找一份机器学习的工作,学历有多重要?

作者: 杨晓凡 2019-01-02 07:43:51

  

免费、开放,是机器学习领域内的知识和工具的一大特点。这种特点不仅便于许多从未接触过机器学习的人加入到这一领域参与工作和科研,同时也大大加速了领域自身的交流和进步。

不过也有一些人的心态比较保守。社交 App「meetup」的机器学习东京团队负责人 Suzana Ilić 就表示自己遇到了这样一个人,声称自己不会雇佣机器学习技能来自在线课程学习的求职者。这相当于拒绝了大批半路出家加入到机器学习领域的人。

Suzana Ilić 在社交媒体上发帖说了这件事,希望大家都参与讨论,说说各自的观点。雷锋网 AI 科技评论觉得这个讨论很有趣,下面我们摘录展示一些讨论。

Suzana Ilić 首先说了自己的想法。「我觉得我们应该关注问题本身,而不是针对特定的人。我们现在看到的所有和机器学习相关的职位简介都会需要一定的技术背景,很多情况下就体现为博士学位要求(这甚至还只是对工程人员的要求,而不是科研人员)。如果没有合适的学历,求职的人可能连简历筛选那一关都过不了。但其实我自己就是非理工科出身的,而且也在使用机器学习,对我来说有在线学习的机会简直是最棒的事情了,我有充足的机会构建自己的想法、和别人合作、做实验、失败但是从失败中学习,而且不害怕、不感到焦虑。所以我会愿意招没有对应学历的人做机器学习吗?当然愿意了!」

Keras 作者、谷歌大脑高级研究员 François Chollet 评论说:「这种观点很过时,而且很精英主义。教育不分在线和离线,也不分正式和非正式。优秀的那些人有 90% 的知识都来自自学,而不在于他们有没有在斯坦福念过书。计算机科学领域的学历切切实实增加价值也越来越不明显。」

网友 Jason Antic 说:「我自己就参与招聘过一些工程师,我的感受是,学校教育和工作表现之间的关系并不像我们一般期待的那样。所以我都是根据他们实际上提交的代码质量来评价。」

谷歌 AI 研究员 Hector Yee 评论道:「说到这儿,我也从来没有参加过任何线上线下的机器学习课程,除了在天文课上学过一次如何检测脉冲星。我在做机器学习图像搜索系统和自动驾驶系统的时候学习了机器学习,我开发的推荐系统还得过一个技术奖,但我就是从来都没有上过任何机器学习课程。」

网友 Nicholas Guttenberg 说:「如果他们能够拿出一个项目,其中展示了自己能够独立为一个新问题(比如超出课程作业的范围,不论在线课程还是学校学习)设计好的解决方案,那我也就并不会关心他们的教育背景如何了。」这个观点也得到了 Suzana Ilić 的赞同。

也有网友表示支持教育背景的要求。

比如 Rubens Zimbres 表示:「我觉得在线课程的教学内容并不够好,比较表面化。数据科学家们需要良好的理论基础,这意味着他们需要读大量书籍,以及做许多 MNIST、IRIS、猫狗识别之外的实际项目,还需要考虑如何给现有的解决方案继续增加更多的价值。你们用在线课程学机器学习的,谁能解释清楚 SVM 里面的拉格朗日乘数是什么意思?」

Aditya Kaushik 评论:「我觉得这挺公平的,机器学习是数学与统计的一个分支,这相关的知识技能耗的学习和训练环境就是在大学。大多数机器学习/AI 的在线课程都是入门级别的,在这样的课程里他们根本没办法顾及到这些更深入更重要的知识。」

Dominic Monn 留言:「我觉得 HR 总是需要某种能力证明的,这种证明的表现形式可以是一个高等教育文凭,可以是好看的代码库,也可以是复杂项目的开发经验。我自己就没有这样的高校文凭,我觉得学一个短期的在线课程显然是无法取代文凭的价值的。但是对于真正想做机器学习的人来讲,学在线课程起码是补齐这全部三个方面的开始。」

而对于身在其中的人,他们更想讨论清楚真正的区别在哪里。

亲身经历者 Dylan Djian 留言:「我自己的机器学习/数学知识是 100% 自学的,我自己就遇到过这样的困境(科研岗位以及应用研发),即便我有很强的动力和扎实的应用技能,我也还是没能拿到那个实习岗位。我觉得其中的距离是对书本知识的掌握程度,而不是我写代码写得如何。」

Sijun He 也说了自己的感受:「在线课程目前还是无法做到学校课程一样的严谨和深入。比如我自己就亲身在斯坦福大学的教室里上过吴恩达的机器学习课程,也在 Coursera 上学了他的课程,两者间的区别非常大。对于在线课程来说,为了让普通大众也能学得下去,大多数讲数学的内容都被去掉了,课程的重点也不再是知识本身,而是直觉式的感受。不过话说回来,在求职终面里面需要考虑的不应该是求职者的学历如何,而应该是他实际的工作表现。」

网友 Derek 说:「我觉得要看应聘的角色。如果要招机器学习的研究科学家,那博士学历可能是必需的。但是对于数据工程师、数据分析师和程序员,在线学习课程对于这样偏重实践的岗位来说简直再适合不过了。这个领域一直在快速发展,我们需要所有人的力量!」

谷歌 AI 研究员 David Ha 进一步拓展了这个想法:对于筛选机器学习研究人员,也许我们还可以尝试走另一个极端,那就是完全放弃学校、头衔、学历这些条件,然后完全根据他的 H-index 和作为作者的顶会论文数量判断他的水平。不过同时也要注意,当科研领域过于强调 H-index 和引用数量这样的指标的时候,也会有一些投机取巧的事情发生。

机器学习专家 Hamel Husain 评论:「有很多人的态度是,『要成为某个领域的大拿,你必须要经过和我自己一样的学习历程,或者有类似的背景才能得到我的认可』,其实他们说这样的话的出发点是深深的不安。实际上,这种(不正确的)信念对领域的多样化一点都没有好处,最终也会伤害到这个领域。」

你的观点如何?一起来谈谈?

讨论原帖见 https://twitter.com/suzatweet/status/1078446189593321472

机器学习 人工智能 学历
上一篇:百度UNIT助力小能科技,牵手海尔集团智能云客服升级 下一篇:换个角度看GAN:另一种损失函数
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

面部识别的利与弊:是福还是祸?

虽然现代技术使面部识别更加精确和安全,但与面部识别隐私问题和监控有关的担忧也在增加。因此,让我们在这篇文章中探讨一下这该技术的利与弊。

Naveen Joshi ·  2021-06-01 16:36:22
人工智能和5G如何结合以实现物联网收入最大化

网络系统通过信令和使用软件以及分析来检测和分类设备非常棘手,并且对有限且日益紧张的网络资源提出了巨大的需求。然而,解决这些问题有一个主要解决方案:采用人工智能、自动化和5G技术。

Jordi Castellvi ·  2021-06-01 13:49:15
MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶

最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。

文龙 ·  2021-06-01 12:47:51
自然语言处理(NLP)的历史及其发展方向

自然语言处理的历史是一个充满曲折的故事。它从徒劳的研究开始,经过多年卓有成效的工作,最后结束于一个我们仍在试图找出该领域极限的时代。今天,让我们来一起探索这一AI科学分支的发展。

佚名 ·  2021-06-01 12:46:26
是福还是祸?人脸识别技术的利与弊

面部识别并不是一项全新的技术,但人工智能和机器学习不断使面部识别变得更好。苹果通过引入具有 3D 扫描功能的面部生物识别系统和 iPhone 的 Face ID,提高了面部识别的标准。

Naveen Joshi ·  2021-06-01 11:11:01
人工智能能否使机器具有流体智力?

麻省理工学院和奥地利研究人员为灵活的人工智能创造了“液体”机器学习。

千家网 ·  2021-06-01 10:38:55
高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉

自 NeRF 被提出后,有多项研究对其加以改进。在本篇论文中,上海科技大学的研究者提出了首个将显式不透明监督和卷积机制结合到神经辐射场框架中以实现高质量外观的方案。

Haimin Luo等 ·  2021-06-01 09:57:39
大脑模拟NLP,高德纳奖得主:神经元集合演算用于句子解析

一个简单的大脑模型为人工智能研究提供了新的方向。世界顶尖计算机科学理论学家、哥德尔奖和高德纳奖获得者、哥伦比亚大学计算机科学教授 Christos Papadimitriou 关于「大脑中单词表征」的演讲。

Ben Dickson ·  2021-06-01 09:39:24
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载