Yann LeCun erwähnte in seiner AMA, dass er eine Promotion für sehr wichtig hält, um einen Job bei einem Top-Unternehmen zu bekommen.
Ich habe einen Master in Statistik und mein Bachelor war in Wirtschaftswissenschaften und angewandter Mathematik, aber ich beschäftige mich jetzt mit ML-PhD-Programmen. Die meisten Programme sagen, dass es keine absolut notwendigen CS-Kurse gibt. Ich denke jedoch, dass die meisten akzeptierten Studenten zumindest einen sehr starken CS-Hintergrund haben. Ich arbeite derzeit als Datenwissenschaftler / Statistiker, aber mein Unternehmen zahlt für Kurse. Sollte ich an meiner örtlichen Universität einige Kurse zur Einführung in Software-Engineering absolvieren, um mich zu einem stärkeren Kandidaten zu machen? Welchen anderen Rat haben Sie für jemanden, der sich für Promotionsprogramme außerhalb des CS-Bereichs bewirbt?
edit: Ich habe täglich ein paar MOOCs (Machine Learning, Recommender Systems, NLP) und Code R / Python genommen. Ich habe viel Erfahrung im Codieren mit statistischen Sprachen und implementiere täglich ML-Algorithmen. Ich beschäftige mich mehr mit Dingen, die ich bewerben kann.
Antworten:
Wenn ich Sie wäre, würde ich ein oder zwei MOOC (z. B. Algorithmen, Teil I , Algorithmen, Teil II , Funktionsprogrammierprinzipien in Scala ), ein gutes Buch über Datenstrukturen und Algorithmen, nehmen und dann so viel wie möglich codieren. Sie können beispielsweise einige Statistiken oder ML-Algorithmen implementieren. Das wäre eine gute Praxis für Sie und nützlich für die Community.
Für ein Doktorandenprogramm würde ich jedoch auch sicherstellen, dass ich mit der Art der Mathematik vertraut bin, die sie verwenden. Wenn Sie sehen möchten, wie es am tiefen Ende aussieht, durchsuchen Sie die Artikel im JMLR . Dadurch können Sie sich in Bezug auf die Theorie kalibrieren. Kannst du der Mathematik folgen?
Oh, und Sie brauchen keinen Doktortitel, um in Top-Unternehmen zu arbeiten, es sei denn, Sie möchten sich Forschungsabteilungen wie seiner anschließen. Aber dann verbringen Sie mehr Zeit mit der Entwicklung und benötigen gute Programmierkenntnisse ...
quelle
Ihre Zeit würde wahrscheinlich besser mit Kaggle verbracht als mit einem Doktorandenprogramm. Wenn Sie die Geschichten der Gewinner lesen ( Kaggle-Blog ), werden Sie feststellen, dass dies viel Übung erfordert und die Gewinner nicht nur Experten einer einzigen Methode sind.
Wenn Sie jedoch aktiv sind und einen Plan in einem Promotionsprogramm haben, können Sie Verbindungen herstellen, die Sie sonst wahrscheinlich nicht erhalten würden.
Ich denke, die eigentliche Frage ist für Sie: Was sind die Gründe, einen Job bei einem Top-Unternehmen zu suchen?
quelle
Sie haben bereits einen Master in Statistik, was großartig ist! Im Allgemeinen würde ich den Leuten empfehlen, so viele Statistiken wie möglich zu erstellen, insbesondere die Bayes'sche Datenanalyse.
Je nachdem, was Sie mit Ihrer Promotion machen möchten, würden Sie von Grundkursen in den Disziplinen in Ihrem Anwendungsbereich profitieren. Sie haben bereits Wirtschaftswissenschaften, aber wenn Sie Data Science zum Thema Sozialverhalten betreiben möchten, sind Kurse in Soziologie wertvoll. Wenn Sie in der Betrugsprävention arbeiten möchten, sind Kurse in Bank- und Finanztransaktionen gut. Wenn Sie in der Informationssicherheit arbeiten möchten, ist es gut, ein paar Sicherheitskurse zu belegen.
Es gibt Leute, die argumentieren, dass es für Data Scientists nicht wertvoll ist, Zeit für Kurse in Soziologie oder anderen Disziplinen zu verbringen. Betrachten Sie jedoch den jüngsten Fall des Google Flu Trends-Projekts. In diesem Artikel wurden ihre Methoden stark dafür kritisiert, vermeidbare Fehler zu machen. Die Kritiker nennen es "Big Data Hybris".
Es gibt noch einen weiteren Grund, um in sozialwissenschaftlichen Disziplinen Stärke aufzubauen: den persönlichen Wettbewerbsvorteil. Mit dem Ansturm von akademischen Studiengängen, Zertifikatsprogrammen und MOOCs gibt es einen wahnsinnigen Ansturm von Studenten in den Bereich Data Science. Die meisten werden über Funktionen für die wichtigsten Methoden und Werkzeuge des maschinellen Lernens verfügen. Doktoranden werden mehr Tiefe und mehr theoretisches Wissen haben, aber sie konkurrieren alle um die gleichen Arten von Jobs und liefern die gleichen Arten von Wert. Bei dieser Flut von Absolventen erwarte ich, dass sie keine Premium-Gehälter erhalten können.
Wenn Sie sich jedoch durch eine Kombination aus formaler Ausbildung und praktischer Erfahrung in einem bestimmten Bereich und Anwendungsbereich differenzieren können, sollten Sie sich von der Masse abheben können.
(Kontext: Ich bin in einem Doktorandenprogramm in Computational Social Science, das sich stark auf Modellierung, evolutionäre Berechnungen und sozialwissenschaftliche Disziplinen konzentriert und sich weniger auf ML und andere empirische Datenanalysethemen konzentriert.)
quelle
Ich bin froh, dass Sie auch die AMA-Seite von Yann LeCun gefunden haben. Sie ist sehr nützlich.
Hier sind meine Meinungen
F: Sollte ich an meiner örtlichen Universität einige Kurse zur Einführung in Software-Engineering absolvieren, um mich zu einem stärkeren Kandidaten zu machen?
A: Nein, Sie müssen mehr Mathematikkurse belegen. Es ist nicht das angewandte Zeug, das schwer ist, es ist das theoretische Zeug. Ich weiß nicht, was deine Schule bietet. Nehmen Sie an theoretischen Mathematikkursen sowie an einigen Informatikkursen teil.
F: Welchen anderen Rat haben Sie für jemanden, der sich für Promotionsprogramme außerhalb des CS-Bereichs bewirbt?
A: Wie eng sind Sie verwandt? Ohne eine bestimmte Frage ist es schwierig, eine bestimmte Antwort zu geben.
quelle
Sie haben die Möglichkeit, an einem Doktorandenprogramm an der Business School und der Information School teilzunehmen. Es gibt auch quantitative Professoren und Datenwissenschaftler an Business Schools und Informationsschulen (Über die USA bin ich sicher, dass es viele Schulen gibt). Auf diese Weise sind Sie in Bezug auf quantitative und technische Fähigkeiten qualifiziert oder sogar überqualifiziert und können Ihre Zeit damit verbringen, andere Fähigkeiten zu stärken.
quelle