常常有人抱有疑问，成为数据科学家究竟需要达到怎样的学历呢？学历与成为数据科学家的关系是怎样的呢？

今天我们就来聊一聊成为数据科学家，需不需要读博士。

首先，我们给出结论：博士学位不是成为一个优秀数据科学家的必要条件，事实上现在很多大公司的数据科学家都没有博士（甚至硕士）学位。

上图来自Kaggle最近4年对数据科学行业的问卷调查。

2020年的数据科学家中有博士学位的已经不到20%（在2015年这一比例是48%）。

2020年，75%数据科学家有研究生以上学位，这一比例在2015年是92%。

考虑到当前学位通胀的大背景，可以说数据科学的学位“门槛“是在降低的，这在某种程度上也加速了数据科学行业的红海化。

背后的原因有很多，比如：

大量培训的兴起，线上和线下的集训营，很多大学的数据科学硕士项目。

模型的自动化。很多R和Python的包已经将很多分析模块化，AutoML的工具又进一步将建模过程自动化，这样一来数据科学的理论门槛降低了很多。

其实学位本身并不重要，重要的是拿到那个学历的过程，以及会选择获许这些学位的人共有的一些特质，这种性格特质是伴随一生的东西。

高等教育（本科，研究生和博士）后应该具有的是基本的专业知识和自学能力。数据科学和很多其它领域一样，需要终身学习。

在美国，一般情况下，如果你拿到数理专业的博士学位，至少说明一个问题，就是你对学习的东西有兴趣，学习是出于好奇心和热爱。

如果你对研究的课题没有热爱，觉得读博士可以让你在职业的道路上走的更远的话，那我真的劝你不需要读博士。

除了少数科研的岗位，大部分职位都不需要博士学位。有研究生学位后，实战经验比博士学位对职业发展而言重要的多。

有一点需要提及的是，抛开学位不谈，博士期间的系统理论训练对数据科学是有帮助的。

很多人可能觉得模型背后的数理知识不重要，只要会用模型就可以。

统计软件使得很多模型使用者不需要知道具体的模型原理。了解模型原理是否能够帮助你更好的使用模型？当然会有帮助。但问题是这个帮助有多大？是不是值得我们花几年时间去学习？

学习很多东西的好处是很难用短期去衡量的。我没有严格地分析，只是个人觉得了解模型原理是必要的。

我很喜欢一个词“匠人精神”，也很乐意将“数据科学家”称为匠人，这是一种精益求精的精神。

当然这种精神和学位没有必然联系，更可能的解释是选择偏误（喜欢钻研有好奇心的人有更大的概率选择去读博士，而非读博士让人喜欢钻研）。有本科毕业对数据科学很感兴趣，自己学习也能够对这个学科有很深的理解。

最后，当然就是学习的能力。即使拿到博士学位，也不意味着学完了所有知识，而是具备进一步自学的能力，可以自己看懂数新方法的论文，也就是具备了在这个领域发展的自学能力。

总的来说，这个领域的高学历现象并不能说明学历是必要条件，也不是充分条件。真正重要的是兴趣、匠人精神和终生学习的能力。

好了，今天我们就分享到这里，希望对大家有帮助。如果有什么问题，或者大家有什么感兴趣的关于留学，求职的话题，欢迎提出。