Saya sudah sangat tertarik dalam penambangan data dan pembelajaran mesin untuk sementara waktu, sebagian karena saya mengambil jurusan di sekolah itu, tetapi juga karena saya benar-benar jauh lebih bersemangat mencoba menyelesaikan masalah yang memerlukan sedikit pemikiran lebih dari sekadar pemrograman pengetahuan dan yang solusinya dapat memiliki berbagai bentuk. Saya tidak memiliki latar belakang peneliti / ilmuwan, saya berasal dari latar belakang ilmu komputer dengan penekanan pada analisis data, saya memiliki gelar Master dan bukan PhD. Saat ini saya memiliki posisi yang berkaitan dengan analisis data, bahkan jika itu bukan fokus utama dari apa yang saya lakukan, tetapi saya memiliki setidaknya beberapa paparan yang baik untuk itu.
Ketika saya sedang mewawancarai beberapa waktu lalu untuk pekerjaan dengan beberapa perusahaan, dan berbicara dengan beberapa perekrut, saya menemukan pola umum bahwa orang-orang tampaknya berpikir bahwa Anda perlu memiliki PhD untuk melakukan pembelajaran mesin , bahkan jika saya mungkin menggeneralisasi terlalu banyak (beberapa perusahaan tidak benar-benar mencari khususnya untuk PhD).
Walaupun saya pikir bagus untuk memiliki gelar PhD di bidang itu, saya tidak berpikir ini mutlak diperlukan . Saya memiliki pengetahuan yang lumayan tentang sebagian besar algoritma pembelajaran mesin dunia nyata, telah mengimplementasikan sebagian besar dari mereka sendiri (baik di sekolah atau di proyek pribadi), dan merasa cukup percaya diri ketika mendekati masalah yang melibatkan pembelajaran mesin / penambangan data dan statistik secara umum . Dan saya punya beberapa teman dengan profil serupa yang tampaknya sangat berpengetahuan tentang ini juga, tetapi juga merasa bahwa secara umum perusahaan cukup malu mempekerjakan dalam penambangan data jika Anda bukan PhD.
Saya ingin mendapatkan umpan balik, apakah menurut Anda PhD sangat diperlukan untuk memiliki pekerjaan yang sangat fokus di bidang itu?
(Saya agak ragu sebelum memposting pertanyaan ini di sini, tetapi karena tampaknya ini adalah topik yang dapat diterima pada meta , saya memutuskan untuk memposting pertanyaan ini yang telah lama saya pikirkan.)
sumber
Jawaban:
Saya percaya sebenarnya kebalikan dari kesimpulan Anda adalah benar. Dalam The Disposable Academic , beberapa petunjuk diberikan tentang upah rendah premium dalam matematika terapan, matematika, dan ilmu komputer untuk pemegang PhD daripada pemegang gelar master. Sebagian, ini karena perusahaan menyadari bahwa pemegang gelar master biasanya memiliki kedalaman teoretis, keterampilan pemrograman yang lebih baik, dan lebih lentur dan dapat dilatih untuk tugas spesifik perusahaan mereka. Misalnya, tidak mudah untuk mendapatkan murid SVM, untuk menghargai infrastruktur perusahaan Anda yang bergantung pada pohon keputusan. Seringkali, ketika seseorang telah mendedikasikan banyak waktu untuk paradigma pembelajaran mesin tertentu, mereka mengalami kesulitan menggeneralisasikan produktivitas mereka ke domain lain.
Masalah lain adalah bahwa banyak pekerjaan pembelajaran mesin hari ini adalah semua tentang menyelesaikan sesuatu, dan tidak begitu banyak tentang menulis makalah atau mengembangkan metode baru. Anda dapat mengambil pendekatan risiko tinggi untuk mengembangkan alat matematika baru, mempelajari aspek dimensi VC dari metode Anda, teori kompleksitas yang mendasarinya, dll. Tetapi pada akhirnya, Anda mungkin tidak mendapatkan sesuatu yang akan dipedulikan oleh para praktisi.
Sementara itu, lihatlah sesuatu seperti poselet . Pada dasarnya tidak ada matematika baru yang muncul dari poselet sama sekali. Ini sepenuhnya tidak elok, kikuk, dan tidak memiliki kecanggihan matematika apa pun. Tetapi skala hingga set data besar luar biasa baik dan sepertinya akan menjadi pokok dalam pengenalan pose (terutama dalam visi komputer) untuk beberapa waktu mendatang. Para peneliti itu melakukan pekerjaan yang hebat dan pekerjaan mereka harus mendapat tepuk tangan, tetapi itu bukan sesuatu yang diasosiasikan kebanyakan orang dengan pembelajaran mesin PhD.
Dengan pertanyaan seperti ini, Anda akan mendapatkan banyak pendapat berbeda, jadi pertimbangkan semuanya. Saat ini saya adalah seorang mahasiswa PhD dalam visi komputer, tetapi saya telah memutuskan untuk meninggalkan program saya lebih awal dengan gelar master, dan saya akan bekerja untuk sebuah perusahaan manajemen aset yang melakukan pembelajaran mesin bahasa alami, statistik komputasi, dll. Saya juga mempertimbangkan pekerjaan penambangan data berbasis iklan di beberapa perusahaan TV besar, dan beberapa pekerjaan robotika. Di semua domain ini, ada banyak pekerjaan untuk seseorang dengan kematangan matematika dan kemampuan untuk memecahkan masalah dalam berbagai bahasa pemrograman. Memiliki gelar master baik-baik saja. Dan, menurut artikel Economist itu, Anda pada dasarnya akan dibayar sama seperti seseorang dengan gelar PhD. Dan jika Anda bekerja di luar akademisi,
Seperti yang pernah dikatakan Peter Thiel, "Sekolah pascasarjana seperti menekan tombol snooze pada jam alarm kehidupan ..."
sumber
Penafian: Saya memiliki gelar Ph.D. dan bekerja dalam pembelajaran mesin. Karena itu, saya pikir selain menjadi seorang akademisi, Anda tidak perlu gelar Ph.D. untuk bekerja di bidang apa pun. Memperoleh gelar Ph.D. membantu Anda mengembangkan keterampilan penelitian tertentu, tetapi
Martin Wolf , kepala koresponden ekonomi untuk Financial Times , tidak memiliki gelar Ph.D. (dia memiliki gelar Master), tetapi kata-katanya membawa lebih banyak berat daripada kebanyakan Ph.D. lulusan. Saya pikir untuk berhasil di bidang apa pun (termasuk pembelajaran mesin), Anda harus tahu cara belajar dan memikirkan hal-hal yang menyeluruh pada Anda sendiri. A Ph.D. akan membantu Anda mempraktikkan keterampilan itu, tetapi itu tidak berakhir dengan sendirinya. Siapa pun yang tidak mau mewawancarai Anda hanya karena Anda tidak memiliki gelar Ph.D, mungkin tidak layak untuk bekerja.
sumber
Penafian: Saya tidak memiliki gelar PhD di CS, saya juga tidak bekerja dalam pembelajaran mesin; Saya menggeneralisasi dari pengetahuan dan pengalaman lain.
Saya pikir ada beberapa jawaban yang bagus di sini, tetapi, menurut pendapat jujur saya, mereka belum membuat masalah utama secara eksplisit. Saya akan berusaha melakukannya, tetapi menyadari bahwa saya tidak berpikir saya mengatakan sesuatu yang sangat berbeda. Masalah utama di sini berkaitan dengan pengembangan keterampilan vs. pensinyalan .
Sehubungan dengan pengembangan keterampilan , pada akhirnya Anda ingin (sebagai karyawan) untuk dapat menyelesaikan pekerjaan, dilakukan dengan baik dan dilakukan dengan cepat, dan majikan menginginkan (atau mungkin seharusnya) orang tersebut. Jadi, pertanyaannya di sini adalah berapa banyak pengembangan keterampilan ekstra yang Anda dapatkan dengan beberapa tahun pelatihan akademik tambahan? Tentu saja Anda harus mendapatkan sesuatu, tetapi ketahuilah bahwa orang-orang yang tidak melanjutkan sekolah pascasarjana mungkin tidak hanya duduk diam sampai mereka lulus. Dengan demikian, Anda membandingkan satu set pengalaman (akademik) vs yang lain (pekerjaan). Sedikit yang baik tergantung pada kualitas dan sifat Ph.D. program, minat intrinsik Anda, seberapa mandiri Anda, dan peluang serta dukungan seperti apa yang akan tersedia di pekerjaan pertama Anda.
Di luar efek lanjutan pelatihan akademis terhadap pengembangan keterampilan, ada pertanyaan tentang efek dan nilai sinyal (yaitu, memiliki "Ph.D" ditambahkan setelah nama Anda). Sinyal dapat membantu dalam dua cara: Pertama, dapat membantu Anda mendapatkan pekerjaan awal Anda, dan itu tidak boleh diberhentikan - itu bisa sangat penting. Penelitian telah menunjukkan bahwa orang-orang yang berkewajiban untuk memulai di posisi pertama yang tidak sesuai untuk mereka tidak pernah cenderung melakukannya juga (secara karir, rata-rata) seperti orang-orang yang memulai pekerjaan yang baik. cocok dengan kemampuan dan minat mereka. Di sisi lain, konsensus tampaknya bahwa setelah pekerjaan pertama Anda, prospek masa depan Anda jauh lebih kuat dipengaruhi oleh kinerja Anda dalam pekerjaan Anda sebelumnya daripada kredensial akademis Anda.
Aspek kedua dari sinyal berkaitan dengan hubungan antara analis dan konsumen analisis. @EMS melakukan pekerjaan yang baik untuk menyampaikan hal ini dalam komentar. Ada banyak toko konsultan kecil, dan mereka senang memiliki gelar Ph.D untuk dipamerkan kepada klien potensial: dalam pertemuan awal mencoba mendapatkan kontrak, pada kop surat, dalam presentasi produk kerja yang sudah selesai, dll. Ph. selalu ada di sana. Sangat mudah untuk bersikap sinis tentang ini, tetapi saya pikir ada nilai yang sah untuk perusahaan konsultan dan konsumen (yang mungkin tidak tahu banyak tentang masalah ini dan dapat menggunakan kredensial untuk membantu mereka memilih perusahaan yang akan melakukan pekerjaan dengan baik untuk mereka) . Di belakang layar, beberapa pekerjaan mungkin diberikan kepada orang-orang yang kompeten dengan kurang kredensial, tetapi mereka menginginkan gelar Ph.D. untuk ujung depan, dan untuk menandatangani pada produk kerja sebelum dikirim. Saya bisa melihat sesuatu yang analog terjadi dengan perusahaan baru jika mereka mencoba menarik modal dan ingin meyakinkan investor.
sumber
Saya setuju dengan sebagian besar yang telah dikatakan di sini, tetapi saya ingin memperkenalkan beberapa masalah praktis yang muncul saat melamar pekerjaan di bidang keuangan. Seringkali Anda akan melihat iklan yang menyatakan bahwa PhD dalam statistik atau matematika diperlukan untuk melamar perdagangan tertentu atau posisi pengembang kuantitatif. Saya tahu ada beberapa alasan khusus untuk ini. Pikiran, saya tidak mengatakan ini benar, tetapi itulah yang terjadi dalam praktik:
Ada banyak pelamar untuk pekerjaan itu, terutama untuk perusahaan yang paling terkenal, dan majikan tidak mungkin mendedikasikan waktu yang cukup untuk setiap kandidat. Memfilter aplikasi berdasarkan latar belakang akademis menyusutkan ukuran populasi ke angka yang lebih mudah dikelola. Ya, akan ada rindu. Ya, itu bukan cara terbaik untuk menemukan individu yang produktif . Tetapi rata-rata Anda mencari profesional terampil yang telah mendedikasikan bertahun-tahun untuk mempelajari kerajinan. Mereka setidaknya harus memiliki disiplin untuk menyalip proyek penelitian yang kompleks.
Tim dan perusahaan akan diperkaya oleh sejumlah PhD untuk dipamerkan kepada investor dan klien. Ini akan memberikan citra pengetahuan "oracleous" kepada perusahaan dan menguntungkan reputasinya. Penilaian tidak berwujud perusahaan dapat naik. Investor biasa akan lebih percaya diri dalam memberikan modal mereka kepada tim ilmuwan yang berpengetahuan luas. Anda dapat membuat poin serupa tentang MBA.
Akhirnya, kadang-kadang kebijakan perusahaan menentukan bahwa prestasi akademik yang lebih tinggi harus memiliki jalur karier istimewa dan kompensasi. Saya percaya ini berlaku untuk sebagian besar perusahaan di industri yang berbeda, bukan hanya keuangan. Sulit untuk melihat John dengan gelar BS dalam ilmu komputer yang mengelola PhD dalam matematika.
sumber
Penafian: Saya seorang perekrut dan telah bekerja sejak 1982, jadi saya sangat memahami pertanyaan Anda. Biarkan saya memecahnya dengan cara ini. Resume Anda adalah perangkat penyaringan. Perusahaan mendapatkan banyak resume sehingga mereka membaca resume dengan satu pertanyaan di benak, "Mengapa saya tidak ingin berbicara dengan orang ini?" Itu mengurangi tumpukan mereka menjadi beberapa kandidat yang memiliki peluang terbaik untuk memenuhi kebutuhan mereka. Jadi jika Anda mendapatkan wawancara dan resume Anda tidak menunjukkan gelar PhD maka ada hal lain yang terjadi di sini. Saya mengatakan itu karena, sama seperti resume adalah perangkat screening keluar, wawancara adalah perangkat screening. Begitu mereka mengundang Anda ke sebuah wawancara maka mereka sudah menyimpulkan bahwa Anda memiliki cukup "di atas kertas" untuk melakukan pekerjaan itu. Jadi ketika Anda berjalan dalam wawancara, satu-satunya pertanyaan yang mereka miliki Yang benar-benar bertanya adalah "mengapa saya harus mempekerjakan Anda?" Orang yang mereka pekerjakan akan menjadi individu yang menjawab bahwa mereka dapat melayani kebutuhan perusahaan dengan sebaik-baiknya.
Saran saya sebagai perekrut adalah mengajukan pertanyaan selama wawancara untuk mengidentifikasi kebutuhan mereka yang lebih dalam. Percayalah, deskripsi pekerjaan jarang menyerupai kebenaran sehingga Anda ingin menyelidiki tombol panas mereka kemudian menjual langsung ke masalah itu. Jangan biarkan wawancara terasa seperti interogasi, menunggu akhir untuk mengajukan pertanyaan. Anda akan terbakar dan akhirnya diberitahu "Anda tidak memiliki gelar PhD". Bersikaplah hormat namun tunjukkan kesediaan Anda untuk membantu mereka memecahkan masalah mereka.
Pertanyaan favorit saya adalah: "Apa ciri - ciri orang terbaik yang pernah Anda kenal dalam peran ini?" Setiap orang memiliki tim impian, jadi penting untuk mengetahui sifat apa yang mereka rasa perlu untuk berhasil dalam peran ini. Perlu diingat, ini bukan pertanyaan tentang pengalaman, latar belakang atau derajat. Lihat, saya selalu dapat menemukan PhD biasa-biasa saja dengan banyak pengalaman jadi ini bukan cawan suci. Hanya perusahaan yang terus berpikir yang terbaik karena IMO mereka tidak tahu bagaimana lagi untuk menulis deskripsi pekerjaan yang menangkap esensi orang yang mereka butuhkan.
sumber
2 sen saya: Tidak, saya kira tidak. PhD per se tidak memberikan hak untuk menjadi lebih baik untuk data mining atau ML. Ambil sendiri Jeremy Howard dari Kaggle. Saya bahkan akan mengatakan bahwa PhD tidak banyak berbicara tentang kualifikasi apa pun karena ada variasi yang sangat besar dalam kualitas program. Mungkin satu-satunya hal yang dibuktikan PhD adalah bagi pemegangnya untuk memiliki toleransi frustrasi yang tinggi.
Intinya: Jika Anda tertarik pada bidang itu, berpengetahuan luas, kreatif dan pekerja keras, mengapa Anda membutuhkan gelar PhD? Andalah yang harus menghitung, bukan gelar Anda.
sumber
Apakah pekerjaan memerlukan gelar PhD atau tidak tergantung pada tingkat tanggung jawab dan persepsi pemberi kerja dan / atau kliennya. Saya kira tidak ada disiplin ilmu yang menuntut gelar PhD. Tentu saja penambangan data dapat dipelajari dan seorang karyawan dapat melakukan pekerjaan produktif tanpa gelar PhD. Ini lebih tergantung pada orang tersebut, kemampuannya untuk belajar dengan cepat dan beradaptasi serta mampu memahami literatur, daripada pada pendidikan sebelumnya. Ini terutama berlaku untuk penambangan data yang merupakan bidang yang berkembang. Jadi, bahkan penambang data dengan PhD akan memiliki lebih banyak untuk belajar seiring berjalannya waktu.
sumber
Saya memiliki gelar master dalam Statistik Terapan dan bekerja di Eropa sebagai Penambang Data. Ketika saya datang ke Inggris, tidak ada yang pernah mendengar tentang penambangan data apalagi belajar untuk gelar seperti itu. Sekarang adalah tempat yang umum dan pengusaha merasa bahwa gelar Phd diperlukan untuk pekerjaan ini. Namun, pengetahuan statistik dan aspek pemodelan yang penting untuk pekerjaan ini. Dalam pengalaman saya, kebanyakan orang TI tidak mengerti statistik dan karena itu tidak dapat melakukan pekerjaan dengan baik. Saya mulai mengajar dan sekarang mendaftar untuk melakukan Phd dalam Statistik Terapan untuk memuaskan para majikan ini. Saya mungkin tahu lebih banyak daripada kebanyakan lulusan Phd yang belajar untuk gelar Master saya pada 1980-an ketika levelnya sangat tinggi. Saya pikir untuk menjadi penambang data yang baik, seseorang harus memiliki latar belakang dalam Statistik.
sumber
Ini sepenuhnya tergantung pada pekerjaan yang dihadapi. Dalam pengalaman saya (saya memiliki gelar PhD), ada 3 jenis pekerjaan. Pertama, seperti yang telah dikatakan, sebagian besar pekerjaan industri saat ini berorientasi pada pembelajaran mesin terapan, yaitu penerapan-tweak algoritma ML yang ada dengan masalah khusus domain yang dimaksud. Sejauh ini, ini adalah pekerjaan ML yang paling umum dan gelar Master lebih dari cukup untuk jenis pekerjaan ini. Sejumlah kecil pekerjaan, yang kebetulan berada di sayap penelitian perusahaan atau universitas, lembaga melamar-tweak-menciptakan pekerjaan ML untuk masalah spesifik domain. Pengalaman menciptakan metode baru dengan melihat metode yang ada menggunakan matematika baru biasanya memakan waktu dan pengalaman ini biasanya diperoleh selama PhD, sebagai hasil teoritis baru harus cukup kuat untuk mendapatkan penerimaan dari rekan-rekan (publikasi). Terakhir dan mungkin jenis pekerjaan tersulit, risiko tertinggi dan paling tidak umum adalah hal-hal teoretis murni yang terjadi di universitas riset di mana fokusnya adalah menghasilkan algoritma baru secara total, atau memahami sifat matematika lebih baik dari algoritma yang ada (juga harus cukup bagus untuk diterbitkan). Ini juga merupakan pengalaman yang biasanya diperoleh sebagai PhD. Sementara seorang mahasiswa PhD mungkin memiliki beberapa paparan terhadap ketiga jenis pekerjaan selama pelatihannya (murni karena lamanya waktu program dan fakta bahwa tidak ada tenggat waktu produk langsung seperti pekerjaan nyata), siswa MS biasanya terlatih dengan baik untuk pekerjaan pertama dan mungkin hanya akan memiliki paparan kecil untuk jenis pekerjaan ke-2 dan ke-3.
sumber
Saya tidak berpikir bahwa Phd diperlukan untuk setiap posisi pembelajaran mesin. Seorang master yang baik dan pikiran yang tidak bersemangat dengan keingintahuan matematis adalah semua yang dibutuhkannya. A Phd bias pendekatan Anda terhadap spesialisasi Anda yang tidak diinginkan. Saya bekerja pada algoritma pembelajaran Mesin inti, dan kode sebagian besar dari mereka dengan cara yang saya inginkan. Dan saya telah melihat banyak orang Phd dengan pola pikir yang salah. Phds sebagian besar dimotivasi oleh masalah teoritis murni, tidak seperti di industri di mana fokusnya adalah pada solusi yang bekerja dalam waktu cepat
sumber
Orang-orang yang memandang rendah pelatihan PhD entah tidak tahu apa arti PhD sama sekali, atau hanya dengan sengaja membuat komentar yang tidak benar; kebanyakan pelatihan master tidak dapat dibandingkan dengan pelatihan PhD dengan cara apa pun. Intensitas dan ketelitian dalam pelatihan PhD membutuhkan dedikasi yang tak terbayangkan, disiplin diri, kemampuan belajar di bawah tekanan besar, dan keahlian yang solid ..., gelar PhD sudah membuktikan semua itu, gelar master reguler di sini di Amerika tidak sama. level sama sekali ....
sumber