Який розпорядок дня роботи вченого з машинного навчання?

Я студент магістерської школи в німецькому університеті, зараз пишу дисертацію. Мені закінчуться через два місяці. Я повинен прийняти дуже важке рішення, якщо продовжувати докторську чи знайти роботу в галузі.

Мої причини доктора наук:

• Я дуже допитлива людина і відчуваю, що мені все ще не вистачає надто багато знань. Я хочу багато чого навчитися, і доктор наук допоможе мені в цьому, оскільки я можу робити більше хороших курсів і читати тонни робіт та бути експертом у галузі видобутку даних та машинного навчання. Я люблю математику, але не дуже добре в ній знаходився у своєму недограді (поганий університет). Зараз у цьому німецькому університеті я відчуваю, що розвинув багато чудових математичних навичок, і хочу вдосконалити це, бо дуже люблю математику! (Я був дуже поганий у математиці в моєму підростанні та за все життя, але тепер я бачу, що я можу робити математику добре!)

• Я буду працювати з інтелектуально складними речами.

• Мені потрібно бути чесним і сказати, що також я ненавиджу бачити когось іншого з вищим ступенем, ніж я. Тож якщо я виходжу на вулицю і бачу когось із докторантом, я не мушу сказати: "о, уау, цей хлопець розумніший за мене". Я вважаю за краще бути з іншого боку. ;)

Мої причини НЕ докторант:

• Я читав в Інтернеті про те, чи робити докторську чи не робити цього. Я дізнався, що в більшості і звичайних випадках люди з докторантом виконують однакову роботу людей з майстрами. (це було загальне спостереження з інформатики, а не про ML / DM).

• Я можу почати кар’єру і заробити багато грошей за 1 або 2 роки, тоді я, мабуть, можу створити власну компанію.

Що ще не зрозуміло:

Я досі не знаю, яка моя кінцева мета наприкінці. Це мати маленьку відому компанію? Або це бути відомим вченим? У мене поки що немає відповіді на це питання.

Щоб допомогти мені прийняти рішення, я хочу знати дві речі:

• Що таке працювати науковцем / машинобудувачем з магістерською освітою? Яку роботу ви виконуєте? Особливо, коли я читаю ці оголошення на Amazon як вчений з машинного навчання, мені завжди цікаво, що вони роблять.

• Те саме питання, що і раніше, але з доктором наук. Ви робите щось інше чи те саме, що і з майстрами?

• Чи збираюся я вирішувати складні цікаві проблеми? Або якісь нудні речі?

Як невелика примітка: я бачив хлопця, який здобув науковий ступінь доктора технічного навчання (у Німеччині) і працює в компанії, яка просуває програмне забезпечення машинного навчання. Як я зрозумів, більша частина його роботи - це підготовка людей до використання методів та програмного забезпечення (дерева рішень .. тощо).

Було б чудово, якщо я можу отримати відповіді щодо досвіду, пов'язаного з Німеччиною / Швейцарією в деяких відомих хороших компаніях.

Алекс, я не можу конкретно коментувати Німеччину чи Швейцарію, але я працюю в міжнародній компанії зі штатом понад 100 000 людей з усіх різних країн. Більшість із цих людей мають принаймні ступінь випускників, багато магістрів та докторів наук, за винятком кадрів та адміністраторів, більшість із нас є експертами в одній або декількох різних наукових областях. Я маю понад 30-річний досвід роботи, працював кваліфікованим науковим / технічним спеціалістом, менеджером, менеджером проекту і врешті повернувся до суто наукової ролі, яку мені подобається. Я також брав участь з наймом персоналу і, можливо, деякі мої спостереження, які випливають, можуть бути для вас корисними.

1. Більшість нових випускників насправді точно не знають, чого хочуть, і, як правило, це потребує кількох років. У більшості випадків їх досвід на робочому місці виявляється зовсім іншим порівняно з тим, що вони очікували з цілого ряду причин. Деякі робочі місця є захоплюючими, а деякі - нудною, нудною та "політикою на робочому місці", поганими начальниками тощо, іноді можуть бути великими проблемами. Вища ступінь може або не допоможе взагалі жодним із цих питань.

2. Більшість роботодавців хочуть, щоб люди, які можуть "виконати роботу" і бути продуктивними якнайшвидше. Вищі ступені можуть чи не мають значення, залежно від роботодавця. У деяких ситуаціях двері закриваються, БІЛЬШЕ у вас є доктор наук. В інших ситуаціях двері можуть бути зачинені, оскільки у вас є доктор наук, і роботодавець хоче когось "менш теоретичного та з більш практичним досвідом".

3. Кандидат наук не обов'язково означає швидше підвищення або навіть велику різницю у зарплаті, а може і не мати жодних змін у тому, який посаду ви можете отримати. Як правило, коли я опитував кандидатів, мені було найбільше цікаво знайти людей, які мають відповідний досвід роботи. Кандидат наук може бути остаточним вирішальним фактором у закріпленні посади, ЯКЩО тема дисертації кандидата є особливо актуальною.

4. Люди схильні змінювати роботу частіше, ніж раніше. Ваш вік, розділений на 2 * пі, не є поганим правилом протягом великої кількості років, щоб залишатися на роботі, перш ніж ви почнете гуляти по колах. Деякі люди працюють деякий час, а потім повертаються до вищих навчальних закладів. Деякі люди (як я) починають докторську ступінь, а потім отримують "пропозицію занадто добре, щоб відмовитись" і залишають докторанту йти працювати. Мені шкода, що я це зробив? НІ, зовсім не, і якби я починав заново, я б все-таки зробив докторську ступінь у зовсім іншій темі.

5. Найкраща пропозиція, яку я можу дати вам, - це робити те, що вам найбільше подобається робити, і дивитися, як воно розгортається. Ніхто більше не може сказати вам, що буде найкраще для вас. Іноді просто потрібно щось спробувати, а якщо це не виходить, то вчитися на цьому якнайбільше і переходити до чогось іншого. Як сказав Роден: Ніщо не втрачає часу, якщо розумно використовувати досвід.

Перш ніж описати свою думку про рутинну роботу, я підберу кілька фрагментів вашої публікації, які, на мою думку, є актуальними (акцент мій):

1. Я дуже допитлива людина
2. Буде працювати з інтелектуально складними речами
3. Мені потрібно бути чесним і сказати, що також я ненавиджу бачити когось іншого з вищим ступенем, ніж я ( суєта )
4. Я можу почати кар’єру і заробити багато грошей за 1 або 2 роки
5. створити власну компанію

Виходячи з 1 і 2, ви, мабуть, дуже романтично бачите наукові дані та дослідження загалом. Так, ви будете працювати над цікавими проблемами, але, безумовно, цілодобово (це стосується як галузі, так і наукових досліджень).

Виходячи з 2 і 3, ви, здається, вважаєте дослідження вершиною людського інтелекту і вважаєте доктор наук як сертифікацію ваших розумних. Я не згоден, тому що:

• Існують інтелектуальні проблеми як в наукових дослідженнях, так і в галузі. Я думаю, що це дивне припущення, що вчені стикаються з найважчими.
• Доктор наук не означає, що ти розумний, це означає, що ти маєш те, що потрібно, щоб зробити хороші дослідження у своїй галузі. Дослідження полягає не в тому, щоб бути розумнішим за когось іншого (хоча це допомагає). Творчість та підхід до проблем з іншого боку також є дуже важливими якостями. Якщо ви хочете отримати якісь докази того, що ви розумніший за наступну людину, робіть тести Mensa, а не докторські.

_{На мою особисту думку, найрозумніші люди - це ті, хто закінчує жити щасливим життям із вибором, який вони зробили, чи це означає стати ядерним фізиком чи столяром. Не приймайте своїх рішень на основі того, надають чи ні вам щось, щоб показати себе.}

Виходячи з 4 і 5, схоже, ви передбачите в якийсь момент створити власну компанію. Майте на увазі, що, роблячи стартапи, навіть орієнтовані на технологію, ви, швидше за все, не збираєтесь витрачати більшість свого часу на фактичну технологію. Маркетинг, бізнес-плани, менеджмент тощо, однаково важливі для успішних стартапів. Як ви очікуєте, що кандидат наук допоможе?

Тепер, коли ці передумови не вдається: моя особиста думка щодо розпорядку роботи вченого з машинного навчання. Перш за все: ви працюєте з найсучаснішими методами на великих / складних / цікавих наборах даних з акцентом на ваш вибір. Це, звичайно, дуже цікава робота.

... АЛЕ

Справжнє машинне навчання передбачає багато бурхливої ​​роботи

Ви не будете проводити кожну робочу годину в утопічному світі, сповненому математичної вишуканості, поки армія комп’ютерів робить ваші ставки. Значна частина вашого часу буде витрачена на грубість роботи: управління базами даних, підготовка наборів даних, нормалізація матеріалів, боротьба з невідповідностями тощо тощо. Я більшу частину часу витрачаю на виконання подібних завдань. Вони з часом не стають більш захоплюючими. Якщо ви не захоплюєтесь своєю темою, з часом ви втратите мотивацію робити ці речі.

Якщо ви взяли заняття з машинного навчання, ви зазвичай отримуєте гарненько марковані набори даних без невідповідностей, відсутніх даних, де все як слід. Це не машинне навчання в реальному житті. Ви витратите більшу частину свого часу на те, щоб спробувати дійти до того моменту, коли ви готові запустити улюблений алгоритм.

Управління сподіванням у співпраці

Якщо ви хочете робити міждисциплінарні проекти, вам доведеться навчитися працювати з людьми, які мало що знають про те, що ви робите (це справедливо для будь-якої спеціалізації). У машинному навчанні, що часто передбачає один з двох сценаріїв:

• Ваші співпрацівники бачили занадто багато телебачення і думають, що ви можете вирішити все, за допомогою фантазійного алгоритму та безлічі прикольних візуалізацій.
• Ваші співробітники не розуміють методи, якими ви користуєтесь, і як такі не бачать переваг чи потенційних застосувань.

• Що таке працювати науковцем / машинобудувачем з магістерською програмою? Яку роботу ви виконуєте? Особливо, коли я читаю ці оголошення на Amazon як вчений з машинного навчання, мені завжди цікаво, що вони роблять.

Ділові проблеми насправді не змінюються залежно від вашого ступеня, тому ви подивитесь на ті самі чи подібні речі. Якщо ви працюєте у великій організації, ви працюєте над великими наборами даних компанії. Зазвичай це можуть бути дані про продукцію / клієнта або оперативні дані (дані хімічного процесу, дані фінансових ринків, дані про трафік веб-сайтів тощо). Загальною метою є використання даних, щоб заощадити гроші або заробити гроші для компанії.

• те саме питання, що і раніше, але з доктором наук. Ви робите щось інше чи те саме, що і з майстрами?

Відповідь, як вище, ви б зробили майже те саме. Однак у дослідженні / кількісному аналізі / або подібному технічному відділі великої міжнародної корпорації, якщо ви маєте науковий ступінь доктора наук, ви маєте перевагу над кимось із магістратури. з точки зору кар'єрного прогресування. Кандидат навчає (або, як передбачається, навчить) вас бути незалежним науковим співробітником, тому, маючи докторську ступінь, компанія, як правило, «більше» цінує вашу працю (допитливі навички та старанність). Але я б настійно не радив займатися докторантом, лише заради (потенційно) швидшого просування в кар’єрі. Виконання доктора наук є важким і особливо - до кінця - болючим процесом, вам доведеться сподобатися (в ідеалі любити) свій предмет, а також, на мою думку, мати потенційний інтерес залишитися в академічних колах (що є проксим, щоб виявити вашу прихильність до досліджень а також тематика партіукларів) для того, щоб зробити його переносимим.

Також майте на увазі, що повернувшись до галузі з доктором наук, ви будете відставати в кар’єрних сходах і, в кінцевому підсумку, будете направлені на технічно орієнтовану роль підтримки (що платить менше порівняно з тими людьми, які заробляють реальні гроші на компанії) - що може не бути вашим основним запереченням. Нарешті, якщо ви працюєте в невеликій компанії, у власній компанії, грамота доктора філософії практично зникає з точки зору просування по службі або зарплати.

• Я збираюся вирішувати складні цікаві проблеми? Або якісь нудні речі?

Я думаю, немає загальної відповіді на це. ML є міждисциплінарним. Якщо ви працюєте аналітиком, ви зазвичай дивитесь на дані і намагаєтеся будувати моделі, якщо ви на стороні розробки, ви закінчите вирішувати проблеми, пов'язані з реалізацією. Якщо ви стикаєтеся з клієнтами, можливо, вам доведеться багато займатися рукою і навчати клієнтів (але, швидше за все, заробляти більше грошей). Зазвичай відповідь на ваше запитання залежить від особистих уподобань, а також від того, яку гнучкість забезпечує ваш роботодавець.

Або ви можете спробувати приєднатись до якоїсь дослідницької групи, де статистики та машинні студенти не є повсякденним виглядом. Наприклад, зараження та поширення хвороб, ботаніка чи екологія, соціальна комаха чи, можливо, соціальні науки?

Я не можу навести точних прикладів, але якщо ви хороший статистик / МЛ у тому місці, де їх лише мало, ніж люди і різні пропозиції досліджень знайдуть вас. Справа в тому, що ви будете по-справжньому затребувані без особливих зусиль з вашого боку.

Якщо вам подобається ця ідея, ніж намагайтеся шукати проблеми машинного навчання поза вашими поточними темами (галузями), і, можливо, ви знайдете спосіб, як знайти свої «складні цікаві проблеми» та «працювати з інтелектуально складними речами».

Я погоджуюся з іншими відповідями. Я хотів би лише підкреслити, що одним із поширених способів (принаймні, в США) для таких людей, як ви, які вагаються між тим, як продовжувати здобуття наукового ступеня доктора чи займатися галуззю після здобуття наукових ступенів, є подати заявку на здобуття наукового ступеня кандидата наук, а потім взяти відпустку (один рік і більше) якщо справи не такі великі, як вони очікували, або просто хочуть вивчити галузь. Як правило, простіше подати заявку на докторський ступінь відразу після закінчення курсу: ви ще не забули звичку складати іспити (GRE), професори, які збираються писати рекомендаційні листи, ви все ще добре пам’ятаєте і т.д.

Крім того, у порівнянні між докторантом і галуззю, серед можливостей, які ви маєте, ви можете порівняти доступ до цікавих наборів даних, доступності комп'ютерних кластерів, навичок програмного забезпечення місця та кількості людей, призначених для кожного проекту.

Нарешті, ви також можете знайти багато інтелектуально складних речей у галузі, наприклад, перевірити IBM / Google / Microsoft / Microsoft / Nuance / Facebook / тощо. науково-дослідний відділ (так само, як ви можете знайти безліч інтелектуально незаперечних навчальних закладів). Наприклад, люди, які стояли за SVM, працювали в AT&T, IBM Watson - у IBM, Google Translate - одна з найкращих систем машинного перекладу, Nuance та Google мають найкращу систему розпізнавання голосу, і це дуже далеко не поодинокі приклади. Насправді я завжди цікавився, хто серед промисловості та наукових груп робить найбільший внесок у дослідження машинного навчання (я задавав той самий запитання щодо дослідження баз даних Quora: Чи останніми десятиліттями в основному керували дослідження галузі баз даних? ).

Щоб отримати ступінь доктора наук, ви повинні просунути стан знань про людину. Вам не просто доведеться дізнаватися більше речей. Ви повинні виготовити щось оригінальне. Це довгий, повільний і болісний процес, і не всі в цьому досягають успіху. Отже, ви повинні робити докторський ступінь лише в тому випадку, якщо ви думаєте, що маєте новий, творчий внесок у цю сферу.

Якщо ви просто хочете вивчити поле та застосувати поле, візьміть магістратуру, а потім проведіть решту свого життя, навчаючись, коли ви подаєте заявку. Прочитайте речі. Пройдіть випадковий семінар. Якщо в якийсь момент ви заразилися бажанням зробити щось по-справжньому оригінальне, зробіть (тривалий) перерву в кар’єрі і спробуйте отримати доктор наук тоді.

Вибираючи / знамениту маленьку компанію / маршрут, ви маєте свободу створити науково-дослідний відділ у своїй компанії.

Тут ви можете бути роздратовано креативними, як у, нестримному ... досліджувати всі свої фантазії дитинства, інтелектуально складні речі ... Ви задаєте темп ... ви будете / людина /.

Вам не доведеться сидіти в університетських лабораторіях, щоб написати документ / вбивця / дослідження.

Незважаючи на це, перебуваючи при цьому, ви завжди можете погоджуватись із відповідними науково-дослідними підрозділами ще на Унів. побачити...? zwei vögel mit eines stein :-)

... хтось ще з вищим ступенем ...

Ну а марнота, поміркованість, мотивує нас шукати найкращого, що там може бути.

Удачі.

yb