Працевлаштування з пошуку даних без кандидата наук

Я деякий час був дуже зацікавлений у видобутку даних та машинному навчанні , почасти тому, що в школі я поцікавився, але ще й тому, що я справді набагато більше схвильований, намагаючись вирішити проблеми, які потребують трохи більше роздумів, ніж просто програмування знання і рішення яких може мати декілька форм. У мене немає досвіду дослідника / вченого, я походить з інформатики з акцентом на аналіз даних, маю ступінь магістра, а не доктора наук. В даний час у мене є позиція, пов’язана з аналізом даних, навіть якщо це не головна увага в тому, що я роблю, але я маю принаймні деяку хорошу експозицію.

Коли я беруть інтерв'ю для роботи в декількох компаніях і спілкувався з кількома рекрутерами, я виявив загальну схему, по якій люди, здається, думають, що вам потрібно мати доктора наук, щоб зробити машинне навчання , навіть якщо я можу бути узагальнення трохи занадто багато (деякі компанії насправді не шукали особливо кандидатів наук).

Хоча я вважаю, що добре мати докторську ступінь у цій галузі, я не вважаю це абсолютно необхідним . Я маю досить пристойні знання більшості алгоритмів машинного навчання в реальному світі, реалізував більшість з них сам (або в школі, або в особистих проектах), і відчуваю себе досить впевнено, коли підходити до проблем, пов’язаних з машинним навчанням / вилученням даних та статистикою в цілому. . І у мене є кілька друзів з подібним профілем, які також здаються дуже обізнаними з цим питанням, але також вважають, що загалом компанії досить сором'язливі щодо прийняття на роботу з пошуку даних, якщо ви не доктор наук.

Мені хотілося б отримати зворотний зв’язок, чи вважаєте ви, що докторетові абсолютно необхідна робота, яка дуже зосереджена в цій галузі?

(Я трохи вагався, перш ніж розміщувати це питання тут, але оскільки це здається прийнятною темою на мета , я вирішив опублікувати це питання, про яке я думав деякий час.)

Я вважаю, що насправді протилежне вашому висновку. У програмі Disposable Academic подано кілька покажчиків щодо низької надбавки за заробітну плату за прикладну математику, математику та інформатику для докторів філософії над дипломниками магістра. Частково це пояснюється тим, що компанії усвідомлюють, що володарі наукових ступенів магістра зазвичай мають стільки ж теоретичну глибину, кращі навички програмування та більш податливі і можуть бути навчені для виконання конкретних завдань своєї компанії. Скажімо, нелегко знайти учня SVM, щоб оцінити інфраструктуру вашої компанії, яка спирається на дерева рішень, скажімо. Часто, коли хтось присвятив багато часу певній парадигмі машинного навчання, їм важко узагальнити свою продуктивність для інших областей.

Ще одна проблема полягає в тому, що в наші дні багато завдань з машинного навчання - це все, що потрібно зробити, а не стільки про написання робіт чи розробку нових методів. Ви можете взяти підхід з високим ризиком до розробки нових математичних інструментів, вивчаючи аспекти VC-розміру вашого методу, його основної теорії складності тощо. Зрештою, ви, можливо, не отримаєте те, про що практикуватимуть практикуючі.

Тим часом погляньте на щось на зразок постілки . В основному жодна нова математика не виникає з постілок. Це абсолютно не елегантно, незграбно і не має жодної математичної витонченості. Але це масштабується до великих наборів даних напрочуд добре, і виглядає так, що це буде основним фактором розпізнавання пози (особливо в комп'ютерному зорі) протягом деякого часу. Ці дослідники зробили чудову роботу, і їхня робота повинна аплодувати, але це не те, що більшість людей асоціюється з машинним докторантом.

З таким питанням ви отримаєте багато різних думок, тож усіляко їх розглянемо. В даний час я докторант з комп’ютерного зору, але вирішив покинути свою програму рано, магістр, і буду працювати в компанії з управління активами, яка займається машинним вивченням природних мов, обчислювальною статистикою тощо. робота з пошуку даних на основі оголошень у кількох великих телевізійних компаніях та декілька роботів з робототехніки. У всіх цих областях є багато завдань для тих, хто має математичну зрілість і вміння вирішувати задачі з декількох мов програмування. Навчання магістра - просто чудово. Відповідно до цієї статті Economist, ви отримуватимете зарплату в основному так само добре, як і хтось із доктором наук. А якщо ви працюєте за межами академій,

Як колись Петро Тіль сказав: "Вища школа - це як би натиснути кнопку затримки на будильнику життя ..."

Відмова: У мене є кандидат наук. і робота в машинному навчанні. Сказавши це, я думаю, що крім того, щоб стати академіком, вам не потрібен доктор наук. працювати в будь-якій галузі. Отримання доктора філософії. допомагає розвинути певні дослідницькі навички, але

1. Вам не потрібні ці навички дослідження для більшості робочих місць.
2. Ви можете придбати ці навички, не отримавши доктора наук. ступінь.

Мартін Вольф , головний економічний кореспондент Financial Times , не має доктора наук. (він має ступінь магістра), але його слово має набагато більшу вагу, ніж більшість кандидатів наук. випускників. Я думаю, щоб досягти успіху в будь-якій галузі (включаючи машинне навчання), ти повинен знати, як навчитися і продумати ретельний матеріал самостійно. Кандидат наук. допоможе вам практикувати ці навички, але це не самоціль. Той, хто не бажає брати інтерв'ю з вами лише тому, що у вас немає доктора наук, напевно, не варто працювати ні в якому разі.

Відмова: у мене немає доктора філософії CS, а також не працюю в машинному навчанні; Я узагальнюю з інших знань та досвіду.

Я думаю, що тут є кілька хороших відповідей, але, на мою чесну думку, вони ще не дуже чітко роблять основне питання. Я спробую це зробити, але визнаю, що не думаю, що я кажу щось кардинально інше. Основне питання тут стосується розвитку навичок та сигналізації .

Що стосується розвитку навичок, то , нарешті, ви хочете (як працівник) мати можливість виконати роботу, виконану добре та швидко виконану роботу, і роботодавець хоче (або, мабуть, повинен) такої людини. Отже, питання тут полягає у тому, скільки додаткового розвитку навичок ви отримуєте за додаткову пару років академічної підготовки? Звичайно, ви повинні щось отримувати, але визнайте, що люди, які не продовжують навчання в аспірантурі, ймовірно, не просто сідають на свою школу, доки не закінчать школу. Таким чином, ви порівнюєте один набір досвіду (академічний) проти іншого (робота). Гарний шматочок залежить від якості та характеру доктора філософії. програма, ваші внутрішні інтереси, як ви керуєтесь собою і які можливості та підтримка були б доступні у вашій першій роботі.

Поза ефектом, який триває академічна підготовка на розвиток навичок, виникає питання про вплив та значення сигналу (тобто про те, щоб "Ph.D" було додано після вашого імені). Сигнал може допомогти двома способами: по-перше, він може допомогти вам влаштувати свою початкову роботу, і цього не слід звільняти - це може бути дуже важливо. Дослідження показали, що люди, які зобов'язані почати займати першу посаду, яка не є для них найбільш підходящою, ніколи не прагнуть зробити так само (в середньому, як кар'єра), як люди, які починають роботу, яка є доброю збігаються за своїми здібностями та інтересами. З іншого боку, консенсус здається, що після першої роботи на майбутні перспективи значно сильніше впливає ваша ефективність на попередній роботі, ніж ваші академічні повноваження.

Другий аспект сигналу пов'язаний із взаємозв'язком між аналітиком та споживачем аналізу. @EMS робить хорошу роботу, щоб донести це до коментаря. Існує багато невеликих консалтингових магазинів, і вони люблять мати докторських наук, щоб показати їх потенційним клієнтам: на початкових зустрічах намагаються скласти контракт, на бланку, у презентаціях готових робочих продуктів тощо. Кандидати завжди є. Це легко бути цинічним з цього приводу, але я думаю, що це законна цінність для консалтингової фірми та споживача (які, можливо, не знають багато про ці питання і можуть використовувати дані, щоб допомогти їм вибрати фірму, яка зробить добру роботу для них) . Частина робіт може бути розроблена компетентними людьми з меншими повноваженнями, але вони хочуть кандидата наук. для переднього кінця та вийти на робочий продукт перед його доставкою. Я міг побачити щось подібне, що відбувається зі стартапом, якщо вони намагаються залучити капітал і хочуть заспокоїти інвесторів.

Я погоджуюся з більшістю сказаного тут, але хочу ввести кілька практичних питань, які виникають під час подання заявки на роботу з фінансів. Часто ви побачите рекламу, яка стверджує, що доктор наук зі статистики чи математики необхідний для подання заявки на певну торгову або кількісну позицію розробника. Я знаю, що для цього є деякі конкретні причини. Розум, я не кажу, що це правильно, але це відбувається на практиці:

• На роботу є багато претендентів, особливо для найбільш відомих компаній, і роботодавець, можливо, не може присвятити кожному кандидату достатньо часу. Фільтрування додатків на основі академічного ступеня зменшує кількість населення до більш керованого числа. Так, будуть промахи. Так, це не найкращий спосіб знайти продуктивних людей. Але в середньому ви дивитесь на кваліфікованих фахівців, які присвятили роки вивченню ремесла. Вони повинні хоча б мати дисципліну, щоб обігнати складний дослідницький проект.

• Команда та компанія будуть збагачені рядом кандидатів наук, які продемонструють інвесторам та клієнтам. Це дасть образу "чудотворних" знань компанії та принесе користь її репутації. Нематеріальна оцінка компанії може зрости. Пересічний інвестор буде більш впевнений у наданні свого капіталу такому знаючому колективу вчених. Ви можете зробити подібний пункт щодо MBA.

• Нарешті, іноді корпоративна політика диктує, що вищі навчальні досягнення повинні мати пільговий шлях кар'єри та компенсацію. Я вважаю, що це стосується більшості корпорацій різних галузей, а не лише фінансів. Важко побачити Джона, що має ступінь бакалавра в галузі комп'ютерних наук, що керують докторами математики.

Відмова: Я рекрутер і працюю з 1982 року, тому дуже добре розумію ваше запитання. Дозвольте розбити це так. Ваше резюме - це відстежуючий пристрій. Компанії отримують багато резюме, тому вони читають резюме, маючи на увазі одне запитання "Чому я не хочу поговорити з цією людиною?" Це зменшує їх купу до кількох кандидатів, які мають найкращі шанси задовольнити свої потреби. Тож якщо ви отримуєте співбесіди і у вашому резюме не є докторант, тут відбувається щось інше. Я говорю це тому, що так само, як резюме є екранізуючим пристроєм, інтерв'ю є пристроєм для екранізації. Після того, як вони запросили вас на співбесіду, тоді вони вже зробили висновок, що у вас достатньо "на папері", щоб виконати цю роботу. Тож коли ви ходите в інтерв'ю, єдине питання, яке вони Ви справді запитуєте: "чому я повинен наймати вас?" Особа, яку вони наймають, буде особою, яка звернеться до того, що найкраще може задовольнити потреби компанії.

Моя порада рекрутеру - задавати питання протягом інтерв'ю, щоб визначити їх більш глибокі потреби. Повірте, опис роботи рідко нагадує істину, тому ви захочете перевірити їх гарячі кнопки, а потім продати безпосередньо на ці питання. Не дозволяйте інтерв'ю відчувати себе на допиті, чекаючи кінця, щоб задати питання. Ви зійдете в полум'ї і в кінцевому підсумку вам скажуть "у вас немає доктора наук". Будьте з повагою все ж проявіть свою готовність допомогти їм вирішити свою проблему.

Моє улюблене запитання: "Які риси найкращої людини, яку ти коли-небудь знав у цій ролі?" Кожен має на увазі команду мрії, тому важливо розібратися, які риси, які вони вважають, необхідні для досягнення цієї ролі. Майте на увазі, це не питання щодо досвіду, фонів чи ступенів. Дивіться, я завжди можу знайти посереднього доктора наук з тоном досвіду, тому це не святий грааль. Саме те, що компанії продовжують вважати найкращим, оскільки ІМО вони не знають, як ще написати посадову інструкцію, яка відображає суть потрібної їм людини.

Мої 2 копійки: Ні, я не думаю, що так. Докторська ступінь сама по собі не дає змоги бути кращою для пошуку даних або МЛ. Візьміть власне Джеремі Говарда. Я навіть хотів би сказати, що доктор наук не дуже говорить про будь-яку кваліфікацію, оскільки існує величезна різниця в якості програм. Мабуть, єдине, що доктор філософії доводить, це те, щоб власник мав високу толерантність до фрустрації.

Підсумок: Якщо ви зацікавлені в цій галузі, обізнані, креативні та працьовиті, навіщо вам потрібен доктор наук? Це ти маєш рахувати, а не титули.

Незалежно від того, потрібна робота кандидату чи ні, залежить рівень відповідальності та сприйняття роботодавцем та / або його клієнтами. Я не думаю, що існує дисципліна, яка вимагає доктора наук. Безумовно, видобуток даних може бути вивчений, і працівник може робити продуктивну роботу без кандидата наук. Це більше залежить від людини, її здатності до швидкого навчання та адаптації, а також від здатності розуміти літературу, ніж від попередньої освіти. Особливо це стосується видобутку даних, що є полем, що розвивається. Тож навіть шахтарям даних з докторами наук доведеться більше вчитися з часом.

Маю ступінь магістра прикладної статистики і працював у Європі як майстер даних. Коли я приїхав до Великобританії, ніхто навіть не чув про видобуток даних, не кажучи вже про вивчення такої ступеня. Зараз це звичайне місце, і роботодавці вважають, що доктор наук необхідний для цієї роботи. Однак статистичні знання та аспект моделювання є важливими для цієї роботи. На мій досвід, більшість ІТ-людей не розуміють статистику і тому не в змозі добре виконати роботу. Я зайнявся викладанням і зараз реєструюсь, щоб зробити кандидатську ступінь прикладної статистики, щоб задовольнити цих роботодавців. Напевно, я знаю більше, ніж більшість випускників докторських наук, які навчалися на ступінь магістра в 1980-х, коли рівень був дуже високим. Я думаю, щоб бути хорошим майстром даних, треба мати досвід статистики.

Це повністю залежить від роботи. За моїм досвідом (маю докторську ступінь), є 3 види роботи. По-перше, як було сказано, більшість галузевих робочих місць сьогодні орієнтовані на прикладне машинне навчання, тобто застосувати налаштування існуючих алгоритмів МЛ до проблеми, що стосується конкретного домену. Це на сьогоднішній день найпоширеніші робочі місця в галузі ML, і ступінь магістра є більш ніж достатньою для таких видів роботи. Менша кількість робочих місць, які, як правило, знаходяться в дослідницькому крилі компаній або університетів, застосовують, змінюючи робочі місця для ML для вирішення конкретної проблеми. Досвід створення нового методу, переглядаючи існуючі методи з використанням нової математики, як правило, займає певний час, і цей досвід, як правило, набувається під час доктора наук, оскільки новий теоретичний результат повинен бути достатньо надійним, щоб здобути визнання своїх однолітків (публікація). Останній і, мабуть, найскладніший, найвищий ризик і найчастіший вид роботи - це чисті теоретичні речі, що відбуваються в науково-дослідних університетах, де основна увага полягає в тому, щоб повністю розробити новий алгоритм або краще зрозуміти математичні властивості існуючих алгоритмів (також доводиться бути досить хорошим, щоб бути опублікованим). Це теж досвід, накопичений як доктор наук. У той час як докторант, можливо, піддався впливу всіх трьох типів робочих місць під час його навчання (виключно через тривалість програми та те, що немає негайних термінів виробів, як реальна робота), студент MS як правило, добре підготовлений для першої роботи і, ймовірно, мав би лише незначну експозицію до 2-го та 3-го типів робіт.

Я не думаю, що Phd необхідний для будь-яких машинних навчальних посад. Хороші майстри та допитливий розум з математичною цікавістю - це все, що потрібно. Кандидат упереджує ваш підхід до своєї спеціалізації, який є небажаним. Я працюю над основними алгоритмами машинного навчання і кодую більшість з них так, як мені хочеться. І я бачив багато кандидатів з неправильним мисленням. Кандидати в основному мотивуються чистими теоретичними проблемами, на відміну від промисловості, де фокус робиться на робочих рішеннях у швидкий час

Люди, які дивляться на докторантуру або не знають, що означає доктор наук, або просто навмисно роблять неправдиві коментарі; Більшість магістерських тренувань жодним чином не може порівнюватись із докторантом. інтенсивність та суворість докторантури вимагає немислимої самовідданості, самодисципліни, здатності до навчання під великим тиском та твердих наборів навичок ..., титул доктора наук вже довів це все, звичайний ступінь магістратури тут, в Америці, не однаковий рівень взагалі….