Kwalifikacje do programów doktoranckich

Yann LeCun wspomniał w swoim AMA , że uważa, że ​​posiadanie doktoratu jest bardzo ważne, aby uzyskać pracę w jednej z najlepszych firm.

Mam mistrzów w dziedzinie statystyki, a mój student studiował ekonomię i matematykę stosowaną, ale teraz zajmuję się programami doktoranckimi. Większość programów mówi, że nie ma absolutnie niezbędnych kursów CS; jednak wydaje mi się, że większość przyjętych studentów ma co najmniej bardzo dobre zaplecze CS. Obecnie pracuję jako specjalista ds. Danych / statystyk, ale moja firma zapłaci za kursy. Czy powinienem wziąć udział w kursach inżynierii oprogramowania na lokalnym uniwersytecie, aby stać się silniejszym kandydatem? Jakie jeszcze masz rady dla osoby ubiegającej się o przyjęcie na studia doktoranckie spoza dziedziny CS?

edytuj: Wziąłem kilka MOOC (Machine Learning, systemy polecające, NLP) i codziennie koduję R / python. Mam duże doświadczenie w programowaniu w językach statystycznych i codziennie wdrażam algorytmy ML. Bardziej interesują mnie rzeczy, które mogę umieścić na aplikacjach.

Gdybym był tobą, wziąłbym MOOC lub dwa (np. Algorytmy, Część I , Algorytmy, Część II , Zasady programowania funkcjonalnego w Scali ), dobrą książkę o strukturach danych i algorytmach, a następnie po prostu koduj jak najwięcej. Możesz na przykład zaimplementować niektóre statystyki lub algorytmy ML; to byłaby dobra praktyka dla ciebie i przydatna dla społeczności.

Jednak w przypadku programu doktoranckiego upewniam się również, jakiego rodzaju matematyki używają. Jeśli chcesz zobaczyć, jak to jest na głębokim końcu, przejrzyj dokumenty w JMLR . To pozwoli ci skalibrować się w odniesieniu do teorii; czy potrafisz w jakiś sposób podążać za matematyką?

Aha, i nie potrzebujesz doktora do pracy w najlepszych firmach, chyba że chcesz dołączyć do działów badawczych takich jak on. Ale wtedy poświęcisz więcej czasu na rozwój i będziesz potrzebować dobrych umiejętności kodowania ...

Twój czas prawdopodobnie lepiej spędziłbyś na Kaggle niż na programie doktoranckim. Kiedy czytasz historie zwycięzców ( blog Kaggle ), zobaczysz, że wymaga to dużej ilości ćwiczeń, a zwycięzcy nie są tylko ekspertami jednej metody.

Z drugiej strony bycie aktywnym i posiadanie planu w programie doktoranckim może zapewnić ci połączenia, których w innym przypadku prawdopodobnie byś nie uzyskał.

Wydaje mi się, że prawdziwe pytanie dotyczy Ciebie - jakie są powody, dla których chcesz pracować w najlepszej firmie?

Masz już tytuł magistra statystyki, co jest świetne! Ogólnie sugeruję, aby ludzie wykonywali tak dużo statystyk, jak to tylko możliwe, zwłaszcza analiza danych bayesowskich.

W zależności od tego, co chcesz zrobić ze swoim doktoratem, skorzystasz z podstawowych kursów z dziedziny (dyscyplin) w swoim obszarze zastosowania. Masz już ekonomię, ale jeśli chcesz zajmować się badaniami danych na temat zachowań społecznych, wówczas kursy socjologii byłyby cenne. Jeśli chcesz pracować w zapobieganiu oszustwom, to kursy bankowości i transakcji finansowych byłyby dobre. Jeśli chcesz pracować w zakresie bezpieczeństwa informacji, dobrze byłoby wziąć udział w kilku kursach bezpieczeństwa.

Są ludzie, którzy twierdzą, że dla naukowców danych nie jest cenne spędzanie czasu na kursach socjologii lub innych dyscyplin. Ale rozważ ostatni przypadek projektu Google Flu Trends. W tym artykule ich metody zostały ostro skrytykowane za popełnianie błędów, których można uniknąć. Krytycy nazywają to „Big Data Hubris”.

Jest jeszcze jeden powód do budowania siły w dyscyplinach nauk społecznych: osobista przewaga konkurencyjna. Wraz ze wzrostem liczby akademickich programów studiów, programów certyfikatów i MOOCs szalony pęd studentów w kierunku Data Science. Większość wyjdzie z możliwościami podstawowych metod i narzędzi uczenia maszynowego. Doktoranci będą mieli większą głębię i więcej wiedzy teoretycznej, ale wszyscy konkurują o te same rodzaje pracy, zapewniając taką samą wartość. Po tej fali absolwentów spodziewam się, że nie będą w stanie kierować pensjami premium.

Ale jeśli potrafisz się wyróżnić dzięki połączeniu formalnego wykształcenia i praktycznego doświadczenia w konkretnej dziedzinie i obszarze zastosowań, powinieneś być w stanie wyróżnić się z tłumu.

(Kontekst: Jestem doktorantem w dziedzinie obliczeniowych nauk społecznych, który kładzie duży nacisk na modelowanie, obliczenia ewolucyjne i dyscypliny nauk społecznych oraz mniejszy nacisk na ML i inne tematy analizy danych empirycznych).

Cieszę się, że znalazłeś też stronę AMA Yanna LeCuna, jest bardzo przydatna.

Oto moje opinie
P: Czy powinienem wziąć udział w kursach inżynierii oprogramowania na lokalnym uniwersytecie, aby stać się silniejszym kandydatem?
Odp .: Nie, musisz wziąć więcej kursów matematycznych. To nie są zastosowane rzeczy, które są trudne, to teoria. Nie wiem, co oferuje twoja szkoła. Weź udział w teoretycznych kursach matematyki wraz z niektórymi kursami informatyki.

P: Jakie inne porady masz dla osób ubiegających się o przyjęcie na studia doktoranckie spoza dziedziny CS?
Odp .: Jak blisko szukasz? Bez konkretnego pytania trudno jest podać konkretną odpowiedź.

Masz możliwość dołączenia do programu studiów doktoranckich w szkole biznesu, a także w szkole informacyjnej. W szkołach biznesu i szkołach informatycznych są także profesorowie ilościowi i naukowcy danych (jestem pewien, że w USA jest wiele szkół). W ten sposób masz kwalifikacje lub nawet nadmierne kwalifikacje pod względem umiejętności ilościowych i technicznych i możesz poświęcić czas na wzmacnianie innych umiejętności.