3664 59

[水煮经管] 入行数据科学一定要有研究生学历吗?   [推广有奖]

运营管理员

泰斗

63%

还不是VIP/贵宾

-

威望
4
论坛币
731979 个
学术水平
915 点
热心指数
976 点
信用等级
852 点
经验
315742 点
帖子
9811
精华
52
在线时间
5410 小时
注册时间
2014-8-19
最后登录
2019-4-21

widen我的世界 学生认证  发表于 2019-1-11 16:12:09 |显示全部楼层

入行数据科学一定要有研究生学历吗?

95-0.jpg


作者 | Jeremie Harris

翻译 | Mika

CDA 数据分析师原创作品,转载需授权


首先我要说的是,我是一名博士肄业生。


这个头衔给我带来了所谓的光环,它暗示我在研究生院待过,做过一些学术研究。完成博士学位,意味着你不过是千万个”书呆子”中的一员,而在学了几年后辍学似乎显得你更有个性。人们期待知道你之后会做些什么。他们可能会说,“特斯拉的CEO Elon Musk就选择放弃研究生学位,离开学校去创业,你也可能成为下一个Elon!”


那么如果想入行数据科学,学历重要吗?一定需要博士学历或研究生学历吗?在本文中我将分享我的看法。


我在数据科学导师制创业公司工作。在工作中,我已经面试过数千位有抱负的数据科学家,当中有些人有博士学位,有些有硕士学位,有些是本科生,也有各个阶段的肄业生。这也让我对数据科学职业有了更深的认识。


STEM:科学(Science),技术(Technology),工程(Engineering),数学(Mathematics)这四门学科

有许多人会向他人咨询,是否要继续深造读研或读博,而当中很多人对前景没有全面的分析。


其实不是所有的学位都适合每个人,原因如下。


一、博士学位

(这可能会让许多有博士学位的人感到不舒服,在此我提前道歉。)


“我看到许多数据科学工作都需要博士学位。我是否要有博士学位才能成为数据科学家呢?“


不,并不需要。


不要误会我的意思,博士头衔的确会给你带来明显的优势。但也要考虑一些现实因素。


如果你的目标是成为数据科学家或机器学习工程师/研究员,那么有博士学位会给你加分不少。但与此同时也要考虑以下两点:


1.获得博士学位需要非常长的时间。

2.除非你跟着合适的导师,攻读合适的学位,否则你可能学不到任何有价值的东西。


针对第1点,在美国或加拿大,获得博士学位需要4年到8年才能完成。平均需要5到6年,具体取决于学校。现在让我们把它放到透视中。


在数据科学领域瞬息万变,5年内各种成果层出不穷。要知道,在5年前Spark、XGBoost、jupyter notebook、GloVe、spaCy、TensorFlow、Keras、Pytorch、InceptionNet、ResNet、强化学习等等都还不存在。


因此,除非你打算当新技术出现时,花时间自己钻研。否则你会发现学习期间接触到的技术远远跟不上当下的发展。这意味着即使你毕业后,还需要自己学习这些技术。


关键在于,数据科学和机器学习的发展非常快,在未来只会发展得更快。因此,当考虑攻读数据科学或机器学习相关领域的博士学位时,你实际上是把赌注都下在你所要学习的领域。你希望在毕业时,该领域还是炙手可热的。而这样的赌注很冒险,而且赌注很高。


第2点,思考一下你的导师是谁,为什么他们没有在Google或Facebook工作。


当然,有些人更喜欢学术研究,而不是在行业中运用数据科学或机器学习。但值得记住的是,行业顶级的机器学习人才的薪资是非常丰厚的,因此学术界的可能会稍逊一筹。


当然,有些地方也有些例外。这主要指的是加拿大的Vector Institute或MILA;麻省理工学院和美国伯克利的数据科学课程等顶级精英项目。


总结一下:如果你只想成为Airbnb的深度学习工程师,那么博士学位一定程度上能成为你的敲门砖。但是,如果你不是在顶级项目中攻读博士学位,那么不要期望被行业顶尖的公司录用。


但是,如果你想找份普通的数据科学工作,获得博士学位可能并不是正确的举措。你可以用4到8年的时间获得丰富的工作经验,去成长为一名真正的数据科学家,那么出现新技术时,你能更好的进行预测,保持领先的位置。


如果你考虑攻读与数据科学无关领域的博士学位(例如物理,生物学,化学),并且目标是找数据科学方面的工作,那么这条建议可能有些刺耳:如果你离毕业还有18个月或更长时间,而且你确定自己想成为一名数据科学家,那么可以考虑辍学。考虑到沉没成本,你应该对之前决策感到质疑,根据我之前的经验来看放弃可能是正确的选择。


102.jpg


二、硕士学位

入行数据科学需要硕士学位吗?


视情况而定。以下是我列出的记分表,如果根据你的情况,分数大于6,那么答案是“硕士学位可能会有所帮助”。


你有非常相关的STEM背景(物理、数学、计算机科学等本科学历):0分


你有较为相关的STEM背景(生物学、生物化学、经济学等本科学历):2分


你没有相关的STEM背景:5分


你有不到1年的Python使用经验:3分


你没有编程相关的工作经验:3分


你不认为自己擅长独立学习:4分


当我说这个记分表实际是一个逻辑回归算法时,你不明白我的意思:1分


注意:


需要考虑的是,你是否需要数据科学硕士学位或数据科学训练营。如果选择参加训练营,要注意他们的激励措施:是否课程完成后保证聘用?是否有与训练营相关的求职指导服务?


许多人都对训练营持怀疑态度,这是有道理的。但大多数忽略的是,他们对待大学所提供的相关硕士学位也该如此。巩固硕士学位就相当于训练营。如果你不在乎你的成绩,那么要注重你从中学到了什么。在选择相应的硕士学位和课程项目时要询问其研究生就业率。有的大学希望学生选一个简单的专业,而不是好的专业,这是一场心理博弈。你的目标是最终被聘用,找到理想的工作,而不是仅仅为了一纸文凭而付出时间和精力。


即使完成了硕士学位,你还需要学习很多技能,可能比你预想的还要多。但只要硕士课程的时间较短(最好不超过2年),成本不是太高。


65.jpg


三、本科学位


总的来说,是的,成为数据科学家你需要相关本科学位。不仅仅是因为你需要掌握相关知识,而且公司并不认为你通过自学,参加训练营和一些在线课程就能胜任数据科学的工作 。


但关于本科学位你要注意的是,如果你和科技行业的人聊聊,你很快会发现科技型工作中涉及到的内容要远远超出学校课本。这是因为学校所教的本科课程一般比现实情况要滞后5到10年。如果你学的是不会发生很大变化的专业是没有太大问题的,比如如物理、数学或统计数据等。


但是如果你是工程或计算机科学专业,并且你在一家出色的公司实习,你想休学或肄业来获得更多的工作经验,那么你可以考虑这样做。如果你读本科的目的是为了获得一份工作,你已经在一家有不错前景的公司获得职位,那么何必多付几年学费呢。


我的意思并不是你应该不读完本科就去工作,我想说的是,如果你完成了实习并且获得了相应的全职工作,那么对于是否完成学业应该有更开放的观念。而不是因为大家都这么做,才做出这种选择。


结语

在本文中,我给出的一些建议可能不是那么常规。但在数据科学这样快速发展的领域,惯例往往并不是最优选择。当今社会中,人们对传统教育价值的看法应该与时俱进。


当然,这并不意味着正规教育以及研究生学位是不值得的。但是,不应该认为获得硕士或博士学位是必备的。如果你读研读博只是为了符合数据科学职业轨迹的刻板印象,那么你可能需要重新考虑了。


CDA公众号二维码.jpg


已有 4 人评分经验 热心指数 收起 理由
aclyang + 1 精彩帖子
arthistory4 + 100 精彩帖子
crystal8832 + 10 精彩帖子
happy_287422301 + 100 鼓励积极发帖讨论

总评分: 经验 + 210  热心指数 + 1   查看全部评分

本帖被以下文库推荐


https://www.cda.cn/
高薪就业·数据分析人才·牛人聚集圈
stata SPSS
zwzhai 发表于 2019-1-11 19:57:53 |显示全部楼层
博士硕士只是一个教育的过程的体验,要说真正在某一个领域会有很大的建树不容易的。
回复

使用道具 举报

十七里香 发表于 2019-1-11 21:24:59 |显示全部楼层
谢谢分享
回复

使用道具 举报

hifinecon 发表于 2019-1-11 23:40:43 |显示全部楼层
回复

使用道具 举报

paulobbc 发表于 2019-1-12 08:02:38 来自手机 |显示全部楼层
学位只是能力的折射,而不是炫耀的资本。
回复

使用道具 举报

xujingjun 发表于 2019-1-12 08:59:18 |显示全部楼层
回复

使用道具 举报

luchange2000 发表于 2019-1-13 07:24:03 |显示全部楼层
回复

使用道具 举报

十七里香 发表于 2019-1-13 18:26:32 |显示全部楼层
感谢楼主的分享~~~~
回复

使用道具 举报

peyzf 发表于 2019-1-13 21:39:03 |显示全部楼层
了解一下
回复

使用道具 举报

Crsky7 发表于 2019-1-14 10:27:42 |显示全部楼层
必须的
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 我要注册

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2019-4-24 02:38