Praca w eksploracji danych bez doktoratu

Od dłuższego czasu interesuję się eksploracją danych i uczeniem maszynowym , częściowo dlatego, że specjalizowałem się w tej dziedzinie w szkole, ale także dlatego, że jestem o wiele bardziej podekscytowany próbą rozwiązania problemów, które wymagają więcej przemyślenia niż tylko programowania wiedza i którego rozwiązanie może mieć wiele postaci. Nie mam wykształcenia naukowca / naukowca, pochodzę z informatyki z naciskiem na analizę danych, mam tytuł magistra, a nie doktorat. Obecnie zajmuję stanowisko związane z analizą danych, nawet jeśli nie jest to główny cel tego, co robię, ale mam przynajmniej dobrą ekspozycję na to.

Kiedy jakiś czas temu rozmawiałem o pracy w kilku firmach i rozmawiałem z kilkoma osobami rekrutującymi, znalazłem wspólny wzorzec, że ludzie myślą, że musisz mieć doktorat do uczenia maszynowego , nawet jeśli jestem trochę uogólniając (niektóre firmy tak naprawdę nie szukały doktorów).

Chociaż myślę, że dobrze jest mieć doktorat w tej dziedzinie, nie sądzę, że jest to absolutnie konieczne . Mam dość przyzwoitą wiedzę na temat większości algorytmów uczenia maszynowego w świecie rzeczywistym, większość z nich sam wdrożyłem (w szkole lub w projektach osobistych) i jestem dość pewny siebie, gdy podchodzę do problemów związanych z uczeniem maszynowym / eksploracją danych i ogólnie statystykami . Mam też przyjaciół o podobnym profilu, którzy również wydają się bardzo dobrze o tym wiedzieć, ale też czują, że ogólnie firmy dość nieśmiało zatrudniają się w eksploracji danych, jeśli nie jesteś doktorem.

Chciałbym uzyskać informacje zwrotne, czy uważasz, że doktorat jest absolutnie niezbędny, aby mieć bardzo skoncentrowaną pracę w tym obszarze?

(Zawahałem się trochę przed opublikowaniem tego pytania tutaj, ale ponieważ wydaje się, że jest to akceptowalny temat w meta , postanowiłem opublikować to pytanie, nad którym zastanawiałem się od dłuższego czasu.)

Uważam, że tak naprawdę jest odwrotność twojego wniosku. W The Disposable Academic podano kilka wskazówek na temat premii za niskie wynagrodzenie w matematyce stosowanej, matematyce i informatyce dla doktorantów w stosunku do magistra. Częściowo dzieje się tak dlatego, że firmy zdają sobie sprawę, że posiadacze dyplomów magisterskich zwykle mają taką samą głębokość teoretyczną, lepsze umiejętności programowania i są bardziej elastyczni i mogą być szkoleni do określonych zadań w swojej firmie. Powiedzmy, że nie jest łatwo zdobyć ucznia SVM, aby docenić infrastrukturę firmy, która opiera się na drzewach decyzyjnych. Często, gdy ktoś poświęca mnóstwo czasu na konkretny paradygmat uczenia maszynowego, trudno mu uogólnić swoją produktywność na inne dziedziny.

Innym problemem jest to, że obecnie wiele zadań związanych z uczeniem maszynowym polega na wykonywaniu zadań, a nie na pisaniu prac lub opracowywaniu nowych metod. Możesz opracować nowe narzędzia matematyczne, badać aspekty VC swojej metody, jej leżącą u podstaw teorię złożoności itp., Ale w końcu możesz nie uzyskać czegoś, na czym będą się zwracać praktycy.

Tymczasem spójrz na coś jak pozory . Zasadniczo żadna nowa matematyka nie powstaje z pozorów. Jest całkowicie nieelegancki, niezgrabny i pozbawiony jakiegokolwiek matematycznego wyrafinowania. Ale skaluje się do dużych zestawów danych niezwykle dobrze i wygląda na to, że będzie to podstawowy element rozpoznawania pozów (szczególnie w wizji komputerowej) przez jakiś czas. Ci badacze wykonali świetną robotę i ich praca należy pochwalić, ale nie jest to coś, co większość ludzi kojarzy z doktoratem z zakresu uczenia maszynowego.

Przy takim pytaniu otrzymasz mnóstwo różnych opinii, więc zdecydowanie rozważ je wszystkie. Obecnie jestem doktorantem w dziedzinie wizji komputerowej, ale postanowiłem wcześniej zakończyć studia z tytułem magistra i będę pracował dla firmy zarządzającej aktywami, uczącej się maszynowego języka naturalnego, statystyk obliczeniowych itp. Rozważyłem także zadania eksploracji danych oparte na reklamach w kilku dużych firmach telewizyjnych oraz kilka zadań robotyki. We wszystkich tych domenach jest wiele miejsc pracy dla osób z matematyczną dojrzałością i talentem do rozwiązywania problemów w wielu językach programowania. Posiadanie tytułu magistra jest w porządku. I zgodnie z tym artykułem „The Economist” otrzymasz wynagrodzenie w zasadzie równie dobre jak osoba z doktoratem. A jeśli pracujesz poza środowiskiem akademickim,

Jak powiedział kiedyś Peter Thiel: „Absolwent szkoły jest jak naciśnięcie przycisku drzemki na budziku życia…”

Oświadczenie: Mam doktorat i praca w uczeniu maszynowym. Powiedziawszy to, myślę, że oprócz zostania naukowcem, nie potrzebujesz doktoratu. pracować w dowolnej dziedzinie. Uzyskanie stopnia doktora pomaga rozwinąć pewne umiejętności badawcze, ale

1. Nie potrzebujesz tych umiejętności badawczych do większości prac.
2. Możesz zdobyć te umiejętności bez doktoratu. stopień.

Martin Wolf , główny korespondent ekonomiczny Financial Times , nie ma doktoratu. (ma tytuł magistra), ale jego słowo ma znacznie większą wagę niż większość doktorantów. absolwenci. Myślę, że aby odnieść sukces w jakiejkolwiek dziedzinie (w tym w uczeniu maszynowym), musisz wiedzieć, jak się uczyć i dokładnie przemyśleć. Doktorat pomoże ci ćwiczyć te umiejętności, ale to nie koniec dla siebie. Każdy, kto nie chce rozmawiać z tobą tylko dlatego, że nie masz doktoratu, prawdopodobnie i tak nie jest wart pracy.

Zastrzeżenie: Nie mam doktoratu z CS, ani nie pracuję w uczeniu maszynowym; Generalizuję na podstawie innej wiedzy i doświadczenia.

Myślę, że jest tu kilka dobrych odpowiedzi, ale, moim szczerym zdaniem, nie wyjaśniają one jeszcze w głównej kwestii. Spróbuję to zrobić, ale uznaję, że nie sądzę, że mówię coś zupełnie innego. Główny problem tutaj dotyczy rozwoju umiejętności vs. sygnalizacji .

Jeśli chodzi o rozwój umiejętności , ostatecznie chcesz (jako pracownik), aby móc dobrze wykonać pracę, wykonać ją dobrze i szybko, a pracodawca chce (lub prawdopodobnie powinien) taką osobę. Tak więc pytanie brzmi: ile dodatkowych umiejętności zdobywasz podczas dodatkowych kilku lat szkolenia akademickiego? Z pewnością powinieneś coś zyskać, ale pamiętaj, że ludzie, którzy nie kontynuują nauki w szkole wyższej, prawdopodobnie nie siedzą na ławce, dopóki nie ukończą szkoły. W ten sposób porównujesz jeden zestaw doświadczeń (akademickich) z innym (praca). Dobry kawałek zależy od jakości i charakteru doktoratu. program, twoje wewnętrzne zainteresowania, to, jak jesteś samokierujący i jakie możliwości i wsparcie byłyby dostępne w pierwszej pracy.

Oprócz wpływu, jaki ciągłe szkolenie akademickie ma na rozwój umiejętności, pojawia się pytanie o efekt i wartość sygnału (tj. O dołączenie „Ph.D” po twoim nazwisku). Sygnał może pomóc na dwa sposoby: Po pierwsze, może pomóc ci w znalezieniu początkowej pracy i nie należy tego odrzucać - może to być bardzo ważne. Badania wykazały, że osoby, które są zobowiązane do rozpoczynania pracy na nieodpowiednim dla nich pierwszym miejscu, nie mają zwykle tak dobrych wyników (średnio pod względem kariery zawodowej), jak osoby, które rozpoczynają dobrą pracę pasują do swoich umiejętności i zainteresowań. Z drugiej strony wydaje się, że konsensus jest taki, że po pierwszej pracy na twoje przyszłe perspektywy znacznie większy wpływ ma twoja praca w poprzedniej pracy niż twoje kwalifikacje akademickie.

Drugi aspekt sygnału dotyczy związku między analitykiem a konsumentem analizy. @EMS robi dobrą robotę, przedstawiając ten punkt w komentarzu. Istnieje wiele małych sklepów konsultingowych, które uwielbiają mieć doktoraty, aby pochwalić się potencjalnymi klientami: na początkowych spotkaniach próbujących zawrzeć umowę, na papierze firmowym, w prezentacjach gotowych produktów roboczych itp. Doktoranci są zawsze tam. Łatwo jest być cynicznym w tej sprawie, ale myślę, że ma to uzasadnioną wartość dla firmy konsultingowej i konsumenta (który może nie wiedzieć wiele o tych sprawach i może użyć poświadczeń, aby pomóc im wybrać firmę, która wykona dla nich dobrą robotę) . Za kulisami część pracy może być skierowana do kompetentnych ludzi o mniejszych kwalifikacjach, ale chcą oni doktoratu. dla interfejsu i wypisać się na produkcie roboczym przed jego dostarczeniem. Widziałem coś analogicznego ze start-upem, jeśli próbują przyciągnąć kapitał i chcą uspokoić inwestorów.

Zgadzam się z większością tego, co tu powiedziano, ale chcę przedstawić kilka praktycznych problemów, które pojawiają się podczas ubiegania się o pracę w finansach. Często zobaczysz reklamy informujące, że doktorat z statystyki lub matematyki jest wymagany do ubiegania się o określoną pozycję handlową lub ilościową na stanowisku programisty. Wiem, że istnieją pewne szczególne powody. Nie mówię, że to prawda, ale w praktyce dzieje się tak:

• Jest wielu kandydatów do pracy, szczególnie w najbardziej znanych firmach, a pracodawca nie jest w stanie poświęcić wystarczającej ilości czasu każdemu kandydatowi. Filtrowanie aplikacji na podstawie środowiska akademickiego zmniejsza liczbę ludności do łatwiejszej do opanowania liczby. Tak, nie będzie. Tak, nie jest to najlepszy sposób na znalezienie produktywnych osób. Ale średnio patrzysz na wykwalifikowanych specjalistów, którzy poświęcili lata na naukę rzemiosła. Powinni oni przynajmniej mieć dyscyplinę, by wyprzedzić złożony projekt badawczy.

• Zespół i firma zostaną wzbogacone przez wielu doktorantów, aby zaprezentować się inwestorom i klientom. Dzięki temu firma zyska wizerunek „cudownej” wiedzy i zyska na jej reputacji. Wartość niematerialna spółki może wzrosnąć. Przeciętny inwestor będzie bardziej pewny w przekazywaniu kapitału tak wykwalifikowanemu zespołowi naukowców. Podobny punkt można powiedzieć o MBA.

• Wreszcie czasem polityka korporacyjna nakazuje, aby wyższe osiągnięcia akademickie miały preferencyjną ścieżkę kariery i wynagrodzenie. Uważam, że dotyczy to większości korporacji z różnych branż, nie tylko finansów. Trudno jest zobaczyć Johna z licencjatem nauk informatycznych zarządzającym doktoratami z matematyki.

Oświadczenie: Jestem rekrutem i jestem od 1982 roku, więc bardzo dobrze rozumiem twoje pytanie. Pozwól mi to rozbić w ten sposób. Twoje CV jest urządzeniem do ekranowania. Firmy otrzymują mnóstwo CV, więc czytają CV z jednym pytaniem: „Dlaczego nie chcę rozmawiać z tą osobą?” To zmniejsza ich stos do kilku kandydatów, którzy mają największe szanse na zaspokojenie swoich potrzeb. Więc jeśli otrzymujesz wywiady, a twoje CV nie pokazuje doktoratu, dzieje się tutaj coś innego. Mówię to, ponieważ podobnie jak CV jest urządzeniem screening OUT, wywiad jest urządzeniem screening IN. Gdy zaprosili Cię na rozmowę, stwierdzili, że masz wystarczająco dużo „na papierze”, aby wykonać zadanie. Więc kiedy idziesz w wywiadzie, jedynym pytaniem jest: naprawdę pytam: „dlaczego mam cię zatrudnić?” Zatrudniana osoba to osoba, która odpowie, że najlepiej zaspokoi potrzeby firmy.

Moja rada jako rekrutera polega na zadawaniu pytań podczas wywiadu w celu określenia ich głębszych potrzeb. Uwierz mi, opis stanowiska rzadko przypomina prawdę, więc będziesz chciał sprawdzić ich skróty, a następnie sprzedać bezpośrednio te problemy. Nie pozwól, aby wywiad czuł się jak przesłuchanie, czekając na koniec, by zadać pytania. Zapalisz się w płomieniach i powiesz „nie masz doktoratu”. Szanujcie, a jednocześnie okazujcie gotowość pomocy w rozwiązaniu ich problemu.

Moje ulubione pytanie brzmi: „Jakie są cechy najlepszej osoby, jaką kiedykolwiek znałeś w tej roli?” Każdy ma na myśli zespół marzeń, dlatego ważne jest, aby dowiedzieć się, jakie cechy jego zdaniem są niezbędne, aby odnieść sukces w tej roli. Pamiętaj, że nie jest to pytanie o doświadczenie, pochodzenie czy stopnie naukowe. Widzisz, zawsze mogę znaleźć miernego doktora z ogromnym doświadczeniem, więc to nie jest święty Graal. To, co firmy nadal uważają za najlepsze, ponieważ IMO nie wiedzą, jak inaczej napisać opis stanowiska, który oddaje istotę osoby, której potrzebują.

Moje 2 centy: Nie, nie sądzę. Doktorat jako taki nie uprawnia do bycia lepszym do eksploracji danych lub ML. Weźmy Jeremy'ego Howarda. Powiedziałbym nawet, że doktor nie mówi wiele o żadnych kwalifikacjach, ponieważ istnieje ogromna zmienność w jakości programów. Być może jedyną rzeczą, którą potwierdza doktorat, jest posiadanie przez posiadacza wysokiej tolerancji na frustrację.

Konkluzja: Jeśli jesteś zainteresowany tą dziedziną, posiadający wiedzę, kreatywny i pracowity, dlaczego potrzebujesz doktora? To ty powinieneś liczyć, a nie tytuły.

To, czy praca wymaga doktoratu, zależy od poziomu odpowiedzialności i postrzegania pracodawcy i / lub jego klientów. Nie sądzę, aby istniała dyscyplina wymagająca doktoratu. Z pewnością można nauczyć się eksploracji danych, a pracownik może wykonywać produktywną pracę bez doktoratu. Zależy to bardziej od osoby, jej umiejętności szybkiego uczenia się i adaptacji, a także umiejętności rozumienia literatury, niż od wcześniejszej edukacji. Jest to szczególnie prawdziwe w przypadku eksploracji danych, która ewoluuje. Tak więc, nawet z czasem doktoranci z doktoratami będą musieli się więcej nauczyć.

Mam tytuł magistra statystyki stosowanej i pracowałem w Europie jako Data Miner. Kiedy przyjechałem do Wielkiej Brytanii, nikt nawet nie słyszał o eksploracji danych, nie mówiąc już o studiowaniu do takiego stopnia. Teraz jest to powszechne miejsce i pracodawcy uważają, że doktorat jest niezbędny do tej pracy. Ważna jest jednak wiedza statystyczna i aspekt modelowania. Z mojego doświadczenia wynika, że ​​większość informatyków nie rozumie statystyk i dlatego nie jest w stanie dobrze wykonywać swojej pracy. Zacząłem uczyć, a teraz rejestruję się, aby zrobić doktorat z zakresu statystyki stosowanej, aby zadowolić tych pracodawców. Prawdopodobnie znam więcej niż większość doktorantów, którzy studiowali mój tytuł magistra w latach 80., kiedy poziom był bardzo wysoki. Uważam się za dobrego eksploratora danych, trzeba mieć doświadczenie w statystyce.

Zależy to całkowicie od wykonywanej pracy. Z mojego doświadczenia (mam doktorat) są 3 rodzaje pracy. Po pierwsze, jak powiedziano, większość miejsc pracy w branży koncentruje się obecnie na stosowanym uczeniu maszynowym, tj. Dostosowaniu istniejących algorytmów ML do danego problemu specyficznego dla domeny. Są to zdecydowanie najczęstsze prace ML, a stopień magistra jest więcej niż wystarczający do tego rodzaju zadań. Mniejsza liczba miejsc pracy, które znajdują się w skrzydle badawczym firm lub uniwersytetów, jest instytucją aplikującą, dostosowującą i tworzącą miejsca pracy ML dla konkretnego problemu. Doświadczenie w tworzeniu nowej metody poprzez spojrzenie na istniejące metody przy użyciu nowej matematyki zwykle zajmuje trochę czasu, a doświadczenia te są zazwyczaj zdobywane podczas doktoratu, ponieważ nowy wynik teoretyczny powinien być wystarczająco solidny, aby uzyskać akceptację tych samych partnerów (publikacja). Ostatnim i prawdopodobnie najtrudniejszym, najwyższym ryzykiem i najbardziej nietypowym rodzajem pracy są czysto teoretyczne rzeczy, które mają miejsce na uniwersytetach badawczych, gdzie celem jest całkowite opracowanie nowego algorytmu lub lepsze zrozumienie matematycznych właściwości istniejących algorytmów (musi również bądź wystarczająco dobry, aby zostać opublikowanym). To także doświadczenie zwykle zdobywane jako doktorat. Podczas gdy doktorant mógł mieć pewien kontakt ze wszystkimi trzema rodzajami pracy podczas szkolenia (wyłącznie ze względu na czas trwania programu i fakt, że nie ma bezpośrednich terminów dotyczących produktu, takich jak prawdziwa praca) zazwyczaj jest dobrze wyszkolony do pierwszej pracy i prawdopodobnie miałby tylko niewielkie narażenie na 2. i 3. rodzaj pracy.

Nie sądzę, że doktorat jest wymagany na każdej pozycji uczenia maszynowego. Dobry mistrz i dociekliwy umysł z matematyczną ciekawością to wszystko, czego potrzebuje. Doktor przesądza o podejściu do specjalizacji, co jest niepożądane. Pracuję nad podstawowymi algorytmami uczenia maszynowego i koduję większość z nich tak, jak chcę. I widziałem wielu doktorantów o złym sposobie myślenia. Doktoranci są głównie motywowani czysto teoretycznymi problemami, w przeciwieństwie do przemysłu, w którym nacisk kładziony jest na szybkie rozwiązania

Ludzie, którzy spoglądają z góry na doktorat, albo wcale nie wiedzą, co oznacza doktorat, albo po prostu celowo robią nieprawdziwe komentarze; większość szkoleń magisterskich w żaden sposób nie może się równać ze szkoleniami doktoranckimi. intensywność i dyscyplina w szkoleniu doktoranckim wymaga niewyobrażalnego poświęcenia, samodyscypliny, umiejętności uczenia się pod wielką presją i solidnych zestawów umiejętności ..., tytuł doktora już to udowodnił, regularny tytuł magistra tutaj w Ameryce nie jest taki sam poziom w ogóle ....