Ich habe einen Job im Data-Mining ohne einen Doktortitel

Ich habe mich eine Zeit lang sehr für Data-Mining und maschinelles Lernen interessiert , zum Teil, weil ich in der Schule einen Schwerpunkt in diesem Bereich hatte, aber auch, weil ich wirklich viel aufgeregter bin, Probleme zu lösen, die ein bisschen mehr Gedanken erfordern als nur Programmieren Wissen und dessen Lösung kann mehrere Formen haben. Ich habe keinen Forscher- / Wissenschaftlerhintergrund, komme aus der Informatik mit Schwerpunkt Datenanalyse, habe einen Master-Abschluss und keinen Doktortitel. Ich habe derzeit eine Position in Bezug auf Datenanalyse, auch wenn dies nicht der primäre Schwerpunkt meiner Tätigkeit ist, aber ich habe zumindest eine gute Erfahrung damit.

Als ich vor einiger Zeit ein Vorstellungsgespräch für eine Stelle bei mehreren Unternehmen geführt habe und mit einigen Personalvermittlern ins Gespräch gekommen bin, habe ich ein allgemeines Muster gefunden, nach dem die Leute zu denken scheinen, dass Sie einen Doktortitel benötigen, um maschinelles Lernen zu absolvieren , auch wenn ich es bin Verallgemeinern ein bisschen zu viel (einige Unternehmen suchten nicht wirklich speziell nach Doktoranden).

Ich denke, es ist gut, in diesem Bereich zu promovieren, aber ich denke nicht, dass dies absolut notwendig ist . Ich verfüge über ziemlich gute Kenntnisse der meisten realen Algorithmen für maschinelles Lernen, habe die meisten von ihnen selbst implementiert (entweder in der Schule oder in persönlichen Projekten) und bin ziemlich zuversichtlich, wenn ich mich Problemen mit maschinellem Lernen / Data-Mining und Statistiken im Allgemeinen nähere . Und ich habe einige Freunde mit einem ähnlichen Profil, die auch darüber sehr gut informiert zu sein scheinen, aber auch das Gefühl haben, dass Unternehmen generell ziemlich schüchtern sind, wenn sie nicht promoviert haben.

Ich würde gerne ein Feedback bekommen. Halten Sie eine Promotion für absolut notwendig, um einen Job zu haben, der sich auf diesen Bereich konzentriert?

(Ich habe ein wenig gezögert, bevor ich diese Frage hier postete, aber da es ein akzeptables Thema für Meta zu sein scheint , habe ich beschlossen, diese Frage zu posten, über die ich eine Weile nachgedacht habe.)

Ich glaube, dass tatsächlich das Gegenteil Ihrer Schlussfolgerung zutrifft. In The Disposable Academic werden mehrere Hinweise auf die Niedriglohnprämie in Angewandter Mathematik, Mathematik und Informatik für Doktoranden über Master-Absolventen gegeben. Dies liegt zum Teil daran, dass Unternehmen erkennen, dass Master-Absolventen in der Regel genauso viel theoretische Tiefe und bessere Programmierkenntnisse haben und flexibler sind und für die spezifischen Aufgaben ihres Unternehmens geschult werden können. Es ist beispielsweise nicht einfach, einen SVM-Jünger dazu zu bringen, die Infrastruktur Ihres Unternehmens zu schätzen, die beispielsweise auf Entscheidungsbäumen beruht. Wenn jemand eine Menge Zeit für ein bestimmtes Paradigma des maschinellen Lernens aufgewendet hat, fällt es ihm oft schwer, seine Produktivität auf andere Bereiche zu übertragen.

Ein weiteres Problem ist, dass es bei vielen maschinellen Lernjobs heutzutage darum geht, Dinge zu erledigen, und nicht so sehr darum, Papiere zu schreiben oder neue Methoden zu entwickeln. Sie können ein hohes Risiko eingehen, um neue mathematische Werkzeuge zu entwickeln, um VC-dimensionale Aspekte Ihrer Methode, die zugrunde liegende Komplexitätstheorie usw. zu untersuchen. Letztendlich erhalten Sie jedoch möglicherweise nicht das, was den Praktikern wichtig ist.

In der Zwischenzeit schauen Sie sich so etwas wie Poselets an . Grundsätzlich entsteht aus Poselets überhaupt keine neue Mathematik. Es ist völlig unelegant, klobig und es fehlt jegliche mathematische Raffinesse. Aber es lässt sich erstaunlich gut auf große Datenmengen skalieren, und es sieht so aus, als ob es für einige Zeit eine Grundvoraussetzung für die Posenerkennung (insbesondere in der Computersicht) sein wird. Diese Forscher haben großartige Arbeit geleistet, und ihre Arbeit ist zu begrüßen, aber die meisten verbinden dies nicht mit einem maschinellen Lern-Doktortitel.

Bei einer solchen Frage werden Sie eine Menge unterschiedlicher Meinungen bekommen, also sollten Sie auf jeden Fall alle berücksichtigen. Ich bin derzeit ein Doktorand in Computer Vision, aber ich habe beschlossen, mein Programm vorzeitig mit einem Master-Abschluss zu beenden, und ich werde für eine Vermögensverwaltungsfirma arbeiten, die Maschinelles Lernen in natürlicher Sprache, Computerstatistik usw. betreibt Anzeigenbasierte Data Mining-Jobs bei mehreren großen TV-Unternehmen und einige Robotik-Jobs. In all diesen Bereichen gibt es viele Jobs für jemanden mit mathematischer Reife und einem Händchen für das Lösen von Problemen in mehreren Programmiersprachen. Ein Master-Abschluss ist in Ordnung. Und laut diesem Economist-Artikel werden Sie im Grunde genauso gut bezahlt wie jemand mit einem Doktortitel. Und wenn Sie außerhalb der Wissenschaft arbeiten,

Wie Peter Thiel einmal sagte: "Die Graduiertenschule ist, als würde man den Schlummerknopf am Wecker des Lebens drücken ..."

Haftungsausschluss: Ich habe einen Doktortitel. und im maschinellen Lernen arbeiten. Abgesehen davon denke ich, dass Sie keinen Doktortitel benötigen, außer Akademiker zu werden. in jedem Bereich zu arbeiten. Einen Doktortitel bekommen hilft Ihnen, bestimmte Forschungsfähigkeiten zu entwickeln, aber

1. Sie benötigen diese Forschungsfähigkeiten für die meisten Jobs nicht.
2. Sie können diese Fähigkeiten erwerben, ohne einen Doktortitel zu erhalten. Grad.

Martin Wolf , der Hauptwirtschaftskorrespondent der Financial Times , hat keinen Doktortitel. (er hat einen Master-Abschluss), aber sein Wort hat viel mehr Gewicht als das der meisten Doktoranden. Absolventen. Ich denke, um in jedem Bereich (einschließlich maschinellem Lernen) erfolgreich zu sein, muss man wissen, wie man selbstständig gründliche Dinge lernt und denkt. Ein Ph.D. wird Ihnen helfen, diese Fähigkeiten zu üben, aber es ist kein Selbstzweck. Jeder, der nicht bereit ist, Sie zu interviewen, nur weil Sie keinen Doktortitel haben, ist es wahrscheinlich nicht wert, für ihn zu arbeiten.

Haftungsausschluss: Ich habe keinen Doktortitel in CS und arbeite auch nicht im maschinellen Lernen. Ich verallgemeinere aus anderen Kenntnissen und Erfahrungen.

Ich denke, hier gibt es mehrere gute Antworten, aber meiner ehrlichen Meinung nach bringen sie das Hauptproblem noch nicht ganz zum Ausdruck. Ich werde es versuchen, aber ich muss erkennen, dass ich nicht glaube, dass ich etwas radikal anderes sage. Das Hauptproblem hier betrifft die Entwicklung von Fähigkeiten im Vergleich zur Signalgebung .

In Bezug auf die Kompetenzentwicklung möchten Sie (als Mitarbeiter) letztendlich, dass die Arbeit erledigt wird, dass sie gut und schnell erledigt wird, und der Arbeitgeber möchte (oder sollte) eine solche Person. Die Frage hier ist also, wie viel zusätzliche Kompetenzentwicklung Sie mit den zusätzlichen paar Jahren akademischer Ausbildung erhalten? Sicherlich sollten Sie etwas gewinnen, aber erkennen Sie, dass Menschen, die die Graduiertenschule nicht fortsetzen, wahrscheinlich nicht einfach so auf ihrem Duff sitzen, bis sie ihren Abschluss gemacht hätten. Sie vergleichen also eine Reihe von Erfahrungen (akademisch) mit einer anderen (Arbeit). Ein gutes Stück hängt von der Qualität und der Art der Promotion ab. Programm, Ihre intrinsischen Interessen, wie selbstgesteuert Sie sind und welche Möglichkeiten und Unterstützung in Ihrem ersten Job zur Verfügung stehen.

Abgesehen von der Auswirkung, die die akademische Weiterbildung auf die Entwicklung der Fähigkeiten hat, stellt sich die Frage nach der Auswirkung und dem Wert des Signals (dh nach Ihrem Namen wird ein "Ph.D." angehängt). Das Signal kann auf zwei Arten hilfreich sein: Erstens kann es Ihnen helfen, Ihren ersten Job zu bekommen, und das sollte nicht gekündigt werden - es kann sehr wichtig sein. Untersuchungen haben gezeigt, dass Menschen, die gezwungen sind, in einer ersten Position zu beginnen, die für sie nicht so angemessen ist, niemals dazu neigen, beruflich (im Durchschnitt) so gut zu sein wie Menschen, die in eine gute Arbeit eintreten passen für ihre Fähigkeiten und Interessen. Auf der anderen Seite scheint der Konsens zu bestehen, dass Ihre Zukunftsaussichten nach Ihrem ersten Job viel stärker von Ihren Leistungen in Ihrem vorherigen Job beeinflusst werden als von Ihren akademischen Qualifikationen.

Der zweite Aspekt des Signals hat mit der Beziehung zwischen dem Analytiker und dem Verbraucher der Analyse zu tun. @EMS leistet gute Arbeit, um diesen Punkt in einem Kommentar hervorzuheben. Es gibt viele kleine Beratungsunternehmen, und sie lieben es, potenziellen Kunden ihre Doktorarbeiten vorzuführen: bei ersten Besprechungen, bei denen versucht wird, einen Vertrag abzuschließen, auf Briefköpfen, bei Präsentationen fertiger Arbeitsprodukte usw. Doktoranden sind immer da. Es ist leicht, zynisch zu sein, aber ich denke, dass es einen legitimen Wert für das Beratungsunternehmen und den Verbraucher gibt (der möglicherweise nicht viel über diese Angelegenheiten weiß und mit seinen Anmeldeinformationen ein Unternehmen auswählt, das gute Arbeit für sie leistet). . Hinter den Kulissen wird ein Teil der Arbeit möglicherweise an kompetente Mitarbeiter mit geringeren Qualifikationen vergeben, die jedoch einen Doktortitel wünschen. für das Front-End und zum Abmelden des Arbeitsprodukts, bevor es geliefert wird. Ich könnte sehen, dass etwas Ähnliches mit einem Start-up passiert, wenn sie versuchen, Kapital anzuziehen und Investoren beruhigen wollen.

Ich stimme den meisten Aussagen zu, die hier gemacht wurden, möchte jedoch einige praktische Fragen aufwerfen, die sich bei der Bewerbung um eine Stelle im Finanzwesen ergeben. Häufig werden Anzeigen geschaltet, in denen angegeben wird, dass ein Doktortitel in Statistik oder Mathematik erforderlich ist, um sich für eine bestimmte Handels- oder quantitative Entwicklerposition zu bewerben. Ich weiß, dass es dafür einige besondere Gründe gibt. Vergesst, ich sage nicht, dass dies richtig ist, aber es ist das, was in der Praxis passiert:

• Es gibt viele Bewerber für die Stelle, insbesondere für die bekanntesten Unternehmen, und der Arbeitgeber kann möglicherweise nicht genug Zeit für jeden Bewerber aufwenden. Durch das Filtern von Anwendungen auf der Grundlage des akademischen Hintergrunds wird die Bevölkerungszahl auf eine überschaubare Zahl reduziert. Ja, es wird Misses geben. Ja, es ist nicht der beste Weg, um produktive Menschen zu finden . Aber im Durchschnitt suchen Sie qualifizierte Fachkräfte, die jahrelang das Handwerk erlernt haben. Sie sollten zumindest die Disziplin haben, ein komplexes Forschungsprojekt zu überholen.

• Das Team und das Unternehmen werden durch eine Reihe von Doktorarbeiten bereichert, die Investoren und Kunden vorgestellt werden. Dies wird dem Unternehmen ein Bild von "orakelhaftem" Wissen vermitteln und seinem Ruf zugute kommen. Die immaterielle Bewertung des Unternehmens kann steigen. Der Durchschnittsinvestor wird zuversichtlicher sein, einem so kenntnisreichen Team von Wissenschaftlern sein Kapital zu gewähren. Sie können einen ähnlichen Punkt über MBAs machen.

• Schließlich schreibt die Unternehmenspolitik manchmal vor, dass höhere akademische Leistungen eine bevorzugte Laufbahn und Vergütung haben müssen. Ich glaube, dass dies für die meisten Unternehmen in verschiedenen Branchen gilt, nicht nur für die Finanzbranche. Es ist schwer John mit einem BS in Computerwissenschaften zu sehen, der in Mathematik promoviert.

Haftungsausschluss: Ich bin ein Personalvermittler und bin seit 1982 tätig, daher verstehe ich Ihre Frage sehr gut. Lass es mich so zusammenfassen. Ihr Lebenslauf ist ein Screening-Gerät. Unternehmen erhalten Tonnen von Lebensläufen, daher lesen sie Lebensläufe mit der Frage: "Warum möchte ich nicht mit dieser Person sprechen?" Das reduziert ihren Haufen auf einige Kandidaten, die die besten Chancen haben, ihre Bedürfnisse zu erfüllen. Wenn Sie also Interviews erhalten und Ihr Lebenslauf keinen Doktortitel enthält, ist hier etwas anderes los. Ich sage, dass das Interview ein Screening-IN-Gerät ist, genau wie ein Lebenslauf ein Screening-OUT-Gerät ist. Sobald sie Sie zu einem Vorstellungsgespräch eingeladen haben, haben sie bereits festgestellt, dass Sie "auf Papier" genug haben, um die Arbeit zu erledigen. Also, wenn Sie in das Interview gehen die einzige Frage, die sie " Ich frage wirklich: "Warum soll ich dich einstellen?" Die Person, die sie einstellen, ist die Person, die sich mit den Bedürfnissen des Unternehmens am besten befasst.

Mein Rat als Personalvermittler ist, während des gesamten Interviews Fragen zu stellen , um die tieferen Bedürfnisse zu ermitteln. Glauben Sie mir, die Stellenbeschreibung ähnelt selten der Wahrheit, deshalb sollten Sie nach ihren Hot Buttons suchen und sie dann direkt an diese Themen verkaufen. Lassen Sie das Interview nicht wie ein Verhör erscheinen und warten Sie, bis das Ende erreicht ist, um Fragen zu stellen. Du wirst in Flammen aufgehen und am Ende erfahren, dass du keinen Doktortitel hast. Seien Sie respektvoll und zeigen Sie Ihre Bereitschaft, ihnen bei der Lösung ihres Problems zu helfen.

Meine Lieblingsfrage lautet: "Was sind die Merkmale der besten Person, die Sie jemals in dieser Rolle gekannt haben?" Jeder hat ein Traumteam im Sinn, daher ist es wichtig herauszufinden, welche Eigenschaften er für notwendig hält, um in dieser Rolle erfolgreich zu sein. Denken Sie daran, dies ist keine Frage der Erfahrung, des Hintergrunds oder des Grades. Ich kann immer einen mittelmäßigen Doktor mit einer Menge Erfahrung finden, also ist dies nicht der heilige Gral. Es ist nur das, was Unternehmen weiterhin für das Beste halten, weil sie nicht wissen, wie sie eine Stellenbeschreibung verfassen sollen, die das Wesentliche der von ihnen benötigten Person erfasst.

Meine 2 Cent: Nein, das glaube ich nicht. Eine Promotion per se berechtigt nicht dazu, für Data Mining oder ML besser zu sein. Nimm Jeremy Howard von kaggle. Ich würde sogar sagen, dass eine Promotion nicht viel über eine Qualifikation aussagt, da die Qualität der Programme sehr unterschiedlich ist. Vielleicht ist das Einzige, was ein Doktortitel beweist, dass der Inhaber eine hohe Frustrationstoleranz hat.

Fazit: Wenn Sie sich für diesen Bereich interessieren, sachkundig, kreativ und fleißig, warum brauchen Sie dann einen Doktortitel? Sie sollten zählen, nicht Ihre Titel.

Ob ein Job einen Doktortitel erfordert oder nicht, hängt von der Verantwortung und der Wahrnehmung des Arbeitgebers und / oder seiner Kunden ab. Ich glaube nicht, dass es eine Disziplin gibt, die einen Doktortitel erfordert. Natürlich kann Data Mining erlernt werden und ein Mitarbeiter kann produktiv arbeiten, ohne einen Doktortitel zu haben. Dies hängt mehr von der Person, ihrer Fähigkeit, schnell zu lernen und sich anzupassen sowie der Fähigkeit, die Literatur zu verstehen, als von der vorherigen Ausbildung ab. Dies gilt insbesondere für Data Mining, ein sich weiter entwickelndes Gebiet. Selbst die Data Miner mit Doktortitel werden im Laufe der Zeit mehr zu lernen haben.

Ich habe einen Master-Abschluss in Angewandter Statistik und arbeitete in Europa als Data Miner. Als ich nach Großbritannien kam, hatte noch niemand von Data Mining gehört, geschweige denn von einem solchen Studium. Jetzt ist es selbstverständlich und die Arbeitgeber sind der Meinung, dass eine Promotion für diesen Job erforderlich ist. Wichtig für diesen Job ist jedoch das statistische Wissen und der Modellierungsaspekt. Nach meiner Erfahrung verstehen die meisten IT-Mitarbeiter Statistiken nicht und sind daher nicht in der Lage, die Aufgabe gut zu erledigen. Ich habe unterrichtet und melde mich jetzt für eine Promotion in angewandter Statistik an, um diese Arbeitgeber zufrieden zu stellen. Ich kenne wahrscheinlich mehr als die meisten Doktoranden, die in den 1980er Jahren, als das Niveau sehr hoch war, meinen Master gemacht haben. Ich denke, um ein guter Data Miner zu sein, muss man einen Hintergrund in Statistik haben.

Das hängt ganz vom jeweiligen Job ab. Nach meiner Erfahrung (ich habe einen Doktortitel) gibt es drei Arten von Jobs. Erstens, wie bereits gesagt, sind die meisten Branchenjobs heutzutage auf angewandtes maschinelles Lernen ausgerichtet, dh auf die Anpassung bestehender ML-Algorithmen an das jeweilige domänenspezifische Problem. Dies sind bei weitem die häufigsten ML-Jobs und ein Master-Abschluss ist für diese Art von Jobs mehr als ausreichend. Eine geringere Anzahl von Arbeitsplätzen, die sich zufällig im Forschungsbereich von Unternehmen oder Universitäten befinden, sind Einrichtungen, die ML-Jobs für das domänenspezifische Problem bewerben, optimieren und erstellen. Die Erfahrung mit der Erstellung einer neuen Methode durch Betrachtung vorhandener Methoden unter Verwendung neuer Mathematik nimmt normalerweise einige Zeit in Anspruch, und diese Erfahrungen werden normalerweise während der Promotion gesammelt. da das neue theoretische Ergebnis ausreichend robust sein sollte, um die Akzeptanz von Gleichaltrigen zu erlangen (eine Veröffentlichung). Die letzte und wahrscheinlich schwierigste, risikoreichste und ungewöhnlichste Art von Arbeit sind die rein theoretischen Arbeiten an Forschungsuniversitäten, bei denen der Fokus darauf liegt, einen neuen Algorithmus vollständig zu entwickeln oder die mathematischen Eigenschaften bestehender Algorithmen besser zu verstehen (muss es auch sein) gut genug sein, um veröffentlicht zu werden). Auch dies sind typische Erfahrungen als Doktorand. Während ein Doktorand während seiner Ausbildung möglicherweise mit allen drei Arten von Jobs in Berührung gekommen ist (allein aufgrund der Dauer des Programms und der Tatsache, dass es keine unmittelbaren Produktfristen gibt, wie bei einem echten Job), hat der MS-Student möglicherweise Kontakt zu allen drei Arten von Jobs In der Regel ist er für den ersten Job gut ausgebildet und wäre wahrscheinlich nur geringfügigen Belastungen durch den zweiten und dritten Job ausgesetzt gewesen.

Ich glaube nicht, dass ein Doktortitel für maschinelles Lernen erforderlich ist. Ein guter Meister und ein forschender Kopf mit mathematischer Neugier ist alles, was es braucht. Ein Doktor voreingenommen gegenüber Ihrer Spezialisierung, was unerwünscht ist. Ich arbeite an Kernalgorithmen für maschinelles Lernen und codiere die meisten davon so, wie ich es möchte. Und ich habe viele Doktoranden mit einer falschen Einstellung gesehen. Im Gegensatz zur Industrie, in der es darum geht, Lösungen in kurzer Zeit zu erarbeiten, werden Doktoranden hauptsächlich durch rein theoretische Probleme motiviert

Leute, die die Doktorandenausbildung ablehnen, wissen entweder gar nicht, was eine Promotion bedeutet, oder machen absichtlich unwahre Kommentare. Die meisten Master-Ausbildungen können mit keiner Doktorandenausbildung verglichen werden. Die Intensität und Strenge der Doktorandenausbildung erfordert unvorstellbaren Einsatz, Selbstdisziplin, Lernfähigkeit unter hohem Druck und solide Fähigkeiten ..., ein Doktortitel hat all dies bereits bewiesen, ein regulärer Masterabschluss hier in Amerika ist nicht dasselbe Level überhaupt ....