(回复就加米）2019年，试问MS文凭成为Data Scientist的可能性

安然的拐子 发表于 2019-9-26 06:38
我去。。理科phd在tech为啥会受歧视。mathematician or theoretical computer scientist是最硬核的一批人 ...

我也不知道为什么前面有人喷，不过确实tech给的钱跟hedge fund比不值一提。我猜测这些人需要“会写代码”“懂模型”来支持他们内心的优越感，可是他们不清楚，公司的广告怎么设计，投放在哪些位置，怎么rank，是件比随便写点毫无解释性的ml模型更重要的事情。尽管我个人也match了一个以写ML和tensorflow为主的组，不过我完全不会觉得ads组里的实验毫无意义 -- 相反，研究怎么通过广告赚钱可能比你写一堆代码更重要，不停的设计实验、分析数据、得到统计显著性也是需要长时间经验积累和insight的，无论是技术含量还是impact都不能说trivial。无论如何，互相尊重是人与人正常沟通的前提，也是自我进步的前提。

去tech更多的是个人原因吧，比如我就是性格比较散漫爱打游戏，之前开黑的好友有几个都在google，我对tech的好感度就更高一点。

坐标湾区，目前在读ms ds。大致说下周围朋友及同事的情况
其实目前行业对ds刚需还是很大的，因为除了个别大厂如FLAG吸收了很多天才型的人物，能建模 能精准的意识到客户的需求
其余公司大部分在ML/AI这块处于试水的状态，楼主可以常常follow那些大公司的tech blog 就会知道他们在做什么
但是重点是，这样有potential能干大项目的公司基本需要phd
身边有朋友ms毕业进入这类型的公司，有些人不太明白也不太信任自己每天干的工作，原话是“感觉这些模型很不靠谱”
我现在在读ms的感受是，ml是从statistical learning发展出来的，如果没有对理科建模和方法论有一定经验的人，给了他多好的数据他也什么都做不出来
并不是模型不靠谱，是很多模型是需要慢慢tuning才能实现目标的，这样的工作只有一定科研能力的人才会做的好
正因为意识到自己的瓶颈，现在我选课都基本网cs de方面靠近，希望毕业后还是决定找engineer类型的工作
真心建议楼主直接申请cs，ds能做的cs都能做，ds不能做的ms也能做

现在有能力跟精力的话还是推荐读PhD, 毕竟学历这种东西会跟着你一辈子，工作经验可以慢慢攒。

感觉楼主对DS这个模糊的领域有了初步的认识但是理解还有有点偏差

1. Data Scientist(Applied track): 比如airbnb DS-Inference, Algorithm（我真的是airbnb忠实粉丝，dream offer了），或者FLAAG的 Applied scientist类似岗位，我理解是modelling，制作一些具体数据产品，解决问题为主。

Airbnb的inference和algorithm干的事情很不一样，inference更看中统计和实验背景，类似于google的QA，algorithm做的是核心的建模和算法，更看重research和训练模型的能力。大厂的Applied Scientist虽然名字一样干的事情也听不同的，有偏向应用类似machine learning engineer的，也有天天训练能用在产品上的核心model的。用“modelling，制作一些具体数据产品，解决问题”可以是research scientist干的事，也可以是MLE或SDE干的事，这个范围太广了，楼主应该想想自己在这个大范围中自己具体想做什么，是研究出一个比现存的都好的模型（这种没PHD还真不太做得了），还是根据产品的需求训练一个能让产品提升的模型，还是想把模型做成产品上线，这些要求的技能和经历都很不一样。

2. Machine/Deep Learning Engineering：更偏系统层面的数据项目落地。

很多公司的MLE也会建模和训练模型的，不过他们主要负责上线模型，很多公司的MLE是end-to-end从采集数据训练模型上线模型监控维护这些全包的，并不是说MLE只是上线DS搭好的模型。不过他们的目标是让产品更好，大多数时候不需要他们像research scientist一定要搞出来一个特别高级特别新的模型，只要能让产品提升，什么样的模型都可以用的，当然这个过程中也发现了什么特别好的新的模型，然后发顶会paper申请专利的也不占少数。

3. Data Analyst， 更偏商业分析，咨询类， SQL熟练工。

如果楼主喜欢和擅长做这方面的东西，不妨是另一条出路。

4. SDE（我对开发一无所知）

MLE就是SDE的一种，只不过你开发的是ML产品罢了。如果楼主只想要训练模型的岗位，这种位置少而且很难进，没有phd training很难做好，如果想做模型的产品应用，提高自己的工程能力非常重要。
最后回答下你的问题：
1. 大家身边是否有MS最后成为 职位1类型的Data scientist，通过怎样的职业发展路径，需要做哪些准备？

如果你说的是天天只建模然后把模型扔给MLE上线的那种类型，我只认识一个，那个人的master也是research-based的，所以研究能力非常重要。如果是偏应用的职位，对ML的深入理解和工程能力更加重要，这种人那就多了。

2. 如果不考虑PhD，那么MS选择怎样的专业（stats, CS, OR, DS or BA，除了cs算转专业其他都可以申请）和项目类型(研究导向，就业导向）比较适合我目前的职业理想（DS or MLE)

. 1point3acres.com CS CS CS CS 能上很多ML课的那种 研究导向就业导向都可以

3.  考虑有些远，不过有点好奇MS文凭的前辈，成为DS之后的中期职业发展是怎样的（相比于传统码农的中年危机会不会更严重）

并没有明显的差异，都是要么当manager要么继续当IC。Research Scientist到了职业中期是什么我还真的不太知道，继续做研究？带领别人做研究？

我本科不是统计相关专业出身，之后转行读了统计master，去年毕业之后在当地一家上市公司做data scientist。老实说现在data scientist的门槛没那么高，而且现在一些传统的科技公司都想要往AI这方面转型，会有很多headcount。所以我觉得统计MS出身是非常可以做ds的。
但我现在工作了一年多有想要申请phd的想法。我的日常工作大部分还是用sas这种做一些data manipulation，还有sql query，还有做一些dashboard。我是有能力用python建模，做一些ml相关的工作，但是公司上层对这些不是很重视。我在公司做的东西让我觉得我没有核心竞争力很容易被取代。今年年初开始我一直在上公开课，学习一些神经网络深度学习相关的东西。到了最近突然有了想要读phd的想法，因为还有想要扩充自己，继续学习的念头。去读phd肯定会很痛苦，但是读下来的话总归是不亏的，至少以后就业选择会更广一些。
虽然我入行还不是很深，但是楼主如果想做AI tracked的ds，可能还是需要phd的。

390386583 发表于 2019-9-24 09:05
去年底DS/Stat背景MS毕业，看到这个帖子随便说说感受吧。
1，找工作时候折腾了四个月，大小公司DS面了30+ ...

真知灼见，有经验的资深人士见解，值得借鉴！

As a PhD student who only has limited experience in the tech industry via an internship and conferences, I can only share the following based on my own experience.
What training one gets out of a PhD in Statistics/Biostatistics

• master's level probability and statistical inference
• advanced probability and statistical theory
• statistical methods, including linear models, GLM, survival analysis, longitudinal analysis, time series, machine learning techniques
• hands-on data analysis projects as a research assistant or statistical consultant, including possibly data management, study design, deliver and interpret results to non-statisticians
• design and conduct simulation studies to evaluate statistical methods
• literature review of one's area of expertise (depends on your dissertation topic)
• develop novel statistical methods that perform better than current existing methods
• writing research papers
• presentations at statistical conferences
  

What is relevant to my daily life of a (Type A) data scientist intern at Google

• solid understanding of applied statistics, both classical and modern machine learning methods (relevant to 1 & 3 above)
• data intuition (relevant to 4 & 5)
• problem-solving (relevant to 3, 5, 6)
• presentations to different stakeholders (relevant to 4 & 9)
• code review and version control (self-trained)
  

What training one gets out of an MS in Statistics/Biostatistics

• curriculum: 1, 3, 5
• outside curriculum: 4 -> Kaggle competition or working experience, 9 -> working experience
  

At this stage, I don't think a PhD is needed but one needs to do a little bit more than what a MS degree requires, as statistical maturity is important and more relevant. I might change my mind a few years later.

I will be open/looking forward to input from senior data science professionals.

公司里得科学家很多也就跟在stakeholder屁股后面转；
主人说‘你给证明一下我的想法好’，科学家就去证明一下；
主人说‘你给证明一下我的对手想法很荒谬’，科学家也去证明一下；
主人说下星期我要给大老板讲个故事，科学家就弄些数据来，不符合主旋律的数据，就假装没看见。
公司里的科学家类似于古代的门客，给主人出谋划策，写写算算；主仆关系好，就一直干下去；主仆关系不好，或者主人没钱了， 就一拍两散；

SDE相当于仆人，杂役，手工艺人等等，能爬上去的，就相当于管家。
搞金融，税务的相当于地主家的帐房先生。