文/tkuo

以前作為學生，上課時多少都會思考，「學這個以後真的用的上嗎？」

▲Google 工程師分享大學資工課程對工作的真實價值(圖/freepik)

工作一段時候後，對產品/軟體開發有些經驗後，回顧一下自己大學課程，依據我個人主觀意見/經驗分成三個層級：

• 必要
• Nice-to-have (有幫助但非必要)
• 可有可無 (幫助甚微)

目前於Google台灣擔任軟體工程師，會以在Google快約三年的經驗，共兩個不同的team，來作為評斷標準。

註：大學在國外唸的，所以可能和台灣課程略有不同。

推薦文章>>十年面試失敗經驗成功進 Google！台灣工程師：薪水沒想像中的高 !

必要

選擇標準：幾乎每個專案實作以及和同事溝通上經常使用到的。

• Introduction to Computing with Java

熟悉基本語法（e.g., loop/class），也可以是Python/C++等其他語言，入門的第一步「Hello World」。

註：程式語言的線上課程，我認為也有相同學習效果（可能甚至更好）。

• Data Systems

對於資料數據，SQL是實際常用上的技能，不論是分析問題（e.g., 有多少比例的使用者遇到特定問題），更新Dashboard（e.g., 每天自動執行SQL script進行資料處理導入）都常經常使用。

• Object-Oriented Programming & Data Structures

OOP基礎觀念，實際應用如Codebase越來越大時，擁有些abstraction（e.g., 定義一個base class去實作共用的methods/規範哪些virtual methods該被derived class實作）可以更好去維持可讀性，便於管理以及共同開發。有開發較大的專案時（e.g., Chrome OS），了解這些基礎OOP概念有助於更快理解整個龐大Codebase架構。

資料結構，雖然實務上並不會自己實作較為複雜的架構（e.g., 紅黑樹），通常都直接呼叫libraries 。但許多資料結構還是經常使用（e.g., vector/hash-map/tree等）。如果需要coding interviews，對面試準備也有不小幫助。

• Design and Analysis of Algorithms

分析演算法複雜度以及熟悉常見的演算法。不諱言，演算法對coding interviews十分重要，特別是以FANNG等矽谷國際公司為目標的。實務上並沒有許多機會去精心設計一個非常optimized的演算法，但有能力去分析一個算法的好壞（e.g., 是否為最佳解），對於寫design docs以及code review有不小的幫助。

• Operating Systems

Linux基本概念與名詞（e.g., kernel/threads/processes），工作上需要涉及OS-level的實作或效率上的要求（e.g., latency/CPU usage），皆需要理解相關的基本知識。

• Software Engineering

重要但也不重要，Software Engineering不只包含Coding，還包含怎麼寫出scalable/maintainable的程式，推薦閱讀Software Engineering at Google。

重要在於有機會累積溝通/設定目標以及執行步驟/共同開發等經驗，不重要在於課程中使用的工具，多數（少數例外如Git）相較於業界過於老舊（或畢業時已過時）。

• Computer Communication Networks

基礎的網路相關概念，在設計features都需要有所考慮，如IPv4/IPv6、需不需使用proxy保護隱私、load balance等等。使用雲端服務（e.g., GCP/AWS）也會常需要理解基本的相關名詞/概念。

• Deep Learning for Computer Vision

或許將電腦視覺放在「必要」的類別，許多人會不同意。但就2023年的現在來說，個人感覺很多時候同事間（software engineers）的溝通，大家潛意識把一些常見的CV概念/名詞默認為不需解釋的知識，如CNN、YOLO、object detection、motion tracking、semantic analysis等。

或許再過幾年，自然語言處理（NLP）相關的知識/名詞（e.g., Transformer, GPT, etc.）也會被我列入「必要」的行列。

Nice-to-Have

選擇標準：偶爾會用上的知識/技能，或是有學過能幫忙加速理解。