Я магистрант CS в немецком университете, сейчас пишу свою диссертацию. Я закончу через два месяца, и мне придется принять очень трудное решение, если я продолжу работу над докторской диссертацией или найду работу в отрасли.
Мои причины для получения докторской степени:
Я очень любопытный человек , и я чувствую , что я до сих пор не хватает слишком много знаний. Я хочу многому научиться, и кандидат наук поможет мне в этом, поскольку я могу делать больше хороших курсов, читать тонны статей и быть экспертом в области интеллектуального анализа данных и машинного обучения. Я люблю математику, но не очень хорош в моем старшекурснике (плохой универ). Сейчас в этом немецком университете я чувствую, что развил много отличных математических навыков и хочу улучшить их, потому что я действительно очень люблю математику! (Я был действительно очень плох в математике в старшей школе и в течение моей жизни, но теперь я вижу, что я могу делать математику хорошо!)
Я буду работать с интеллектуально сложными вещами.
Я должен быть честным и сказать, что также я ненавижу видеть кого-то с более высокой степенью, чем я. Поэтому, если я выхожу на улицу и вижу кого-то с докторской степенью, мне не нужно говорить: «Ого, этот парень умнее меня». Я предпочитаю быть на другой стороне. ;)
Мои причины НЕ делать докторскую степень:
Я читаю в интернете о том, что делать докторскую диссертацию или нет. Я обнаружил, что в большинстве и обычных случаях люди с докторской степенью делают ту же самую работу людей с мастерами. (это было общее наблюдение в информатике, а не о ML / DM).
Я могу начать карьеру и заработать много денег через 1 или 2 года, тогда, возможно, я смогу основать свою собственную компанию.
Что пока не понятно
Я до сих пор не знаю, какова моя конечная цель в конце. Это иметь известную небольшую компанию? Или это должен быть известный ученый? У меня до сих пор нет ответа на этот вопрос.
Чтобы помочь мне принять решение, я хочу знать две вещи:
Каково это - работать в качестве ученого-данных / машиностроителя со степенью магистра в отрасли? Какую работу вы делаете? Особенно, когда я читаю эти объявления на Amazon как ученый, изучающий машины, мне всегда интересно, что они делают.
Тот же вопрос, что и раньше, но с докторской степенью. Вы делаете что-то другое или то же самое, что и с мастерами?
Собираюсь ли я решать сложные интересные проблемы? Или что-то скучное?
В качестве небольшого примечания: я видел парня с докторской степенью в области машинного обучения (в Германии) и работал в компании, которая занимается продвижением программного обеспечения для машинного обучения. Как я понял, большая часть его работы - обучение людей использованию методов и программного обеспечения (деревья решений .. и т. Д.).
Было бы здорово, если бы я мог получить некоторые ответы об опыте, связанном с Германией / Швейцарией в некоторых известных хороших компаниях.
источник
Ответы:
Алекс, я не могу комментировать конкретно по Германии или Швейцарии, но я работаю в международной компании, в которой работает более 100 000 человек из разных стран. Большинство из этих людей имеют как минимум степень магистра, многие имеют степень магистра и доктора наук, и, за исключением персонала отдела кадров и администратора, большинство из нас являются экспертами в одной или нескольких различных научных областях. Я имею более чем 30-летний опыт работы, работал квалифицированным научным / техническим специалистом, менеджером, менеджером проектов и в конечном итоге вернулся к чисто научной роли, которая мне нравится. Я также принимал участие в найме персонала, и, возможно, некоторые из моих последующих замечаний могут быть полезны для вас.
Большинство новых выпускников действительно не знают точно, чего они хотят, и обычно требуется несколько лет, чтобы выяснить это. В большинстве случаев их опыт работы на рабочем месте оказывается совершенно другим по сравнению с тем, что они ожидали по ряду причин. Некоторые рабочие места являются захватывающими, в то время как другие являются скучными, скучными и «политикой на рабочем месте», плохими начальниками и т. Д. Иногда могут быть большими проблемами. Более высокая степень может помочь или не помочь вообще с любой из этих проблем.
Большинству работодателей нужны люди, которые могут «выполнять работу» и быть продуктивными как можно скорее. Более высокие степени могут иметь или не иметь значения, в зависимости от работодателя. В некоторых ситуациях дверь закрыта, если у вас есть докторская степень. В других ситуациях дверь может быть закрыта, потому что у вас есть докторская степень, а работодатель хочет кого-то «менее теоретического и с более практическим опытом».
Аспирант не обязательно означает более быстрое продвижение по службе или даже большую разницу в заработной плате и может иметь или не иметь никакого значения для вида должности, которую вы можете получить. Вообще, когда я брал интервью у кандидатов, меня больше всего интересовали люди с соответствующим опытом работы. Аспирант может стать окончательным решающим фактором при назначении на должность, ЕСЛИ тема диссертации кандидата особенно актуальна.
Люди, как правило, меняют работу чаще, чем раньше. Ваш возраст, деленный на 2 * пи, не является плохим эмпирическим правилом в течение многих лет, чтобы остаться на работе, прежде чем начать ходить по кругу. Некоторые люди некоторое время работают, а затем возвращаются в высшие учебные заведения. Некоторые люди (например, я) начинают работать над докторской диссертацией, а затем получают «предложение слишком хорошее, чтобы отказаться» и оставляют докторскую диссертацию, чтобы пойти и работать. Мне жаль, что я это сделал? НЕТ, совсем нет, и если бы я начинал все сначала, я бы в любом случае защитил докторскую диссертацию.
Лучшее предложение, которое я могу вам дать, - это делать то, что вам больше всего нравится, и смотреть, как оно разворачивается. Никто не может сказать вам, что будет лучше для вас. Иногда вам просто нужно что-то попробовать, и, если это не сработает, научиться этому как можно больше и перейти к чему-то другому. Как сказал Родин: «Если вы используете этот опыт с умом, ничто не станет пустой тратой времени».
источник
Прежде чем я опишу свое мнение о работе, я выберу несколько частей вашего поста, которые я считаю актуальными (выделение мое):
Исходя из 1 и 2, у вас, похоже, очень романтичный взгляд на науку о данных и исследования в целом. Да, вы приступите к работе над интересными проблемами, но, конечно, круглосуточно (это относится как к промышленности, так и к исследованиям).
Основываясь на 2 и 3, вы, кажется, рассматриваете исследование вершины человеческого интеллекта и рассматриваете докторскую степень как свидетельство ваших умных способностей. Я не согласен, потому что:
По моему личному мнению, самые умные люди - те, кто живет счастливой жизнью с выбором, который они сделали, будь то физик-ядерщик или плотник. Не принимайте решения, основываясь на том, предоставляют ли они вам что-то, чтобы похвастаться.
Исходя из 4 и 5, похоже, что в какой-то момент вы планируете создать свою собственную компанию. Имейте в виду, что при запуске стартапов, даже ориентированных на технологии, вы, скорее всего, не будете тратить большую часть своего времени на реальные технологии. Маркетинг, бизнес-планы, менеджмент и т. Д. И т. Д. Одинаково важны (если не больше) для успешных стартапов. Как вы думаете, доктор философии, чтобы помочь?
Теперь, когда эти предварительные условия не в порядке: мое личное мнение о работе рутинного ученого. Прежде всего: вы работаете с современными методами на больших / сложных / интересных наборах данных с акцентом на ваш выбор. Это, безусловно, очень интересная работа.
... НО
Реальное машинное обучение включает в себя много тяжелой работы
Ты не будешь проводить каждый рабочий час в утопическом мире, полном математической элегантности, в то время как армия компьютеров выполняет ваши приказы. Большая часть вашего времени будет потрачена на выполнение тяжелой работы: управление базой данных, подготовка наборов данных, нормализация работы, устранение несоответствий и т. Д. И т. Д. Я трачу большую часть своего времени на выполнение подобных задач. Они не становятся более захватывающими с течением времени. Если вы не увлечены своей темой, вы в конечном итоге потеряете мотивацию для этих вещей.
Если вы посещали уроки машинного обучения, вы обычно получаете наборы данных с хорошей маркировкой без несоответствий, без пропущенных данных, где все в порядке. Это не машинное обучение в реальной жизни. Вы потратите большую часть своего времени, пытаясь добраться до точки, где вы готовы запустить свой любимый алгоритм.
Управление ожиданиями в сотрудничестве
Если вы хотите заниматься междисциплинарными проектами, вам нужно научиться работать с людьми, которые почти ничего не знают о том, что вы делаете (это верно для любой специализации). В машинном обучении это часто подразумевает один из двух сценариев:
источник
Бизнес-проблемы на самом деле не меняются в зависимости от вашей степени, поэтому вы должны смотреть на те же или похожие вещи. Если вы работаете в большой организации, вы работаете с большими наборами данных компании. Обычно это могут быть данные о продукте / клиенте или операционные данные (данные о химических процессах, данные о финансовых рынках, данные о посещаемости веб-сайта и т. Д.). Общая конечная цель - использовать данные, чтобы сэкономить деньги или заработать деньги для компании.
Ответ, как указано выше, вы бы сделали в основном те же вещи. Однако в исследовательском / количественном анализе / или аналогичном техническом отделе крупной международной корпорации, если у вас есть докторская степень, у вас есть преимущество перед кем-то с магистром. с точки зрения карьерного роста. Доктор PhD учит (или должен научить), чтобы вы были независимым исследователем, поэтому, имея докторскую степень, компания обычно «ценит» ваш труд (любознательные навыки и усердие) немного больше. НО я бы настоятельно рекомендовал не делать докторскую степень, просто ради (потенциально) более быстрого карьерного роста.Кандидатская диссертация - трудная задача, особенно в отношении болезненного процесса, вам нужно (в идеале любить) свою тему, а также, на мой взгляд, иметь потенциальный интерес, чтобы остаться в академических кругах (что является косвенным показателем вашей склонности к исследованиям). и тема partiuclar), чтобы сделать это терпимым.
Также имейте в виду, что, возвращаясь в отрасль со степенью кандидата наук, вы будете отставать по карьерной лестнице и в конечном итоге можете оказаться в технически ориентированной роли поддержки (которая платит меньше по сравнению с теми людьми, которые зарабатывают реальные деньги для компании) - что не может быть вашей основной целью. Наконец, если вы работаете в небольшой компании, в своей собственной компании, преимущество доктора философии практически исчезает с точки зрения карьерного роста или заработной платы.
Я думаю, что нет общего ответа на это. ОД является междисциплинарным. Если вы работаете аналитиком, вы, как правило, просматриваете данные и пытаетесь построить модели, если вы занимаетесь разработкой, вы в конечном итоге сталкиваетесь с хитрыми особенностями реализации. Если вы обращаетесь к клиенту, вам, возможно, придется много держать в руках и обучать клиентов (но, вероятно, заработать больше денег). Обычно ответ на ваш вопрос зависит от личных предпочтений, а также от гибкости, которую обеспечивает ваш работодатель.
источник
Или вы можете попытаться присоединиться к какой-либо исследовательской группе, где статистики и машиностроители не являются обычным явлением. Например, заражение и распространение болезней, ботаника или экология, социальные насекомые или, возможно, социальные науки?
Я не могу дать вам точных примеров, но если вы хороший статистик / ML в месте, где их всего несколько, то люди и различные исследовательские предложения найдут вас. Дело в том, что вы будете действительно востребованы без особых усилий с вашей стороны.
Если вам нравится эта идея, тогда попробуйте поискать проблемы машинного обучения вне ваших текущих тем (отрасль), и, возможно, вы найдете способ, как найти свои «сложные интересные проблемы» и «работать с интеллектуально сложными вещами».
источник
Я согласен с другими ответами. Я просто хотел бы подчеркнуть, что одним из распространенных способов (по крайней мере, в США) для таких людей, как вы, которые колеблются между получением степени доктора наук или работой в отрасли после получения степени бакалавра, является подача заявления на получение степени доктора наук, а затем взять отпуск (один год или более) если дела не так велики, как они ожидали, или просто хотите исследовать промышленность. Обычно легче поступить в аспирантуру сразу после старшекурсника: вы еще не забыли привычку сдавать экзамены (GRE), профессора, которые собираются писать рекомендательные письма для вас, все еще хорошо помнят вас и т. Д.
Кроме того, сравнивая степень кандидата наук и отрасли, среди имеющихся у вас возможностей вы можете сравнить доступ к интересным наборам данных, доступность компьютерного кластера, навыки разработки программного обеспечения и количество людей, назначенных для каждого проекта.
Наконец, вы также можете найти много интеллектуально сложных вещей в отрасли, например, проверить IBM / Google / Microsoft / Nuance / Facebook / и т. Д. исследовательский отдел (так же, как вы можете найти много интеллектуально не спорных вещей академии). Например, сотрудники SVM работали в AT & T, IBM Watson работает в IBM, Google Translate - одна из лучших систем машинного перевода, Nuance и Google имеют лучшую систему распознавания голоса, и это очень далеко от единичных примеров. На самом деле, мне всегда было интересно, кто из промышленности и научных кругов вносит наибольший вклад в исследования в области машинного обучения (я задавал один и тот же вопрос в отношении исследования баз данных по Quora: проводилось ли исследование баз данных в основном за последние десять лет отраслью? ).
источник
Чтобы получить докторскую степень, вы должны улучшить состояние человеческих знаний. Вам не просто нужно больше учиться. Вы должны произвести что-то оригинальное. Это долгий, медленный и болезненный процесс, и не всем это удается. Поэтому вам следует защищать докторскую диссертацию, только если вы считаете, что в вас есть новый, творческий вклад в эту область.
Если вы просто хотите изучить поле и применить поле, возьмите максимум мастеров, а затем потратьте оставшуюся часть жизни на обучение, пока вы подаете заявку. Читать вещи. Возьмите случайную мастерскую. Если в какой-то момент вы заразились желанием сделать что-то действительно оригинальное, сделайте (долгий) перерыв в карьере и попытайтесь получить этого доктора наук.
источник
Когда вы выбираете / известную небольшую компанию / маршрут, вы можете создать исследовательский отдел в вашей компании.
Здесь вы можете стать раздражающе творческим, как, например, безудержным ... исследовать все свои детские фантазии, интеллектуально сложные вещи ... вы задаете темп ... вы будете / человеком /.
Вам не нужно сидеть в University Labs, чтобы написать / Killer / исследовательскую работу.
Несмотря на это, вы всегда можете координировать свои действия с соответствующими исследовательскими отделами в Univ. видеть...? zwei vögel mit eines stein :-)
Ну, тщеславие, в меру, побуждает нас искать лучшее, что может быть.
Удачи.
уЬ
источник