看喜歡哪個方向。 基本上大部分物理專業的畢業出來還是當物理老師，有很少很少的一部分會進。要留大學那就繼續讀博。凝聚態、光學、理論物理都是做實驗搞研究。

㈩ 物理學專業的,想轉行數字電子類行業,請問我應該怎麼辦最快的捷徑！

物理專業的一般學習的是理論，推導，數學什麼的用的比較多，但是實踐少。你想學數字電子類的內容，那隻能從頭學起，沒有什麼捷徑。這個也是工科理科之間的最大區別吧。基礎課要有電路理論，數電，模電等等等。但是其實知道了這些還是遠遠不夠，比如你要是從事計算機相關的你就要學計算機組成吧？你要是其他的嵌入式系統你就要學嵌入式原理吧？這些都是以後的事，反正差距還挺大，希望你能努力吧