www.tt1155.com娱乐,官网,备用网址
热门关键字:  
当前位置 :| 首页 > tt1155备用网址

机器学习博士竞争力对照:该不该读,在哪里读,如何读,读了之后身价多少?

来源: 作者: 时间:2017-06-29 点击:
机器学习博士竞争力比较:该不该读,在哪里读,如何读,读了之后身价多少?

原题目:机器学习博士竞争力对照:该不该读,在哪里读,如何读,读了之后身价多少?

编者按:本文由微信大众号”新智元“(ID:AI_era)编译,起源:80000Hours,作者:Richard Batty,编译:闻菲;36氪经受权宣布。

要不要读机器学习博士?根据美国教导职业征询网站 80000Hours 的剖析,谜底是确定的。如果你适合这份职业,攻读机器学习博士可能是你对社会发生影响力的最佳方法。退一万步说,机器学习博士学位有很大的可能让你获取高薪,而获取高薪后,你不是有机会做许多事件了吗?不管你是否决议读博,dafa888 casino手机版,这篇文章都有参考价值。

现在,每个人都想学机器学习;近几年来,这已经成了世态炎凉的领域。

那么,盛誉之下,机器学习货真价实吗?从某种水平上说,确切如斯,机器学习的胜利体现了它的实力。

所以,如果你有理工科背景(不一定要学计算机科学专业),想为这个世界做点事情,那么读取机器学习博士学位不失为一个好的选择。机器学习 PhD 能让你拥有使用和塑造这项造福全人类技术的能力。退一万步说,ML 博士证书也能为你敲开许多高薪职位的大门。

接下来,这篇文章将说明为什么机器学习有这么大影响力,你要如何才干学好机器学习,怎么样、去哪里申请相关的博士学位。这个简介中的大局部信息来自与几位机器学习博士的交谈,包含 DeepMind 的研究迷信家,一家机器人创业公司的结合开创人(也是计算机视觉博士),以及顶尖大学的博士生。 此外,我们也大批参考了这份计算机科学博士学位的在线指南[1],指南的作者是 CMU 盘算机科学系教学 Mor Harchol-Balter,最后更新于 2014 年。

中心要旨(太长不看版)

机器学习 PhD 会将你置于一个对全人类发展至关重要的领域。你能用学到的技能对人工智能的发展产生踊跃影响,使用机器学习技术解决亟待解决的全球性问题。退一万步说,你能挣很多钱,将来募捐给慈悲事业。但凡占有理工科背景的人(本科不必定学计算机)都能读机器学习的博士。

优点

  • 研究潜力宏大

  • 控制可以说是未来十年最重要的一项技术

  • 毕业后极有可能获得高收入

  • 与有能力的共事进行思维智力交锋

毛病

  • 需要 4-6 年,工资相对较低

  • 需要大量的工作,没有多少反馈,这使许多人失去信念

  • 有泡沫存在的风险,这导致未来更难找到工作

综合评分

  • 职业影响力 ★★★★☆

  • 工作影响力 ★★★★☆

  • 收入水平     ★☆☆☆☆

  • 社会影响力 ★★★☆☆

  • 困难程度     ★☆☆☆☆

  • 岗位满足度 ★★★☆☆

职业描写:机器学习博士是做什么的

一般而言,dafa888 casino手机版,我们必需明白告诉计算机要做什么。但是,对于那些很难预先给出确实步骤的任务,这样做就行不通了。相比之下,在机器学习领域,程序员制定软件“学习”的“规矩”,也就是算法,而不是直接对软件编程。这象征着我们可以构建能够自动改进休会的系统。

在攻读机器学习博士学位的过程中,你将学习如何设计和实现这些算法。你的博士研究可以涵盖这些课题:创建可以标志视频内容的程序;改良技术,了解机器学习系统如何做出预测;分析在线文本以了解社交行动过程,比如在线俚语如何传布。

你可以查看高校网站(例如斯坦福大学)和以前的论文列表(例如多伦多大学和卡内基梅隆大学的网站),找到更多的研究项目例子。

机器学习是计算机科学的一个子领域,与统计学亲密相关。统计学和机器学习的目的是从数据中学习,许多概念和数学工具都是共通的。

然而,与统计学不同,机器学习更重视构建软件进行猜测,通常应用于较大的数据集,对数据及其收集方式的假设也更少。

读机器学习 PhD 的日常是怎么样的

在美国,博士通常持续 5-6 年。头两年你会上课,在剩下的几年里做研究。英国的博士学位较短(通常为 4 年),只做研究。与美国的博士不同,英国通常请求你实现硕士课程,但这取决于详细的大学。

对于研究,你需要撰写论文,论文就是对特定课题进行长期深刻的摸索,或者相关主题的论文集(在美国更为常见)。你的研究将阅历几个阶段,从完美你将要探索的主题开端,然后从事相关研究项目,最后编写论文。

你将花大部门时间编程,做数学题,阅读论文,思考,并与协作者探讨你的主意。

为什么要读机器学习 PhD:优缺点分析

5 大长处--将来可能高薪、自主性强、接收智力挑战、了解重要技术、推动听工智能发展

1. 了解未来十年最重要的技术

得益于实践冲破、数据可用性和投资的增添,还有处置才能的进步,机器学习在从前十年中获得了飞速发展。机器学习已经成功应用于许多以前未解决的义务,包括主动驾驶、图说天生、游戏、操控直升机、合成语音和片子推举。

贸易利益爆炸式增加,推进了公司对技术型员工的需乞降大型企业在收购机器学习初创公司方面的兴趣。2014 年以来被收购的大部分机器学习团队,收购方为每位员工所支付的均匀价钱为每人 250 万美元,有一家甚至出到了每位 1000 万美元。

技术精益求精,我们将能使越来越多的人力劳动自动化,并解决以前难以解决的问题。终极,我们可以制作出在大多数任务中比人类更有能力的软件。

这种先进将从基本上改变社会,其结果可好可坏。我们可以看到自动驾驶汽车的涌现使交通事变死亡人数急剧降低,医疗诊断用度更廉价、医疗诊断更为正确,危险或单调工作由机器代劳。

同时,也可能呈现自动化兵器,社会广泛失业,政治和经济权利集中在少数人手中。更令人担心的是,如果我们开发的软件存在高度智能,但有违人类的好处,那么这可能会产生灾害性的成果。

由于这些起因,我们认为机器学习是未来几十年中最重要的领域之一。尽管近期众人对机器学习兴趣有所增长,但这一技能依然只掌握在绝对较少的人手中。

2. 积极塑造人工智能的发展

根据我们的考察 [2],积极塑造人工智能的发展是对未来人类社会影响最大的问题领域,需要更多的机器学习专家介入,因此我们认为,从事这方面的工作是机器学习博士的最佳选择。(如果你在另一个高优先级问题领域有重要的经验,或者不批准我们对此重要性的评估,则不适用。)

拥有机器学习博士学位能给你良好的技术背景和信用。在这个方向,主要有两条路可走。

1)技术保险研究

当前,人工智能技术研究人员存在缺乏。机器学习博士可认为此做好筹备。

2)政策与策略研究

AI 政策有助于政府、公司和非营利组织等机构的决议者设计和实施有助于塑造 AI 未来的政策。政策相关的工作岗位包括制订政策抉择的研究人员和提倡和实行政策的从业人员。

3. 将机器学习应用于其他重要的社会问题

在美国,败血症和败血症休克占所有重症监护病历的 10%,所有病院逝世亡人数的 20-30%。约翰霍普金斯大学的科学家开发了一个名为 TREWScore 的机器学习系统来解决这个问题。比拟标准的筛选方法,TREWScore 可以提前几个小时检测产生脓毒性休克的高风险患者,从而加速医治。

机器学习可以用来解决有很多紧急的问题,包括:

  • 健康医疗:改良诊断,预测登革热疫情,减少不恰当的抗生素使用

  • 寰球贫苦:使用机器学习推算合适应用太阳能的家庭用户,使用卫星图像找出适合进行现金转账的村落

  • 动物福利:预测哪些动物蛋白质最适合制造植物性肉类

要从事这样的工作,你需要了解那些能将你的技能学以至用的社会问题。要获得这样的知识,你可以在公司或研究项目中实习,与其他工作人员交流。你可以在一家成熟的公司工作,首创本人的公司,或进行学术研究。

4. 获得高薪

市场对机器学习专业的需要使相关的职位都属于高薪规模:

这些数字包括仅需要硕士或学士学位的岗位,我们预计博士学位的收入将处于上述范畴的高端。

这样的薪水可以让你赚钱,然后捐献贡献社会。当然,这只是备选,比起馈赠,机器学习博士可以有其他更多的方式对社会做出更大的贡献。

因为机器学习的疾速发展,相干技巧能解决各种问题,相关的职业收益潜力很高(我们预计将来十年将连续坚持高位)。然而,因为很多人有兴致进入这一范畴,也会有薪资降落的危险。

机器学习技能在技术创业公司中很有用,最近机器学习初创公司也在一直出现。Y Combinator 前未几首次为 AI 创业公司增加了专门的渠道。大型公司近年来始终在收购 AI 创业公司,这些收购的价值通常取决于初创团队人员形成,而不是更常见的收入指标。自 2014 年以来,被收购的 AI 初创团队,每位员工的平均身价是 250 万美元,有一家甚至达到了 1000 万美元。

有业内人士告知我们,机器学习博士学位很轻易能在对冲基金领域能找到高薪工作。

5. 从事极富挑战、自主性高的工作

你会与一些地球上最有能力的人一起,从事思维上极具挑战的工作,你会对机器学习拥有深入的懂得。你有自在选择做什么,以及在什么时候做。

3 大缺陷--不利于心理健康、花很长时间、将来竞争风险可能升高

1. 对心理健康是个挑衅

固然你在读博士的进程中做的工作令你很有成绩感,但读博士也是家喻户晓的一场心理奋斗。这通常是由于孤单,还有很难去适应高度自主的工作:“做研究可以让人感觉十分好,也可以感到无比糟。大多数学生将读研称为过山车,峰值特殊高,谷底特别低。”

2. 会花很长时间

读博士需要很长时间(4-6 年),在此期间你的薪酬相对较低。如果退学,你岂但得不到博士学位(也损失读博的大部分价值),最终结果可能还不如当初选择其他薪酬更低但回报快的职业。

3. 机器学习可能会变得更有竞争力

机器学习现在是很多人都想要进入的热门领域,所以也有很多风险,因为很多人凑集在这个专业,就业就变得更加艰苦。例如,MIT 机器学习导论课程最近有 700 人注册,学院不得不另外找人多的教室上课,还成心出很难的标题,让学生尽早挂科。另一方面,如果机器学习的发展速度比预期慢,没有到达炒作的程度,那么就业人数也可能会缩水。 

如何申请并被录取?能不能做好研究是症结

要被录取,你需要有很强的理工科技能,通常本科学计算机科学、数学、工程、定量经济学或物理学来获得。最最少,你应该学过概率和统计、多变量微积分和线性代数。

我们也晓得一些不理工科背景,被机器学习硕士研究生项目录取的人,但这十分常见。这需要你在其他处所(比如 MOOC)自学相关的数学课程。

在英国和欧洲其他地域,要读机器学习博士你正常需要先读机器学习硕士学位或计算机科学、数学等相关课程,但这取决于详细的大学。在美国、加拿大和澳大利亚,则通常没有这个必要,不过把握这些相对没有坏处。

不需要硕士学位的课程通常擅长 1-2 年。如果你盘算读硕士课程,那么两年制学位更好,由于你有更多的时间去做研究,而做研究是进入顶尖博士课程的要害。

依据在线指南跟咱们与业内人士交换的成果,是否被录取简直完整取决于你能不能做好研讨。

怎么能力表示出你能做好研究?

首先,你需要做过研究。如果你还是本科生,最好随着你大学的老师做研究,或者申请一个暑期研究职位。许多研究小组都有本科生暑期研究职位,其中还一些是会付工资的(比如 REU)。

如果你要读机器学习硕士,选择一个有很强研究组成部分的项目,并尽快开始做研究。理想情况下,你应该在完成学位前先发表 1-2 篇论文。最不济,你至少应该完成了一篇研究论文,哪怕没有发表--研讨会论文、审查中的论文,仍是上传到 Arxiv(任何人都可以提交),这些都管用。完成研究论文十分重要,如果没有把这件事做完,我们不倡议你完成学位。

其次,你需要好的推荐信,幻想情形下这封推荐信来自于领域著名学者,并且是你要申请的导师意识的人。推荐信要可能凸起你做研究的潜力,而不仅仅是你学习能力强。

第三,你需要写一篇文章,先容你的研究经验和你想要研究的事情。

第四,除非你打算做纯理论研究,你需要展现你编程的能力。证实这一点的最好措施是上过编程课程,或在工作或实习中有商业编程经验。

虽然不是必须,但对开源机器学习项目做出奉献,撰写有关机器学习技能的博客文章,或参加 Kaggle 等比赛也可以写进来。

如果申请美国大学,成绩(和 GRE 成绩)比研究经验和推荐信更重要。根据上述指南和我们交流过的专家,你的平均成就(如果去美国大学)至少应该 3.6。不外,3.6 以上的分数并不会转变你没有研究经验的事实。有 3.6 之后就看研究经验了。

你的整体 GRE 普通应在 TOP 10% 或更高。理工部分的分数比书面语和散文分数更重要,目的应在 165 分以上(≥95%),理工分数和总分 ≥90%(位于前 10%)。

近几年机器学习博士学位越来越热,许多院校今年的申请数目都创下历史新高。这可能会在未来几年增参加学要求的程度。另一方面,由于工业赞助,更多的高校可能开设机器学习博士培育名目。

如何取舍研究组和机构?

根据在线指南和我们实地交流的业内人士经验,最主要的尺度是:

1. 研究组的声望。这个研究组应该是一个持续在顶级机器学习会议发表论文的团队。热门会议有哪些呢?

  • 重要:ICML,NIPS,COLT,AAAI,UAI,IJCAI,AAMAS,ICLR

  • 次要:AISTATS,ECAI,ECML,ALT

  • 应用:ICCV,CVPR(计算机视觉),ICASSP(语音),ICRA(机器人),EMNLP,ACL(NLP)

2. 你的导师:不要只看大学或学院的名声--你的导师对你的成功至关重要。

  • 选择一个能和你一起工作并支撑你的导师。你可以跟他现在的学生谈谈,看他们是否对你目标导师满意。

  • 确保你导师的研究兴趣和你的兴趣一致。

  • 如果前两个标准都合乎,那么请去申请成功的,有名誉的导师。负责大型实验室的着名研究人员通常领有更好的资金和人脉,但是往往太忙而无奈对你的工作及时反馈,因此可能比拟难以处理。挑选一位不那么著名但能及时供给赞助的导师可能会更好。或者,你可以在大学里同时选择多名参谋/导师。如果你在感兴趣的领域有多名顾问/导师也很有辅助。

3. 导师和实验室的稳定性和资源。你应该找一个稳固、资金充分的实验室和导师。或者,你申请到奖学金(如 NSF 和 NSERC 的奖学金),那么你可以和资金较少的导师合作。同时,记得查看你的目标导师是否在考虑在你读博期间换实验室。读博半途导师分开对你来说可能是灾害性的,因为你可能很难找到另一位适合的导师。

教养累赘:有些部分要求你做良多的教学工作,减少你做研究的时光。

4. 实验室氛围和兼容性:你会与其他学生和博士后配合并一起学习。因而,实验室的气氛是很重要的,如果可能,你最好能参加实验室的研究会,或与当初的学生交流一下。

5. 选一个你开心的地方:在人生地不熟的地方读博是很困难的,选一个至少让你开心的地方吧。

6. 有高影响力的研究工作:例如,如果你想从事人工智能平安方面的工作,那么在大学里有人工智能安全研究小组是非常有用的,你可以在你的博士期间从事相关的工作,并且与领域内的其他研究人员建立接洽。

加分项:

与当地产业的联系:如果你想了解在博士后期间做什么,那么你可以斟酌与当地产业的联系。因此,如果你对创业公司或大型科技公司感兴趣,旧金山湾区的大学,比如此坦福大学和加州大学伯克利分校是优选;为了更好地与 DeepMind 建立联系,你应当能去英国读大学。

整体项目标声望:如果要读机器学习专业,那么机器学习专业强的研究组比全部大学的名气要重要得多。

举例来说,如果你想攻读 AI 安全相关的博士学位,下面是一份不完全列表:

  • 伯克利(Stuart Russell)

  • 剑桥(Zoubin Ghahramani)

  • 蒙特利尔大学(MILA)

  • 阿尔伯塔大学(RLAI 研究组)

  • 伦敦帝国学院(Murray Shanahan)

  • 牛津大学(Michael Osborne)

  • 麦吉尔大学(RLLAB)

  • 澳大利亚国破大学(Marcus Hutter)

  • 阿姆斯特丹大学(Max Welling)

  • 斯坦福(Percy Liang)

  • Stanford(Emma Brunskill)

  • 多伦多大学

  • IDSIA(Jürgen Schmidhuber)

  • 哈佛(HIPS)

  • 麻省理工学院(Joshua Tenenbaum)

  • Google DeepMind

  • 谷歌大脑

  • FAIR

  • OpenAI

选择什么研究课题:深度学习 

以下是最有盼望的一些课题: 

深度学习 

虽然不同的机器学习方法对不同的应用都是有用的,但是深度学习在过去10年初取得了令人注视的成功。深度学习是受人类大脑网络构造启示的一种办法,尽管二者之间差别很大。 

深度学习帮助我们解决了许多以前的人工智能技术无法解决的问题,包括在图像辨认问题上的成功,以及“预测潜在的药物分子的活性,分析粒子加速器数据,重建大脑回路,预测非编码DNA渐变对基因表白和疾病的影响。” 

由于深度学习取得的许多成功,深度学习的专业常识不论对在机器学习前沿工作的公司,还是积极增进AI发展的研究者来说都是很有价值的。 

强化学习 

应用强化学习,软件根据其环境采用行为,以最大化地得到编程定义的嘉奖。例如,下面的视频展示了 DeepMind 的玩 Atari 游戏的软件。它的目的是得到最高的分数,并通过往返挪动拍子采取举动。 

强化学习很重要,因为它是一种创立可以履行多个不同的任务的AI的有前程的方式,而当前大多数机器学习体系的实用性异常窄。 

鉴于深度学习现在非常热点,学强化学习方向的博士可能不像深度学习那么难题。你也可以同时学这两个方向,即深度强化学习。

运用

如果要实现机器学习的某种应用,例如视觉识别或语音识别,那么需要考虑的有几件事情。只有你具备基础的机器学习方法,选择什么应用差别不大。但是,选择在什么应用工作仍旧需要考虑。

理想的工作是已经取得一些提高但仍有晋升的空间的领域。

在读博期间失掉产业实习经验

在企业实习能够成为读博的有利弥补,能让你懂得行业的工作原理,取得实际教训(比方谷歌的基本设施),还有工作机遇,激发你新的研究方向。从机器学习社区的名誉来看,企业机构分为多少等:

  • 顶级:DeepMind,OpenAI,Google Brain,Facebook AI Lab(FAIR)

  • 第二梯队:百度,微软,亚马逊,Twitter,苹果,IBM

  • 第三梯队:深度学习初创公司(点击下图,查看 CB Insights 总结的 60 家值得关注的 DL 初创公司),机器学习公司(点击下图,查看机器智能 3.0 市场图景),以及造就博士生毕业生将其技巧应用于行业的公司

 CB Insights 总结的 60 家值得关注的 DL 初创公司

CB Insights 日前会集了美国市值超过 10 亿美元估值的独角兽公司地舆散布情况,新智元联合该公司今年 9 月汇总的 2016 年全球值得关注的 60 多家深度学习初创企业,更新数据。一起来看看这些独角兽和深度学习企业之间都有哪些联系吧。 【持续浏览】

【彭博研究巨献】机器智能 3.0 市场图景

今年的 3.0 版生态全景图,比两年前的初版增长了三分之一的公司,而且更加具体、尽量全面,但它也只涉及了这个领域无穷活气的名义, dafa888 casino手机版。机器智能堆栈的“一站式服务”(one stop shop)第一次进入人们的视线--只管它正式化需要一至两年。这种堆栈的成熟或能解释,为什么越来越多的有名公司更加专一于树立正当化的机器智能。任何对此时刻保持脑筋苏醒的人可以做出初期的发展和购置决定,所以我们以为尽早尝试布局这些技术比不尝试更好。 【继承阅读】

读其他博士学位期间获得机器学习产业实习经验

在你读其余理工科博士学位时,好比利用数学,统计学或物理学,也可以进行机器学习研究。假如你想尝试这种可能性,首先要在大学机器学习试验室进行谈判,加入研究小组会议。而后,你可以看看是否能与那里的研究职员一起工作(个别都可以这样做,不须要转专业或换导师),或者部署对研究组进行几个月的拜访交流。

最新评论共有 位网友发表了评论
评论内容:不能超过250字,需审核,请自觉遵守互联网相关政策法规。
验证码:
匿名?
相关文章
无相关信息