L’ exploration de données et l’ apprentissage automatique me passionnent depuis un certain temps, en partie parce que j’ai étudié la matière à l’école, mais aussi parce que j’ai vraiment beaucoup plus hâte de résoudre des problèmes qui nécessitent un peu plus de réflexion que de programmation. connaissances et dont la solution peut prendre plusieurs formes. Je n'ai pas de formation de chercheur / scientifique, je viens d'une formation en informatique qui met l'accent sur l'analyse de données, je suis titulaire d'une maîtrise et non d'un doctorat. J'ai actuellement un poste lié à l'analyse des données, même si ce n'est pas l'objectif principal de ce que je fais, mais j'ai au moins une bonne exposition à cela.
Alors que j’interviewais il y a quelques temps pour un travail avec plusieurs entreprises et que j’ai eu la chance de parler à quelques recruteurs, j’ai trouvé un schéma commun selon lequel les gens semblent penser qu’il est nécessaire de posséder un doctorat pour pouvoir apprendre à la machine , même si je suis généraliser un peu trop (certaines entreprises ne recherchaient pas particulièrement les docteurs).
Bien que je pense qu’il soit bon d’avoir un doctorat dans ce domaine, je ne pense pas que ce soit absolument nécessaire . Je connais assez bien la plupart des algorithmes d’apprentissage automatique du monde réel, j’ai mis en œuvre la plupart d’entre eux moi-même (à l’école ou sur des projets personnels) et je suis assez confiant face aux problèmes liés à l’apprentissage automatique / à l’extraction de données et aux statistiques en général. . Et certains de mes amis au profil similaire semblent très compétents à ce sujet, mais estiment également que les entreprises craignent généralement l'embauche dans l'exploration de données si vous n'êtes pas titulaire d'un doctorat.
J'aimerais avoir votre avis, pensez-vous qu'un doctorat est absolument nécessaire pour occuper un poste très spécialisé dans ce domaine?
(J'ai hésité un peu avant de poster cette question ici, mais comme il semble que ce soit un sujet acceptable pour la méta , j'ai décidé de poster cette question à laquelle je réfléchissais depuis un moment.)
la source
Réponses:
Je crois que le contraire de votre conclusion est vrai. Dans The Disposable Academic , plusieurs indications sont données sur la prime de bas salaire en mathématiques appliquées, en mathématiques et en informatique pour les titulaires de doctorat par rapport aux titulaires de maîtrise. Cela s'explique en partie par le fait que les entreprises réalisent que les titulaires d'une maîtrise ont généralement la même profondeur théorique, de meilleures compétences en programmation, qu'ils sont plus souples et qu'ils peuvent être formés aux tâches spécifiques de leur entreprise. Par exemple, il n'est pas facile de convaincre un disciple SVM d'apprécier l'infrastructure de votre entreprise qui repose sur des arbres de décision. Souvent, lorsqu'une personne consacre énormément de temps à un paradigme particulier d'apprentissage automatique, elle a du mal à généraliser sa productivité à d'autres domaines.
Un autre problème est que beaucoup de tâches d’apprentissage automatique de nos jours consistent uniquement à faire avancer les choses, et pas tellement à écrire des articles ou à développer de nouvelles méthodes. Vous pouvez adopter une approche à haut risque pour développer de nouveaux outils mathématiques, étudier les aspects de votre méthode relatifs aux dimensions VC, la théorie de sa complexité sous-jacente, etc. Cependant, à la fin, vous pourriez ne pas obtenir quelque chose qui intéressera les praticiens.
Pendant ce temps, regardez quelque chose comme des poselets . En gros, aucune nouvelle mathématique ne découle des poselets. Il est totalement peu élégant, maladroit et manque de toute sophistication mathématique. Mais il évolue incroyablement bien vers de grands ensembles de données et il semble que ce sera un élément essentiel de la reconnaissance de la pose (en particulier de la vision par ordinateur) pendant un certain temps. Ces chercheurs ont fait de l'excellent travail et leur travail doit être applaudi, mais ce n'est pas quelque chose que la plupart des gens associent à un doctorat en apprentissage automatique.
Avec une question comme celle-ci, vous obtiendrez des tonnes d'opinions différentes, alors considérez-les toutes et tous. Je suis actuellement étudiant au doctorat en vision par ordinateur, mais j'ai décidé de quitter mon programme plus tôt avec une maîtrise et je travaillerai pour une société de gestion d'actifs effectuant un apprentissage automatique en langage naturel, des statistiques de calcul, etc. J'ai aussi envisagé travaux de fouille de données basés sur la publicité pour plusieurs grandes sociétés de télévision et quelques travaux de robotique. Dans tous ces domaines, il y a beaucoup de travail pour quelqu'un avec une maturité mathématique et un talent pour la résolution de problèmes dans plusieurs langages de programmation. Avoir une maîtrise est très bien. Et, selon cet article d'Economist, vous serez rémunéré aussi bien qu'un doctorant. Et si vous travaillez en dehors du monde universitaire,
Comme l'a dit un jour Peter Thiel, "les études supérieures, c'est comme appuyer sur le bouton de répétition du réveil de la vie ..."
la source
Disclaimer: J'ai un doctorat et travailler en machine learning. Cela dit, à part devenir universitaire, vous n’avez pas besoin d’un doctorat. travailler dans n'importe quel domaine. Obtenir un doctorat vous aide à développer certaines compétences de recherche, mais
Martin Wolf , correspondant économique principal du Financial Times , n'a pas de doctorat. (il a une maîtrise), mais sa parole a beaucoup plus de poids que la plupart des docteurs. les diplômés. Je pense que pour réussir dans n’importe quel domaine (y compris l’apprentissage automatique), il faut savoir apprendre et réfléchir de manière approfondie. Un doctorat vous aidera à mettre ces compétences en pratique, mais ce n’est pas une fin en soi. Quiconque ne veut pas t'interviewer simplement parce que tu n'as pas de doctorat, ne vaut probablement pas la peine de travailler.
la source
Clause de non-responsabilité: je n'ai pas de doctorat en informatique ni en apprentissage automatique; Je généralise à partir d'autres connaissances et expériences.
Je pense qu’il ya plusieurs bonnes réponses ici, mais, à mon avis, elles n’expliquent pas encore tout à fait le problème principal. Je vais essayer de le faire, mais reconnais que je ne pense pas que je dis quelque chose de radicalement différent. Le problème principal concerne le développement des compétences par rapport à la signalisation .
En ce qui concerne le développement des compétences , vous souhaitez en fin de compte (en tant qu’employé) pouvoir faire le travail bien fait rapidement, et l’employeur veut (ou devrait probablement le faire) une telle personne. La question qui se pose est donc la suivante: combien de développement de compétences supplémentaires obtenez-vous avec les quelques années supplémentaires de formation académique? Certes, vous devriez gagner quelque chose, mais sachez que les personnes qui ne poursuivent pas leurs études supérieures ne restent probablement pas sur leurs affaires avant d'avoir obtenu leur diplôme. Ainsi, vous comparez un ensemble d’expériences (académiques) à un autre (travail). Un peu dépend de la qualité et de la nature du doctorat. programme, vos intérêts intrinsèques, votre autonomie et le type d'opportunités et de soutien disponibles dans votre premier emploi.
En dehors des effets de la formation académique continue sur le développement des compétences, se pose la question de l’effet et de la valeur du signal (c’est-à-dire qu’un «doctorat» est ajouté après votre nom). Le signal peut aider de deux manières: premièrement, il peut vous aider à décrocher votre premier emploi, et cela ne devrait pas être écarté - cela peut être très important. Des recherches ont montré que les personnes qui sont obligées de commencer par occuper un premier poste qui ne leur convient pas ont aussi tendance à le faire (carrière, en moyenne) que les personnes qui commencent à occuper un poste intéressant. correspondre à leurs capacités et leurs intérêts. D'autre part, le consensus semble être que, après votre premier emploi, vos perspectives d'avenir sont beaucoup plus fortement influencées par vos performances dans votre emploi précédent que par vos diplômes.
Le deuxième aspect du signal concerne la relation entre l'analyste et le consommateur de l'analyse. @EMS fait un bon travail pour mettre ce point en évidence dans un commentaire. Il y a beaucoup de petits ateliers de consultation, et ils aiment avoir des doctorats à montrer à leurs clients potentiels: lors des premières réunions pour tenter de décrocher un contrat, sur papier à en-tête, lors de présentations de produits finis, etc. Les doctorants sont toujours là. Il est facile d’être cynique à ce sujet, mais j’estime que le cabinet de conseil et le consommateur ont une valeur légitime. . Dans les coulisses, une partie du travail peut être confiée à des personnes compétentes, moins qualifiées, mais elles souhaitent le doctorat. pour le front-end, et pour signer le produit avant sa livraison. Je pourrais voir quelque chose d'analogue avec une start-up s'ils essaient d'attirer des capitaux et veulent rassurer les investisseurs.
la source
Je suis d’accord avec la plupart des propos tenus, mais j’aimerais présenter quelques problèmes pratiques qui se posent lors de la candidature à des postes dans le secteur financier. Vous verrez souvent des annonces indiquant qu'un doctorat en statistiques ou en mathématiques est nécessaire pour postuler à un poste de développeur commercial ou quantitatif particulier. Je sais qu'il y a des raisons particulières à cela. Attention, je ne dis pas que c'est vrai, mais c'est ce qui se passe dans la pratique:
Il y a beaucoup de candidats au poste, en particulier pour les entreprises les plus connues, et l'employeur ne peut éventuellement pas consacrer suffisamment de temps à chaque candidat. Filtrer les applications en fonction du milieu universitaire réduit la taille de la population à un nombre plus gérable. Oui, il y aura des ratés. Oui, ce n'est pas la meilleure façon de trouver des individus productifs . Mais en moyenne, vous recherchez des professionnels qualifiés qui ont consacré des années à apprendre le métier. Ils devraient au moins avoir la discipline nécessaire pour dépasser un projet de recherche complexe.
L’équipe et la société s’enrichiront de plusieurs doctorats à présenter aux investisseurs et aux clients. Cela donnera une image de la connaissance "oracle" à la compagnie et profitera à sa réputation. La valeur incorporelle de l'entreprise peut augmenter. L'investisseur moyen sera plus confiant dans l'octroi de son capital à une équipe de scientifiques aussi avisée. Vous pouvez faire la même chose à propos des MBA.
Enfin, parfois, les politiques de l'entreprise dictent que les hautes performances académiques doivent avoir un cheminement de carrière et une rémunération préférentiels. Je pense que cela est vrai pour la plupart des entreprises de différents secteurs, pas seulement pour la finance. Il est difficile de voir John avec un BS en informatique gérant des doctorats en mathématiques.
la source
Disclaimer: Je suis recruteur depuis 1982, alors je comprends très bien votre question. Permettez-moi de le décomposer de cette façon. Votre CV est un appareil de dépistage. Les entreprises reçoivent des tonnes de curriculum vitae alors elles lisent les curriculum vitae avec une question en tête: "Pourquoi ne veux-je pas parler à cette personne?" Cela réduit leur pile à quelques candidats qui ont les meilleures chances de répondre à leurs besoins. Donc, si vous obtenez des entretiens et que votre CV ne montre pas de doctorat, il se passe autre chose. Je dis cela parce que, tout comme un curriculum vitae est un appareil de dépistage OUT, l’entretien est un appareil de dépistage IN. Une fois qu'ils vous ont invité à un entretien, ils ont déjà conclu que vous aviez assez "sur papier" pour faire le travail. Alors, quand vous vous promenez dans l'interview, la seule question qu'ils " re vraiment demander est "pourquoi devrais-je vous engager?" La personne qu'ils embaucheront sera celle qui leur répondra le mieux pour répondre aux besoins de l'entreprise.
Mon conseil en tant que recruteur est de poser des questions tout au long de l'entretien pour identifier leurs besoins les plus profonds. Croyez-moi, la description de poste ressemble rarement à la vérité, vous devez donc vous renseigner à propos de leurs gros boutons, puis vendre directement à ces problèmes. Ne laissez pas l'entrevue se sentir comme un interrogatoire, attendre la fin pour poser des questions. Vous allez vous enflammer et on vous dira "vous n'avez pas de doctorat". Soyez respectueux tout en montrant votre volonté de les aider à résoudre leur problème.
Ma question préférée est: "Quels sont les traits de caractère de la meilleure personne que vous ayez jamais connue dans ce rôle?" Tout le monde a une équipe de rêve en tête, il est donc important de déterminer les caractéristiques qui lui paraissent nécessaires pour réussir dans ce rôle. N'oubliez pas qu'il ne s'agit pas d'une question d'expérience, de formation ou de diplômes. Vous voyez, je peux toujours trouver un doctorat médiocre avec beaucoup d'expérience, alors ce n'est pas le Saint Graal. C’est justement ce que les entreprises continuent de considérer comme le meilleur parce que l’OMI ne sait pas comment écrire une description de poste qui résume l’essence de la personne dont elles ont besoin.
la source
Mes 2 centimes: Non, je ne pense pas. Un doctorat en soi ne donne pas le droit d’être meilleur pour l’exploration de données ou le ML. Prenez Jeremy Howard, le propre de Kaggle. J'irais même jusqu'à dire qu'un doctorat ne dit pas grand chose de n'importe quelle qualification car il y a une énorme variabilité dans la qualité des programmes. Peut-être que la seule chose que prouve un doctorat est que le titulaire a une grande tolérance à la frustration.
Conclusion: si vous êtes intéressé par ce domaine, compétent, créatif et travailleur, pourquoi auriez-vous besoin d'un doctorat? C'est vous qui devriez compter, pas vos titres.
la source
Le fait qu'un travail exige ou non un doctorat dépend du niveau de responsabilité et de la perception de l'employeur et / ou de ses clients. Je ne pense pas qu'il existe une discipline qui nécessite un doctorat. L'exploration de données peut certainement être apprise et un employé peut effectuer un travail productif sans doctorat. Cela dépend plus de la personne, de sa capacité à apprendre rapidement et à s’adapter que de comprendre la littérature, plutôt que de l’éducation antérieure. Cela est particulièrement vrai pour l'exploration de données, qui est un domaine en évolution. Ainsi, même les chercheurs de données titulaires d'un doctorat auront plus à apprendre avec le temps.
la source
J'ai une maîtrise en statistique appliquée et travaillé en Europe en tant que Data Miner. Quand je suis arrivé au Royaume-Uni, personne n’avait jamais entendu parler de l’exploration de données, encore moins d’une telle formation. Maintenant, il est courant et les employeurs estiment qu’un doctorat est nécessaire pour ce travail. Cependant, ce sont les connaissances statistiques et l'aspect modélisation qui sont importantes pour ce travail. D'après mon expérience, la plupart des informaticiens ne comprennent pas les statistiques et ne peuvent donc pas bien faire le travail. J'ai commencé à enseigner et je m'inscris maintenant pour faire un doctorat en statistiques appliquées pour satisfaire ces employeurs. J'en sais probablement plus que la plupart des titulaires d'un doctorat ayant obtenu un diplôme de maîtrise en 1980, alors que le niveau était très élevé. Je pense que pour bien exploiter les données, il faut avoir une formation en statistique.
la source
Cela dépend totalement du travail à accomplir. D'après mon expérience (j'ai un doctorat), il y a 3 types d'emplois. Premièrement, comme il a été dit, la plupart des emplois du secteur sont actuellement orientés vers l’apprentissage automatique appliqué, c’est-à-dire que l’application des algorithmes de ML existants au problème spécifique du domaine en question est modifiée. Ce sont de loin les emplois ML les plus courants et une maîtrise est plus que suffisante pour ce type d’emploi. Un plus petit nombre d’emplois, qui se trouvent dans la branche recherche d’entreprises ou d’universités, sont des institutions qui appliquent, modifient, créent des emplois de niveau ML pour le problème spécifique à un domaine. L’expérience de la création d’une nouvelle méthode en examinant des méthodes existantes utilisant de nouvelles mathématiques prend généralement un certain temps et ces expériences sont généralement acquises au cours de la thèse, car le nouveau résultat théorique devrait être suffisamment robuste pour être accepté par ses pairs (une publication). Enfin, les types de travail les plus difficiles, les plus risqués et les plus rares sont ceux qui relèvent de la pure théorie dans les universités de recherche, où l’objectif est de proposer un nouvel algorithme ou de mieux comprendre les propriétés mathématiques des algorithmes existants être assez bon pour être publié). Cela aussi est une expérience typiquement acquise en tant que doctorat. Un étudiant en doctorat a peut-être été familiarisé avec les trois types d’emplois au cours de sa formation (uniquement en raison de la durée du programme et du fait qu’il n’existe pas de délai de production immédiat, contrairement à un véritable emploi), est généralement bien formé pour le premier emploi et n’aurait probablement subi qu’une exposition mineure aux deuxième et troisième types d’emploi.
la source
Je ne pense pas que le doctorat est nécessaire pour tous les postes d'apprentissage automatique. Un bon maître et un esprit interrogateur doté d’une curiosité mathématique sont tout ce dont il a besoin. Une thèse de doctorat biaise votre approche par rapport à votre spécialisation, ce qui n’est pas souhaitable. Je travaille sur des algorithmes centraux d'apprentissage machine et code la plupart d'entre eux de la manière que je souhaite. Et j'ai vu beaucoup de docteurs avec le mauvais état d'esprit. Les doctorats sont principalement motivés par des problèmes purement théoriques, contrairement à l'industrie où l'accent est mis sur la recherche de solutions rapides.
la source
Les personnes qui méprisent leur formation de doctorat ne savent pas du tout ce que signifie un doctorat, ou font simplement des commentaires faussement intentionnels; la plupart des formations de maîtres ne peuvent en aucun cas être comparées aux formations de doctorat. L'intensité et la rigueur dans la formation d'un doctorat exigent un dévouement inimaginable, une autodiscipline, une capacité d'apprentissage sous une pression extrême et des compétences solides ..., un titre de doctorat a déjà prouvé tout cela, une maîtrise ordinaire ici en Amérique n'est pas identique niveau du tout ....
la source