박사없이 데이터 마이닝에 종사

나는 학교에서 그 분야를 전공했기 때문에 데이터 마이닝 및 기계 학습 에 매우 관심이 있었지만, 프로그래밍보다 조금 더 많은 생각을 해야하는 문제를 해결하려고 정말로 흥분되어 있기 때문에 지식과 솔루션은 여러 형태를 가질 수 있습니다. 나는 연구원 / 과학자 배경이없고, 데이터 분석에 중점을 둔 컴퓨터 과학 배경에서 왔으며 박사 학위가 아닌 석사 학위가 있습니다. 나는 그것이 내가하고있는 일의 주요 초점이 아니지만 데이터 분석과 관련된 입장을 가지고 있지만 적어도 그것에 대해 잘 알고 있습니다.

얼마 전에 여러 회사와의 인터뷰에서 몇 명의 채용 담당자와 이야기를 나누면서 사람들 이 기계 학습을하기 위해 박사 학위를 받아야 한다고 생각하는 일반적인 패턴을 발견했습니다 . 너무 많은 일반화 (일부 회사는 실제로 박사 학위를 찾고 있지 않았습니다).

그 분야에서 박사 학위를받는 것이 좋다고 생각하지만 이것이 반드시 필요한 것은 아닙니다 . 나는 대부분의 실제 머신 러닝 알고리즘에 대해 꽤 괜찮은 지식을 가지고 있으며, 대부분 학교 나 개인 프로젝트에서 스스로 구현했으며, 머신 러닝 / 데이터 마이닝 및 통계와 관련된 문제에 접근 할 때 자신감을 느낍니다. . 그리고 비슷한 프로파일을 가진 친구들도 있는데, 이것에 대해 매우 잘 알고 있지만, 일반적으로 회사가 PhD가 아닌 경우 데이터 마이닝 채용에 대해 상당히 부끄러워한다고 생각합니다.

피드백을 받고 싶습니다. 박사 학위가 해당 분야에 매우 집중된 직업을 갖기 위해 반드시 필요하다고 생각하십니까?

(이 질문을 여기에 게시하기 전에 약간 망설 였지만 meta에 대한 적절한 주제 인 것 같아서 잠시 생각하고있는이 질문을 게시하기로 결정했습니다.)

나는 당신의 결론의 반대가 사실이라고 믿습니다. 에서 일회용 학술 , 몇 가지 포인터는 석사 학위 소지자 이상 박사 학위 소지자 응용 수학, 수학, 컴퓨터 과학에서 낮은 임금 프리미엄에 대해 주어진다. 부분적으로 이것은 기업들이 석사 학위 소지자들이 이론적으로 깊이 있고 프로그래밍 기술이 우수하며 더 유연하고 회사의 특정 업무에 대해 훈련을받을 수 있다는 것을 깨닫고 있기 때문입니다. 예를 들어, 의사 결정 트리에 의존하는 회사의 인프라에 감사하는 것은 SVM 제자를 얻는 것이 쉽지 않습니다. 누군가가 특정 기계 학습 패러다임에 많은 시간을 할애했을 때 생산성을 다른 영역으로 일반화하는 데 어려움을 겪습니다.

또 다른 문제는 요즘 많은 머신 러닝 작업이 일을하는 것이지 논문을 쓰거나 새로운 방법을 개발하는 것이 아니라는 것입니다. 새로운 수학적 도구를 개발하고, 방법의 VC 차원 측면, 그 기초가되는 복잡성 이론 등을 연구하는 데 고위험 접근 방식을 취할 수 있습니다. 그러나 결국 실무자들이 관심을 가질만한 것을 얻지 못할 수도 있습니다.

한편, poselet 과 같은 것을 보십시오 . 기본적으로 포즈 릿에서 새로운 수학이 발생하지 않습니다. 그것은 완전히 우아하고 어색하며 수학적 세련미가 부족합니다. 그러나 대용량 데이터 세트로 놀라 울 정도로 잘 확장되며 앞으로 한동안 포즈 인식 (특히 컴퓨터 비전에서)의 주요 요소가 될 것 같습니다. 그 연구원들은 훌륭한 일을했고 그들의 연구에 박수를 보내지 만 대부분의 사람들이 기계 학습 박사 학위와 관련이있는 것은 아닙니다.

이와 같은 질문으로, 당신은 많은 다른 의견을 얻을 것이므로, 반드시 모든 것을 고려하십시오. 저는 현재 컴퓨터 비전 박사 과정을 밟았지만 석사 학위로 프로그램을 일찍 떠나기로 결정했으며 자연 언어 기계 학습, 계산 통계 등을 수행하는 자산 관리 회사에서 일할 것입니다. 몇몇 대형 TV 회사의 광고 기반 데이터 마이닝 작업과 몇 가지 로봇 작업. 이러한 모든 영역에서 수학 성숙도를 가진 사람에게는 여러 가지 작업이 있으며 여러 프로그래밍 언어에서 문제를 해결하기위한 요령이 있습니다. 석사 학위를받는 것은 괜찮습니다. 그리고 이코노미스트 기사에 따르면 박사 학위를 가진 사람뿐만 아니라 기본적으로 지불됩니다. 학계 밖에서 일한다면

피터 틸 (Peter Thiel)이 말했듯이 "졸업 학교는 알람 시계의 스누즈 버튼을 누르는 것과 같습니다 ..."

면책 조항 : 박사 학위가 있습니다. 기계 학습에서 일합니다. 그렇기 때문에 학업이 아닌 다른 박사 과정이 필요하지 않습니다. 모든 분야에서 일할 수 있습니다. 박사 학위 취득 특정 연구 기술을 개발하는 데 도움이되지만

1. 대부분의 직무에서 이러한 연구 기술이 필요하지 않습니다.
2. 박사 학위를받지 않고도 이러한 기술을 습득 할 수 있습니다. 정도.

파이낸셜 타임즈 의 최고 경제 통신원 인 마틴 울프 (Martin Wolf ) 는 박사 학위를 가지고 있지 않다. (그는 석사 학위를 가지고 있지만) 그의 말은 대부분의 박사 학위보다 훨씬 무게가 큽니다. 졸업생. 기계 학습을 포함한 모든 분야에서 성공하려면 자신이 철저히 학습하고 생각하는 방법을 알아야합니다. 박사 이러한 기술을 연습하는 데 도움이되지만 그 자체가 끝이 아닙니다. 박사 학위가 없기 때문에 기꺼이 인터뷰하지 않으려는 사람은 아마도 일할 가치가 없습니다.

면책 조항 : CS에는 박사 학위가 없으며 기계 학습에서도 일하지 않습니다. 나는 다른 지식과 경험을 일반화하고 있습니다.

나는 여기에 몇 가지 좋은 대답이 있다고 생각하지만, 솔직한 의견으로는 여전히 주요 문제를 명시 적으로 밝히지 않습니다. 나는 그렇게하려고 노력할 것이지만, 내가 근본적으로 다른 말을하고 있다고 생각하지 않는다는 것을 인정한다. 여기서 주요 이슈는 스킬 개발과 시그널링에 관한 것이다 .

기술 개발 과 관련하여 궁극적으로 (종업원으로서) 업무를 수행하고, 잘 수행하고 신속하게 수행 할 수 있기를 원하며, 고용주는 그러한 사람을 원합니다 (또는 추정해야합니다). 따라서 여기에 대한 질문은 여분의 2 년간의 학업 훈련을 통해 얼마나 많은 기술 개발을 얻을 수 있는가입니다. 확실히 당신은 무언가를 얻어야하지만, 대학원을 계속하지 않는 사람들은 졸업 할 때까지 더프에 앉아 있지 않을 것임을 알고 있습니다. 따라서, 당신은 한 세트의 경험 (학문)과 다른 경험 (작업)을 비교하고 있습니다. 좋은 것은 박사의 질과 본질에 달려 있습니다. 프로그램, 본질적인 관심사, 당신이 얼마나 자기 주도적이며, 첫 번째 직업에서 어떤 종류의 기회와 지원을받을 수 있는지.

지속적인 학업 훈련이 기술 개발에 미치는 영향 이외에도 신호 의 효과와 가치에 대한 문제가 있습니다 (즉, 이름 뒤에 "Ph.D"가 추가되는 문제). 이 신호는 두 가지 방법으로 도움이 될 수 있습니다. 첫째, 첫 직장을 착륙시키는 데 도움이 될 수 있으며, 해고해서는 안됩니다. 매우 중요 할 수 있습니다. 연구에 따르면 자신에게 적합하지 않은 첫 번째 위치에서 시작 해야하는 사람들은 좋은 직업에서 시작하는 사람들만큼 (경력 적으로 평균적으로) 행동하지 않는 것으로 나타났습니다 그들의 능력과 관심에 일치합니다. 다른 한편으로, 합의는 첫 직장 후 미래의 전망이 학업 자격보다 이전 직장에서의 성과에 훨씬 더 큰 영향을받는 것으로 보입니다 .

신호의 두 번째 측면은 분석가와 분석 소비자 간의 관계와 관련이 있습니다. @EMS는이 점을 의견에 제시 하는 좋은 일을한다. 소규모 컨설팅 상점이 많이 있으며, 그들은 잠재 고객들에게 박사 학위를 제공하는 것을 좋아합니다. 계약을 체결하려는 초기 회의, 편지지, 완성 된 작업 제품의 프리젠 테이션 등 박사 학위는 항상 있습니다. 이것에 대해 냉소하기는 쉽지만 컨설팅 회사와 소비자에게는 합법적 인 가치가 있다고 생각합니다 (이러한 문제에 대해 잘 모르고 자격 증명을 사용하여 좋은 일을 할 회사를 선택할 수 있도록 도와줍니다) . 무대 뒤에서 일부 작품은 자격이 적은 유능한 사람들에게 농사일 수도 있지만 박사 학위를 원합니다. 제품을 배송하기 전에 프런트 엔드에 서명하고 작업 제품에 사인 오프합니다. 그들이 자본을 유치하고 투자자를 안심시키고 자한다면 스타트 업과 비슷한 일이 벌어 질 수 있습니다.

나는 여기에서 말한 대부분의 의견에 동의하지만, 금융 분야에서 일자리를 신청할 때 발생하는 몇 가지 실질적인 문제를 소개하고자합니다. 통계 또는 수학 박사 학위가 특정 거래 또는 양적 개발자 위치에 적용되어야한다는 광고가 종종 표시됩니다. 나는 이것에 대한 특별한 이유가 있다는 것을 안다. 마음, 나는 이것이 옳다고 말하지는 않지만 실제로 일어나는 일입니다.

• 직업, 특히 가장 잘 알려진 회사에 대한 많은 지원자가 있으며, 고용주는 각 후보자에게 충분한 시간을 할애 할 수 없습니다. 학문적 배경을 바탕으로 응용 프로그램을 필터링하면 인구 규모가 관리하기 쉬운 숫자로 줄어 듭니다. 그렇습니다. 예, 생산적인 개인 을 찾는 가장 좋은 방법은 아닙니다 . 그러나 평균적으로 공예를 배우기 위해 수년간 헌신 한 숙련 된 전문가를 찾고 있습니다. 그들은 복잡한 연구 프로젝트를 수행하기 위해 최소한 훈련을 받아야합니다.

• 팀과 회사는 다수의 박사 학위를 통해 투자자와 고객에게 보여줄 것입니다. 이것은 회사에 "기괴한"지식의 이미지를 제공하고 그 명성에 도움이 될 것입니다. 무형 가치 상승이 가능하다. 일반 투자자는 지식이 풍부한 과학자 팀에 자본을 제공하는 데 더 자신감을 가질 것입니다. MBA에 대해서도 비슷한 지적을 할 수 있습니다.

• 마지막으로 기업 정책에 따라 높은 학업 성취도에 우선적 인 진로와 보상이 있어야한다고 지시합니다. 저는 이것이 금융뿐만 아니라 다른 산업 분야의 대부분의 기업들에게도 해당된다고 생각합니다. 수학 박사 학위를 관리하는 컴퓨터 과학 학사 학위를 가진 John을 만나기가 어렵습니다.

면책 조항 : 저는 채용 담당자이며 1982 년 이래로 귀하의 질문을 잘 이해하고 있습니다. 이 방법으로 분류하겠습니다. 이력서는 선별 장치입니다. 회사는 수많은 이력서를 얻으므로 "이 사람과 대화하고 싶지 않은 이유는 무엇입니까?"라는 질문에 대해 이력서를 읽고 있습니다. 그것은 그들의 요구를 충족시킬 수있는 가장 좋은 기회를 가진 몇 명의 후보자들에게 더미를 줄입니다. 인터뷰를 받고 이력서에 박사 학위가 표시되지 않으면 여기에 다른 일이 있습니다. 나는 이력서가 스크리닝 OUT 장치이기 때문에 인터뷰는 스크리닝 IN 장치라고 말합니다. 그들이 당신을 인터뷰에 초대하면 그들은 이미 당신이 일을하기에 충분한 "종이에"있다고 결론을 내 렸습니다. 인터뷰에서 걸을 때 유일한 질문은 정말 묻는 것은 "왜 내가 당신을 고용해야합니까?" 그들이 고용하는 사람은 회사의 요구를 가장 잘 충족시킬 수있는 사람이 될 것입니다.

채용 담당자로서의 조언 은 인터뷰를 통해 더 깊은 요구를 파악하기 위해 질문 을 하는 것입니다. 저의 직업 설명은 진실과 거의 같지 않으므로 핫 버튼을 조사한 다음 해당 문제에 직접 판매하고 싶을 것입니다. 인터뷰가 심문처럼 느껴져서 끝이 질문을 기다리는 것을 허용하지 마십시오. 당신은 화염에 빠져 결국 박사님이 없다고 들었습니다. 그들이 문제를 해결하도록 도와 줄 의지를 보여 주면서 존중하십시오.

내가 가장 좋아하는 질문은 " 이 역할에서 알고있는 최고의 인물 의 특성 은 무엇입니까 ?"입니다. 모두가 꿈의 팀을 염두에두고 있기 때문에이 역할에서 성공하기 위해 어떤 특성 이 필요한지 알아내는 것이 중요합니다 . 경험, 배경 또는 학위에 관한 질문은 아닙니다. 참조, 나는 항상 경험이 풍부한 평범한 박사 학위를 찾을 수 있으므로 성배가 아닙니다. IMO는 필요한 사람의 본질을 담은 직업 설명을 작성하는 방법을 모르기 때문에 기업이 계속 생각하는 것이 가장 좋습니다.

내 2 센트 : 아니요, 그렇게 생각하지 않습니다. PhD 자체는 데이터 마이닝 또는 ML에 더 적합하지 않습니다. 카글 자신의 제레미 하워드를 가져 가라. 나는 심지어 프로그램 품질에 큰 변화가 있기 때문에 박사 학위가 자격에 대해별로 말하지 않는다고 말하고 싶습니다. 아마도 박사가 증명하는 것은 소유자가 좌절에 대한 높은 내성을 갖는 것입니다.

결론 : 지식이 풍부하고 창의적이며 열심히 일하는 분야에 관심이 있다면 왜 박사 학위가 필요합니까? 제목이 아니라 계산해야합니다.

직업에 박사 학위가 필요한지 여부는 책임 수준과 고용주 및 / 또는 고객의 인식에 달려 있습니다. 박사 과정이 필요한 규칙이 있다고 생각하지 않습니다. 확실히 데이터 마이닝을 배우고 직원은 박사없이 생산적인 작업을 수행 할 수 있습니다. 이것은 이전의 교육보다 사람, 빨리 배우고 적응하는 능력뿐만 아니라 문학을 이해할 수있는 능력에 달려 있습니다. 이것은 진화하는 필드 인 데이터 마이닝에 특히 해당됩니다. 따라서 시간이 지남에 따라 박사 학위를 가진 데이터 마이너조차도 더 많은 것을 배울 수 있습니다.

Applied Statistics에서 석사 학위를 받았으며 유럽에서 데이터 마이너로 근무했습니다. 내가 영국에 왔을 때 아무도 데이터 마이닝에 대해 들어 본 적이 없었습니다. 이제는 일반적인 장소이며 고용주는이 직업에 박사 학위가 필요하다고 생각합니다. 그러나이 작업에 중요한 것은 통계 지식과 모델링 측면입니다. 내 경험상 대부분의 IT 직원은 통계를 이해하지 못하므로 작업을 잘 수행 할 수 없습니다. 저는 교수직을 맡았고 이제는이 고용주들을 만족시키기 위해 응용 통계학 박사 학위를 등록하고 있습니다. 아마도 수준이 매우 높은 1980 년대에 석사 학위를 위해 공부 한 대부분의 박사 졸업생보다 더 많이 알고있을 것입니다. 나는 좋은 데이터 광부라고 생각합니다. 통계에 배경이 있어야합니다.

이것은 전적으로 작업에 달려 있습니다. 제 경험으로는 (박사 학위가 있습니다) 3 가지 유형의 직업이 있습니다. 첫째, 현재까지 대부분의 산업 직종은 응용 머신 러닝, 즉 기존 ML 알고리즘을 해당 도메인 별 문제에 적용하는 조정에 중점을두고 있습니다. 이것들은 지금까지 가장 일반적인 ML 직종이며 이러한 종류의 직업에는 석사 학위가 충분합니다. 기업이나 대학의 연구 분야에서 발생하는 더 적은 수의 일자리에서 기관은 도메인 특정 문제에 대해 ML 작업을 적용 조정합니다. 새로운 수학을 사용하여 기존 방법을 살펴봄으로써 새로운 방법을 만드는 경험에는 일반적으로 시간이 걸리며 이러한 경험은 일반적으로 박사 과정에서 얻습니다. 새로운 이론적 결과는 동료들 (출판물)의 수용을 얻기에 충분히 강력해야하기 때문이다. 마지막으로, 아마도 가장 힘들고 가장 위험이 높으며 가장 드문 유형의 직업은 연구 알고리즘에서 완전히 새로운 알고리즘을 생각해 내거나 기존 알고리즘보다 수학적 특성을 더 잘 이해하는 순수한 이론적 인 것들입니다. 출판하기에 충분해야합니다). 이것 역시 PhD로 얻은 경험입니다. 박사 과정 학생은 자신의 훈련 기간 동안 (프로그램 기간과 실제 직업과 같은 즉각적인 제품 마감일이 없다는 사실 때문에) 세 가지 유형의 직업에 모두 노출되었을 수 있지만, MS 학생 일반적으로 첫 번째 직업에 대해 잘 훈련되어 있으며 아마도 두 번째 및 세 번째 유형의 작업에 약간만 노출되었을 것입니다.

기계 학습 위치에 Phd가 필요하다고 생각하지 않습니다. 수학적 호기심을 가진 좋은 주인과 호기심 많은 마음이 필요합니다. Phd는 바람직하지 않은 전문 분야에 대한 접근 방식을 편향시킵니다. 나는 핵심 기계 학습 알고리즘을 연구하고 원하는 방식으로 대부분 코딩합니다. 그리고 나는 잘못된 사고 방식을 가진 많은 Phd 사람들을 보았습니다. 박사는 빠른 시간 내에 솔루션을 작업하는 데 초점을 맞추는 산업과 달리 순수한 이론적 문제에 주로 동기를 부여합니다.

PhD 교육을 내려다 보는 사람들은 PhD가 무엇을 의미하는지 전혀 모르거나 의도적으로 진실한 의견을 제시하지 않습니다. 대부분의 석사 교육은 어떤 방법 으로든 박사 교육과 비교할 수 없습니다. 박사 과정의 강도와 엄격함은 상상할 수없는 헌신, 자기 훈련, 큰 압박을받는 학습 능력 및 견고한 기술 세트를 요구합니다 ..., 박사 학위 제목은 이미 모든 것을 입증했습니다. 미국의 정규 석사 학위는 동일하지 않습니다. 전혀 수평 ....