计算机博士, 还有必要double一个统计硕士吗?

尤其是在博士方向不是机器学习的情况下. 感觉以后是Learning的天下啊.



补充内容 (2017-10-18 07:30):
鄙人UCD安全方向老博, 以后还是打算去工业界. 看到无论是学术界还是工业界都在搞learning, 不知道为了以后打算是否要加强下这方面的背景, 虽然现在看上去找互联网SDE职位还是靠刷题. 望过来人指教一二.

说句对统计不敬的话，CS Phd什么时候需要读统计硕士才能入行Machine Learning了……

majestyhao 发表于 2017-10-18 06:51
CS系开的ML课都比较水. statistic研究的statistical learning更偏理论些.

CS和统计 看待ML的观点是有区别的 对于CS phD来讲 除了理论 更应该重视“可计算性”的问题
很多统计学家搞的fancy的一逼的模型 在做大规模运算的时候根本不work 就拿DL来说 它能取得如此的成功 很大一部分原因也是因为它的运算特性非常契合GPU的工作特点。

所以最佳的情况应该是把统计理论和计算机系统知识结合起来，再配合很强的工程能力。

至于要不要double一个统计硕士，我感觉不影响毕业的话是可以的
但是计算机博士的时间一般很碎片化。如果有很多强制性的due要赶的话，撞上什么冲突就非常难过了
所以一定要合理安排时间。






补充内容 (2017-10-18 07:18):
除了统计 数学里面很多分支也有强化学习的必要。很多时候工作进展有本质上的困难，还是因为数学太差，更可怕的是连要用什么数学都不知道，那就GG了。

LZ我认识一个FB的data scientisT就是ECON本科出身，干了几年的startup，业界面试DS都是看你的能力呀，设计统计模型，沟通能力，编程能力，建议LZ可以去学一门课Standford statistical learning 其实学习都是自学嘛，找工作感觉也不是看你的学历，个人能力体现。相信LZ博士毕业了，自学statistical的能力肯定具备，还是直接好好找工作，好好琢磨琢磨面试技巧，可以自己动手ML的project呀

楼主要提供多一些信息 别人才能跟你讨论啊

鄙人UCD安全方向老博, 以后还是打算去工业界. 看到无论是学术界还是工业界都在搞learning, 不知道为了以后打算是否要加强下这方面的背景, 虽然现在看上去找互联网SDE职位还是靠刷题. 望过来人指教一二.

machine learning是统计的？

kafkagre 发表于 2017-10-18 06:42
楼主要提供多一些信息 别人才能跟你讨论啊

是是...鄙人UCD安全方向老博, 以后还是打算去工业界. 看到无论是学术界还是工业界都在搞learning, 不知道为了以后打算是否要加强下这方面的背景, 虽然现在看上去找互联网SDE职位还是靠刷题. 望过来人指教一二.

CiciR 发表于 2017-10-18 06:48
machine learning是统计的？

CS系开的ML课都比较水. statistic研究的statistical learning更偏理论些.

去业界搞ML最主要还是要发顶会。。ICML/NIPS/KDD，NLP、CV各自有各自的顶会。。当然这些会议上很多paper是很统计的。。如果为了发这些会议需要统计知识的话，感觉自学或者上相关的课就可以，没必要非得修degree。。
如果去业界做偏统计的DS，比如Google的quantitative analyst，那么修个统计master还挺有帮助的，但是感觉那样的职位并不是很match楼主的背景，且我觉得发展也肯定不如更接近product的ML engineer。。
当然还有一种出路就是research scientist，大公司里正经的research部门，不是挂着research名号的engineer。。这些要求就很高了。。
至于刷题，ML engineer大部分面试流程跟SDE是一样的，先考算法题，只是后面会看ML的基础，project和publication。。

我个人觉得没有必要修一个硕士吧，时间成本不划算。
同意楼上的ML还是看publication的。
既然楼主是Security的博士，应该可以考虑从分布式系统作为切入点入手做ML相关的东西。

zpinthehouse 发表于 2017-10-18 06:56
去业界搞ML最主要还是要发顶会。。ICML/NIPS/KDD，NLP、CV各自有各自的顶会。。当然这些会议上很多paper是 ...

谢谢大佬的回答! 我再clerify一下, 您说的"去业界搞ML最主要还是要发顶会"就是指后面说的ML Engineer是吧? 我听一些在FB, Amazon做SDE的前辈说他们在把ML算法用到实际工程上, 不知道他们做的和ML Engineer的区别是什么?