Doktora olmadan veri madenciliği alanında çalışmak

Bir süredir veri madenciliği ve makine öğrenimi ile çok ilgilenmiştim , kısmen okulda o alanda yoğunlaştığım için, aynı zamanda sadece programlamadan biraz daha fazla düşünce gerektiren sorunları çözmeye çalışırken gerçekten çok daha heyecanlı olduğum için bilgi ve kimin çözümü çok formlara sahip olabilir. Araştırmacı / bilim adamı geçmişim yok, veri analizine önem veren bir bilgisayar bilimi geçmişinden geliyorum, yüksek lisans derecem var ve doktora derecem yok. Şu anda veri analizi ile ilgili bir pozisyonum var, fakat yaptığım şeyin asıl odağı olmasa da, en azından buna iyi bir şekilde maruz kalıyorum.

Bir süre önce birkaç firmada bir iş için röportaj yaparken ve birkaç işe alım uzmanı ile görüştüğümde, insanların makine öğrenimi için doktora yapmak zorunda olduğunuzu düşündükleri gibi, ortak bir kalıp buldum . biraz fazla genelleme (bazı şirketler özellikle doktoraları pek aramıyorlardı).

Bu alanda doktora yapmanın iyi olduğunu düşünürken, bunun kesinlikle gerekli olduğunu düşünmüyorum . Çoğu gerçek dünyadaki makine öğrenme algoritmaları hakkında oldukça iyi bir bilgiye sahibim, çoğunu kendim (okulda veya kişisel projelerde) uyguladım ve genel olarak makine öğrenimi / veri madenciliği ve istatistikle ilgili sorunlara yaklaşırken kendime güvenim çok yüksek. . Ayrıca, bu konuda çok bilgili görünen benzer profili olan bazı arkadaşlarım da var, ancak genel olarak şirketlerin doktora yapmadığınız takdirde veri madenciliğinde işe alım konusunda oldukça utangaç olduklarını hissediyorum.

Biraz geri bildirim almak istiyorum, bu alanda çok odaklanmış bir işe sahip olmak için doktora kesinlikle gerekli olduğunu düşünüyor musunuz?

(Bu soruyu buraya göndermeden önce biraz tereddüt ettim, ancak meta üzerinde kabul edilebilir bir konu olduğu için, bir süredir düşündüğüm bu soruyu göndermeye karar verdim.)

Aslında sonucunun tam tersinin doğru olduğuna inanıyorum. Gelen Tek Academic birkaç işaretçiler lisansüstü sahipleri üzerinde doktora sahipleri için uygulamalı matematik, matematik ve bilgisayar bilimlerinde düşük ücret prim konusunda verilmektedir. Kısmen, bunun nedeni şirketlerin yüksek lisans derecesi sahiplerinin genellikle teorik derinliğe, daha iyi programlama becerilerine sahip olduklarını ve daha esnek olduklarını ve şirketlerinin özel görevleri için eğitilebileceğini fark etmeleridir. Örneğin, şirketinizin karar ağaçlarına dayanan altyapısını takdir etmek için bir SVM öğrencisi edinmek kolay değil. Çoğu zaman, birisi belirli bir makine öğrenme paradigmasına tonlarca zaman ayırdığında, üretkenliklerini diğer alanlara yaymakta zorlanırlar.

Diğer bir problem, bugünlerde birçok makine öğrenim işinin, işleri yapmaktan ibaret olduğudur, kağıt yazmak ya da yeni yöntemler geliştirmekle ilgili değildir. Yeni matematiksel araçlar geliştirmek, yönteminizin VC boyutlu yönlerini incelemek, karmaşıklık teorisini vb. İncelemek için yüksek riskli bir yaklaşımla karşı karşıya kalabilirsiniz.

Bu arada, poselets gibi bir şeye bakın . Temel olarak hiçbir poseletten yeni bir matematik çıkmaz. Tamamen düzensiz, zorlu ve herhangi bir matematiksel karmaşıklığa sahip değil. Ancak, büyük veri kümelerini şaşırtıcı derecede iyi ölçeklendirir ve bir süre için poz tanımada (özellikle bilgisayarlı vizyonda) temel bir unsur olacak gibi görünüyor. Bu araştırmacılar harika bir iş çıkardılar ve çalışmaları alkışlanacak, ancak bu çoğu insanın doktora öğrenen bir makine ile ilişkilendirdiği bir şey değil.

Bunun gibi bir soru ile, tonlarca farklı fikir edinebilirsiniz, bu nedenle elbette hepsini düşünün. Şu anda bilgisayar vizyonunda doktora öğrencisiyim, ancak programımı erken bir master derecesi ile bırakmaya karar verdim ve doğal dil makine öğrenmesi, hesaplama istatistikleri vb. Yapan bir varlık yönetimi şirketi için çalışacağım. birkaç büyük TV şirketindeki reklam tabanlı veri madenciliği işleri ve birkaç robotik işi. Tüm bu alanlarda, matematiksel olgunluğu olan biri için birçok iş var ve çoklu programlama dillerinde problem çözme becerisi var. Yüksek lisans derecesi olması iyi. Ve, bu Ekonomist makalesine göre, temel olarak tıpkı doktora yapan biri olarak size ödeme yapılacak. Ve eğer akademi dışında çalışıyorsanız,

Peter Thiel'in bir keresinde söylediği gibi, "Lisansüstü okul, hayatın çalar saatindeki erteleme düğmesine basmak gibidir ..."

Yasal Uyarı: Doktora derecem var ve makine öğreniminde çalışır. Bunu söyledikten sonra, akademik olmaktan başka bir doktoraya ihtiyacın olmadığını düşünüyorum. herhangi bir alanda çalışmak için. Doktora almak belirli araştırma becerilerinizi geliştirmenize yardımcı olur, ancak

1. Çoğu iş için bu araştırma becerilerine ihtiyacınız yok.
2. Doktora yapmadan bu becerileri kazanabilirsin. derece, aşama.

Financial Times’ın baş muhabiri Martin Wolf’un doktorası yok. (yüksek lisans derecesine sahip), ama sözleri doktora derecesinden çok daha fazla ağırlık taşıyor. mezun. Herhangi bir alanda (makine öğrenmesi dahil) başarılı olmayı düşünüyorum, kendi başınıza nasıl kapsamlı şeyler öğreneceğinizi ve düşüneceğinizi bilmek zorundasınız. Doktora Bu becerileri uygulamana yardımcı olacak, ama bu kendine bir son değil. Sadece doktora dereceniz olmadığı için sizinle röportaj yapmak istemeyen herkes, muhtemelen yine de çalışmaya değmez.

Feragatname: CS'de doktora derecem yok, ne de makine öğrenimi için çalışıyorum; Diğer bilgi ve deneyimlerden genelleştiriyorum.

Burada birkaç iyi cevap olduğunu düşünüyorum, ancak dürüst kanaatime göre, asıl konuyu henüz açıkça belirtmediler. Bunu yapmaya çalışacağım, ancak radikal bir şekilde farklı bir şey söylediğimi sanmadığımı kabul ediyorum. Buradaki asıl mesele, beceri gelişimi ve sinyalleme ile ilgilidir .

Beceri gelişimi ile ilgili olarak , nihayetinde (bir çalışan olarak) işin yapılmasını, iyi ve hızlı bir şekilde yapılmasını ve işveren böyle bir kişiyi ister (veya büyük olasılıkla yapması gerekir) elde etmesini istersiniz. Dolayısıyla, buradaki soru, birkaç yıl sürecek akademik eğitim ile ne kadar ekstra beceri gelişimi elde ettiğinizdir? Elbette bir şeyler kazanıyor olmalısınız, ancak lisansüstü okula devam etmeyenlerin mezun olana kadar sadece dufflarına oturmadıklarını kabul edin. Bu nedenle, bir deneyimleri (akademik) diğerine (iş) göre karşılaştırıyorsunuz. İyi bir bit doktora niteliğine ve niteliğine bağlıdır. program, kendine özgü ilgi alanların, kendini yönetmenlik ve ilk işinde ne tür fırsatlar ve destek olacağı.

Akademik eğitimin beceri gelişimi üzerindeki etkisinin dışında, sinyalin etkisinin ve değerinin bir sorunu var (yani adınıza sonra "Doktora" eklenmesi). Sinyal iki şekilde yardımcı olabilir: Birincisi, ilk işinizi yapmanıza yardımcı olabilir ve bu görevden alınmamalıdır - bu çok önemli olabilir. Araştırmalar, kendileri için uygun olmayan bir ilk pozisyonda başlamak zorunda olan kişilerin, iyi bir işte başlayacak insanlar olarak asla (ortalama olarak kariyer açısından akıllıca) olma eğiliminde olmadıklarını göstermiştir. yetenekleri ve ilgi alanlarıyla eşleşir. Öte yandan, fikir birliği ilk işinizden sonra , gelecekteki beklentilerinizin önceki işinizdeki performansınızdan akademik bilgilerinizden çok daha fazla etkilendiği görülmektedir.

Sinyalin ikinci yönü, analizci ile analizin tüketicisi arasındaki ilişkiyle ilgilidir. @EMS bir de bu noktayı getirerek iyi bir iş yapar comment. Çok sayıda küçük danışmanlık dükkanı var ve potansiyel müşterilere gösterecekleri doktora yapmaktan hoşlanıyorlar: ilk görüşmelerde, bir sözleşmeye girmeye çalışarak, antetli kağıtlara, bitmiş iş ürünlerinin sunumlarında vs. Doktora her zaman oradadır. Bu konuda alaycı olmak kolaydır, ancak danışmanlık firması ve tüketici için meşru bir değer olduğunu düşünüyorum (bu konular hakkında pek bir şey bilmeyebilir ve kendileri için iyi bir iş yapacak bir firma seçmelerine yardımcı olmak için kimlik bilgilerini kullanabilir). . Sahnelerin arkasında, eserin bir kısmı daha az güvenirlik düzeyine sahip yetkin kişilere verilebilir, ancak doktora istiyorlar. ön uç için ve iş ürünü teslim edilmeden önce imzalanması. Sermayeyi çekmeye çalışıyorlarsa ve yatırımcıları güvence altına almak istiyorlarsa, başlangıçta buna benzer bir şey görebiliyordum.

Burada söylenenlerin çoğuna katılıyorum, ancak finans alanındaki işlere başvururken ortaya çıkan birkaç pratik konuyu tanıtmak istiyorum. Genellikle, istatistik veya matematikteki doktora derecesinin belirli bir işlem veya kantitatif geliştirici pozisyonuna başvurması gerektiğini belirten reklamlar görürsünüz. Bunun bazı özel nedenleri olduğunu biliyorum. Zihin, bunun doğru olduğunu söylemiyorum ama pratikte olan şey bu:

• Özellikle en tanınmış şirketler için işe başvuranlar var ve işveren muhtemelen her aday için yeterli zaman ayıramaz. Akademik geçmişe dayalı filtreleme uygulamaları, popülasyon boyutunu daha kolay yönetilebilir bir sayıya küçültür. Evet, özlenecekler. Evet, üretken birey bulmanın en iyi yolu bu değil . Fakat ortalama olarak, zanaat öğrenmek için yıllarını ayırmış yetenekli profesyonellere bakıyorsunuz. En azından karmaşık bir araştırma projesini ele geçirmek için disipline sahip olmalılar.

• Takım ve şirket, yatırımcılara ve müşterilerine gösterecekleri doktora ile zenginleştirilecektir. Bu şirkete "oracleous" bilgisinin bir görüntüsünü verecek ve itibarına fayda sağlayacaktır. Şirketin maddi olmayan değerlemesi yükselebilir. Ortalama bir yatırımcı, sermayelerini bu kadar bilgili bir bilim insanı ekibine vermekte daha emin olacaktır. MBA'ler hakkında da benzer bir noktaya değinebilirsiniz.

• Son olarak, bazen kurumsal politikalar, yüksek akademik başarıların tercihli bir kariyer yoluna ve tazminatlara sahip olmasını zorunlu kılar. Bunun sadece finanse değil, farklı sektörlerdeki çoğu şirket için de geçerli olduğuna inanıyorum. John'u matematikte doktora yapan bilgisayar bilimlerinde bir BS ile görmek zordur.

Sorumluluk reddi: Ben bir işverenim ve 1982'den bu yana bulunduğum için sorunuzu çok iyi anladım. Bırak bu yoldan. Özgeçmişiniz bir tarama cihazıdır. Şirketler tonlarca özgeçmiş alıyor, bu yüzden aklındaki bir soru ile özgeçmişlerini okuyorlar, "Neden bu kişiyle konuşmak istemiyorum?" Bu, kazıklarını, gereksinimlerini en iyi şekilde karşılayacak şansı olan birkaç adaya indirger. Eğer röportaj alıyorsanız ve özgeçmişiniz doktora göstermiyorsa, burada başka bir şey var demektir. Diyorum ki, bir özgeçmiş bir tarama OUT aygıtı olduğu için, röportajın bir tarama IN aygıtı olduğu söyleniyor. Sizi bir röportaja davet ettiklerinde, işi yapmak için yeterince "kağıt üzerinde" olduğuna karar verdiler. Görüşme sırasında yürüdüğünüz tek soru, Gerçekten soruyorum "Neden seni işe almalıyım?" Kiraladıkları kişi, şirketin ihtiyaçlarına en iyi şekilde hizmet edebileceklerini belirten kişi olacaktır.

İşveren olarak tavsiyem , daha derin ihtiyaçlarını belirlemek için görüşme boyunca sorular sormaktır . İnan bana, iş tanımı nadiren gerçeğe benziyor, bu yüzden sıcak düğmelerini araştırmak ve sonra doğrudan bu konulara satış yapmak isteyeceksiniz. Röportajın bir sorgulama gibi hissetmesine izin vermeyin, soru sormayı sonlandırın. Alevler içinde inecek ve sonunda "doktora derecen yok" denileceksin. Saygılı olun, ancak sorunlarını çözmelerine yardımcı olma isteğinizi gösterin.

En sevdiğim soru: " Bu rolde tanıdığınız en iyi kişinin özellikleri nelerdir ?" Herkesin aklında bir rüya ekibi var, bu yüzden bu rolde başarılı olmak için hangi özelliklerin gerekli olduğunu anlamak önemlidir . Unutmayın, bu deneyim, geçmişler veya derecelerle ilgili bir soru değildir. Gördüğün gibi, her zaman tonlarca tecrübesi olan vasat bir doktora bulabilirim, bu yüzden bu kutsal kâse değil. Şirketlerin en iyi düşünmeye devam ettiği şey budur, çünkü IMO ihtiyaç duyduğu kişinin özünü yakalayan bir iş tanımı yazmayı nasıl bilemezler.

2 sentim: Hayır, sanmıyorum. Bir doktora kendi başına veri madenciliği veya ML için daha iyi olma hakkını vermez. Kaggle'ın kendi Jeremy Howard'ını al. Doktora programlarının kalitesinde çok büyük bir değişkenlik olduğu için herhangi bir yeterlilik hakkında pek bir şey söylemediğimi söyleye kadar giderdim. Muhtemelen doktora kanıtladığı tek şey, sahibinin yüksek bir hayal kırıklığı toleransına sahip olmasıdır.

Alt satır: Bu alanla ilgileniyorsanız, bilgili, yaratıcı ve çalışkansanız, neden doktora almalısınız? Sayman gereken, unvanlarınızı değil.

Bir işin doktora gerektirip gerektirmemesi, sorumluluk seviyesine ve işveren ve / veya müşterilerinin algısına bağlıdır. Doktora gerektiren bir disiplin olduğunu sanmıyorum. Kesinlikle veri madenciliği öğrenilebilir ve bir çalışan doktora olmadan verimli çalışabilir. Bu daha çok kişiye, çabuk öğrenme ve uyum sağlama yeteneğine ve aynı zamanda literatürü anlayabilmeye, önceki eğitime göre daha fazla bağlıdır. Bu özellikle gelişen bir alan olan veri madenciliği için geçerlidir. Böylece doktora sahip veri madencileri bile zaman geçtikçe daha fazla öğrenecekler.

Uygulamalı İstatistik alanında yüksek lisans yaptım ve Avrupa'da Veri Madenciliği yaptım. İngiltere’ye geldiğimde, hiç kimse böyle bir derece çalışsa bile, veri madenciliğini bile duymamıştı. Şimdi yaygın bir yer ve işverenler bu iş için bir doktora gerekli olduğunu düşünüyor. Ancak, bu iş için önemli olan istatistiksel bilgi ve modelleme yönüdür. Tecrübelerime göre çoğu BT çalışanı istatistikleri anlamıyor ve bu nedenle işi iyi yapamıyor. Öğretime girdim ve şimdi bu işverenleri tatmin etmek için Uygulamalı İstatistik alanında doktora yapmak üzere kayıt oluyorum. Muhtemelen 1980'lerde, seviye çok yüksekken, Master derecem için çalıştığım çoğu doktora mezunundan daha fazlasını biliyorum. İyi bir veri madencisi olduğumu düşünüyorum, istatistikte bir geçmişe sahip olmak gerekiyor.

Bu tamamen eldeki işe bağlı. Deneyimlerime göre (Doktora derecem var) 3 tip iş var. Birincisi, söylenildiği gibi, bugünlerde çoğu endüstri işi, uygulamalı makine öğrenmeye, yani mevcut ML algoritmalarının söz konusu alana özgü soruna uygulayabilmesine yöneliktir. Bunlar bugüne kadar en yaygın ML işleridir ve bu tür işler için yüksek lisans derecesi yeterlidir. Kurumların veya üniversitelerin araştırma kanadı olan daha az sayıda iş, kurumlar alana özgü sorun için başvuru-tweak-ML işler yaratmaktadır. Yeni matematiği kullanarak mevcut metotlara bakarak yeni bir metot oluşturma tecrübesi tipik olarak biraz zaman alır ve bu tecrübeler doktora döneminde tipik olarak kazanılır, Yeni teorik sonuç, meslektaşların (yayınların) kabulünü kazanmak için yeterince sağlam olmalıdır. Son ve muhtemelen en zor, en yüksek risk ve en yaygın iş türü, odağın tamamen yeni bir algoritma ile ortaya çıkması veya mevcut algoritmaların matematiksel özelliklerini daha iyi anlaması olan araştırma üniversitelerinde devam eden teorik şeylerdir. yayınlanacak kadar iyi ol). Bu da genellikle doktora olarak edinilen deneyimdir. Bir doktora öğrencisi, eğitimi sırasında (yalnızca programın süresi ve gerçek bir iş gibi acil bir ürün teslim tarihi olmamasından dolayı) üç tür işe maruz kalsa da, MS öğrencisi tipik olarak ilk iş için iyi eğitimlidir ve muhtemelen 2. ve 3. iş türlerine yalnızca küçük riskler vermiştir.

Herhangi bir makine öğrenim pozisyonu için doktora yapılması gerektiğini sanmıyorum. İyi bir usta ve matematiksel merakı olan sorgulayıcı bir zihin, ihtiyacı olan şey. Doktora, istenmeyen bir durum olan uzmanlığınıza yönelik yaklaşımınızı önler. Çekirdek Makine öğrenme algoritmaları üzerinde çalışıyorum ve çoğunu istediğim gibi kodluyorum. Ve yanlış zihniyetle doktora yapan birçok insan gördüm. Doktora, çoğunlukla odak noktasının çabuk çalışan çözümler üzerine çalıştığı endüstrinin aksine, saf teorik problemler tarafından motive edilir.

Doktora eğitimini inceleyen insanlar ya bir doktora çalışmasının ne anlama geldiğini bilmezler ya da kasıtlı olarak yanlış yorumlar yaparlar; Çoğu yüksek lisans eğitimi doktora eğitimi ile hiçbir şekilde karşılaştırılamaz. Doktora eğitimindeki yoğunluk ve titizlik, düşünülemez bir adanmışlık, öz-disiplin, büyük baskı altında öğrenme yeteneği ve sağlam beceri setleri gerektirir. hiç seviye ....