在没有博士学位的情况下从事数据挖掘工作

一段时间以来，我对数据挖掘和机器学习一直很感兴趣，部分原因是我在学校主修该领域，还因为我真的很兴奋，尝试解决需要更多思考而不只是编程的问题知识及其解决方案可以有多种形式。我没有研究人员/科学家背景，我来自计算机科学背景，重点是数据分析，我拥有硕士学位而不是博士学位。我目前有一个与数据分析相关的职位，即使这不是我正在做的工作的主要重点，但我至少对此有一定的了解。

前段时间我在几家公司工作时面试，并与一些招聘人员交谈，我发现一种常见的模式，人们似乎认为您需要拥有博士学位才​​能进行机器学习，即使我可能概括得太多了（有些公司并不是特别在意博士学位）。

虽然我认为在该领域拥有博士学位是件好事，但我认为这不是绝对必要的。我对大多数现实世界的机器学习算法有相当不错的了解，我自己（在学校或个人项目中）已经实现了大多数算法，并且在解决涉及机器学习/数据挖掘和统计的问题时感到非常自信。而且我有一些朋友具有相似的个人资料，他们似乎对此也非常了解，但同时也感到，如果您不是博士学位，那么一般而言，公司对于聘用数据挖掘人员会非常害羞。

我想获得一些反馈，您认为博士学位对于在这个领域非常专注是绝对必要的吗？

（在将这个问题发布到这里之前，我有所犹豫，但是由于它似乎是meta上可以接受的主题，因此我决定将这个问题发布了我已经思考了一段时间的问题。）

我相信实际上您结论的反面是正确的。在《一次性学术》中，给出了几个指示，说明博士学位持有者比硕士学位持有者在应用数学，数学和计算机科学领域的低工资溢价。在某种程度上，这是因为公司意识到，硕士学位持有者通常具有同等的理论深度，更好的编程技能，并且更加柔韧，可以接受针对其公司特定任务的培训。例如，要获得SVM的支持者来欣赏您公司依赖于决策树的基础架构并不容易。通常，当某人将大量时间用于特定的机器学习范例时，他们很难将其生产力推广到其他领域。

另一个问题是，如今，许多机器学习工作都与完成工作有关，而与撰写论文或开发新方法无关。您可以采用高风险的方法来开发新的数学工具，研究方法的VC维方面，其基本的复杂性理论等。但是最后，您可能会得到从业者不会关心的东西。

同时，看看像poselets的东西。基本上，新的数学都不会产生于体态。它完全不灵活，笨拙，并且缺乏任何数学上的复杂性。但是它可以很好地扩展到大型数据集，并且看起来在未来一段时间内，它将成为姿势识别（尤其是计算机视觉）的主要内容。这些研究人员做得很好，他们的工作值得称赞，但这并不是大多数人与机器学习博士学位相关的东西。

遇到这样的问题，您会得到很多不同的意见，因此请务必考虑所有这些意见。我目前是计算机视觉的博士学位学生，但是我决定早些离开硕士学位，然后我将在一家资产管理公司工作，从事自然语言机器学习，计算统计等工作。我也考虑过一些大型电视公司的基于广告的数据挖掘工作，以及一些机器人技术工作。在所有这些领域中，对于具有数学成熟度和解决多种编程语言问题的诀窍的人来说，都有很多工作。拥有硕士学位就可以了。而且，根据该《经济学人》的文章，与获得博士学位的人基本一样，您的收入将与之相同。如果您不在学术界工作，

正如彼得·泰尔（Peter Thiel）曾经说过的那样：“毕业学校就像按下生活闹钟上的贪睡按钮一样……”

免责声明：我有博士学位。并从事机器学习。话虽如此，我认为除了成为一名学者以外，您不需要博士学位。在任何领域工作 获得博士学位 帮助您发展某些研究技能，但是

1. 对于大多数工作，您不需要那些研究技能。
2. 您无需获得博士学位即可获得这些技能。学位。

《金融时报》首席经济通讯员马丁·沃尔夫（Martin Wolf）没有博士学位。（他拥有硕士学位），但是他的话语比大多数博士学位更具分量。毕业生。我认为要在任何领域（包括机器学习）取得成功，您都必须知道如何学习和自己思考透彻的知识。博士学位 可以帮助您练习这些技能，但这并不是目的。仅仅因为您没有博士学位而不愿意接受您采访的任何人可能都不值得为之工作。

免责声明：我没有CS博士学位，也没有从事机器学习的工作；我从其他知识和经验中总结。

我认为这里有几个很好的答案，但以我的诚实观点，它们还没有完全阐明主要问题。我会尝试这样做，但是要意识到我并没有在说完全不同的话。这里的主要问题涉及 技能发展与信号传递。

关于技能开发，最终您希望（作为一名员工）能够完成工作，做好并迅速完成工作，而雇主则希望（或应该应该）有这样的人。因此，这里的问题是，经过几年的学术培训，您还能获得多少额外的技能开发？当然，您应该会有所收获，但要认识到，那些没有继续读研究生的人可能不会只是坐在自己的手上，直到毕业为止。因此，您正在比较一组经验（学术）与另一组经验（工作）。好一点取决于博士学位的质量和性质。课程，您的内在兴趣，您的自我指导以及您的第一份工作将提供什么样的机会和支持。

除了持续的学术训练对技能发展的影响之外，还有信号的影响和价值的问题（即在您的名字后附加“ Ph.D”）。该信号可以通过两种方式提供帮助：首先，它可以帮助您找到最初的工作，并且不应该忽视这一点-这非常重要。研究表明，那些必须在不适合自己的第一职位上开始工作的人，通常不会像开始从事一项良好工作的人那样做（在职业上平均而言）匹配他们的能力和兴趣。另一方面，共识似乎是，在你的第一份工作之后，你的前途比受学历的影响要大得多。

信号的第二个方面与分析人员和分析使用者之间的关系有关。@EMS很好地在评论中指出了这一点。有很多小型咨询店，他们喜欢拥有博士学位来向潜在客户炫耀：在最初的会议上试图签定合同，在抬头的信纸上，在完成的产品展示中等等。博士总是在那儿。对此持怀疑态度很容易，但是我确实认为咨询公司和消费者有合法的价值（他们可能对这些问题不太了解，可以使用证书来帮助他们选择对他们有好处的公司） 。在幕后，一些工作可能会被提供给资格证书较少的有能力的人，但他们想要博士学位。前端，并在交付之前签收工作产品。如果他们试图吸引资本并想让投资者放心，我会看到初创公司发生了类似的事情。

我同意这里所说的大多数，但是我想介绍一些在申请金融工作时出现的实际问题。通常，您会看到广告说明必须申请统计学或数学博士学位才​​能申请特定的交易或定量的开发人员职位。我知道有一些特殊原因。介意，我并不是说这是对的，但实际上是这样：

• 这份工作有很多申请人，尤其是对于最知名的公司而言，雇主不可能为每个候选人分配足够的时间。根据学术背景筛选应用程序会将人口规模缩小到更易于管理的数量。是的，会有遗漏。是的，这不是找到有生产能力的人的最佳方法。但平均而言，您正在寻找的是专业人士，他们花了多年的时间来学习这项技术。他们至少应具有超越复杂研究项目的纪律。

• 团队和公司将获得大量博士学位，以向投资者和客户展示。这将给公司带来“恶意”知识的印象，并有益于公司的声誉。公司的无形估值可能会上升。普通投资者将更有信心将资金提供给这样一支知识渊博的科学家团队。您可以对MBA提出类似的观点。

• 最后，有时公司政策规定，较高的学业成绩应具有优先的职业道路和报酬。我相信这不仅适用于金融业，而且适用于不同行业的大多数公司。很难看出约翰拥有计算机科学理学士学位以管理数学博士学位。

免责声明：我是一名招聘人员，自1982年以来一直工作，因此我对您的问题非常了解。让我以这种方式分解它。您的简历是一种筛选工具。公司收到大量的简历，因此在阅读简历时会想到一个问题：“我为什么不想和这个人说话？” 这样一来，他们就减少了几位最有可能满足其需求的候选人。因此，如果您正在接受面试，而您的简历没有显示博士学位，那么这里还有其他事情发生。我说这是因为，就像简历是放映装置一样，面试也是放映装置。一旦他们邀请您参加面试，他们就会得出结论，您有足够的“纸上”来完成这项工作。因此，当您在面试中行走时，唯一的问题是 我真的在问：“我为什么要雇用你？” 他们雇用的人将是那些能够最好地满足公司需求的人。

作为招聘人员，我的建议是在面试过程中提出一些问题，以确定他们的更深层次需求。相信我，职位描述很少与事实相像，因此您将需要探究他们的热门按钮，然后直接出售这些问题。不要让面试感觉像是在审问，等待结局提出问题。您会大跌眼镜，最终被告知“您没有博士学位”。要有礼貌，但要表现出您愿意帮助他们解决问题的意愿。

我最喜欢的问题是：“ 您所担任的最佳人选的特征是什么？” 每个人都有一个梦dream以求的团队，因此弄清楚他们认为要取得这个角色所必需的哪些特征非常重要。请记住，这不是有关经验，背景或学位的问题。瞧，我总能找到拥有大量经验的中等水平的博士，所以这不是圣杯。公司一直认为这是最好的，因为IMO他们不知道其他方式来撰写职位描述以捕捉所需人员的本质。

我的2分钱：不，我不这么认为。博士学位本身并没有赋予人们更好的数据挖掘或ML能力。以kaggle自己的Jeremy Howard为例。我什至可以说，博士学位没有说明任何资格，因为程序质量存在很大差异。博士学位唯一能证明的是持有人具有很高的挫折承受能力。

底线：如果您对该领域感兴趣，知识渊博，富有创造力且努力工作，为什么需要博士学位？应该算的是您，而不是头衔。

一份工作是否需要博士学位取决于工作水平和对雇主和/或其客户的看法。我认为没有一门学科需要博士学位。当然，可以学习数据挖掘，并且员工无需博士学位即可从事生产性工作。与以前的教育相比，这更多地取决于人，他或她的快速学习和适应能力以及能够理解文学的能力。对于不断发展的数据挖掘尤其如此。因此，随着时间的流逝，即使是拥有博士学位的数据挖掘者也将有更多的学习机会。

我拥有应用统计硕士学位，并在欧洲担任数据挖掘人员。当我来到英国时，甚至没有人听说过数据挖掘，更不用说学习这样的学位了。现在是司空见惯的事情，老板们觉得博士学位对于这项工作是必要的。但是，对于这项工作而言，重要的是统计知识和建模方面。以我的经验，大多数IT人员都不了解统计信息，因此无法很好地完成工作。我开始教学，现在报名参加应用统计博士学位，以使这些雇主满意。在1980年代，我的硕士学位水平很高时，我知道的知识可能比大多数博士毕业生要多。我认为要成为一名出色的数据挖掘者，必须具备统计学背景。

这完全取决于手头的工作。根据我的经验（我有博士学位），有3种工作。首先，正如已经说过的那样，如今大多数行业工作都面向应用机器学习，即，将现有ML算法的应用调整应用于所讨论的特定领域问题。这些是迄今为止最常见的ML职位，并且硕士学位足以胜任此类工作。恰好在公司或大学，机构的研究部门中的少数工作正在针对特定领域的问题进行应用-调整-创建ML工作。通过使用新数学研究现有方法来创建新方法的经验通常会花费一些时间，而这些经验通常是在博士学位期间获得的，因为新的理论结果应该足够有力，以得到同行的认可（出版物）。最后，可能是最困难，风险最高和最不常见的工作类型，是研究型大学所从事的纯粹理论性工作，重点是完全提出一种新算法，或者更好地理解现有算法的数学特性（还必须足以被发布）。这也是通常获得博士学位的经验。博士生在接受培训时可能会接触过所有三种类型的工作（这完全是由于该计划的时间长，而且没有像实际工作那样的即时产品截止日期这一事实），而MS学生通常对第一份工作进行良好的培训，并且可能只接触过第二种和第三种工作。

我认为任何机器学习职位都不需要博士。一个好的主人和一个好奇心强的数学好奇心是他们所需要的。博士会将您的方法偏向于您的专业化，这是不可取的。我从事核心机器学习算法的研究，并按照自己的方式对大多数算法进行编码。而且我见过很多博士生有错误的心态。博士主要受纯理论问题的驱使，而行业中的重点是快速解决问题

看不起博士培训的人或者根本不知道博士意味着什么，或者只是故意发表不真实的评论；大多数硕士培训无论如何都不能与博士学位培训相提并论。博士学位训练的强度和严密性要求不可思议的奉献精神，自律，承受巨大压力的学习能力以及扎实的技能.........博士学位的头衔已经证明了所有这些，美国的常规硕士学位并非同一人水平。。。