机器学习的应用在工业界需求很高，有过工作经验的人可以很轻松的找到工作，供给远远小于需求，而且需求越来越大。

但是招 New Grad (PhD可以考虑）相对较少。原因很多，简单来说，就是 New Grad 往往工程经验不够学术能力也不够。工业界的现状不复杂：大公司搞机器学习的组大、人多、要求高，PhD是进入的门槛；小公司人少，每个人都要独当一面，因此必须要有过搭建实际机器学习系统的经验。因此如果两边都没有优势的话，自然找工作比较吃力。

因此，对于有志于做这个方向的同学来说，建议找工作时调整心态，第一份工作尽量找到工作职责与机器学习相关的组，而不必追求一步到位。人生的职业生涯很长，做好3到5年的职业生涯规划，积累实际工作经验，不断学习与强化自己。

为了更好的回答这个问题，我们先来介绍两个背景知识。

第一，北美目前机器学习相关的硕士可以大致分为三类。

第一类是计算机类/CS项目。随着机器学习近几年越来越火爆，越来越多计算机硕士项目开设了ML或者AI方向的track或者concentration。

第二类是数据科学/DS类的项目，近几年虽然DS项目越来越多，但是申请难度却日益加强。

最后是其他类项目，比如统计/OR/Management Science and Eng/CSE/IS/EE。

这些项目为了与时俱进，在课程设置的时候往往都会安排一两门机器学习相关的课程。

第二，北美目前机器学习相关的岗位大致可以分为三类

第一类是以发论文为目标的researcher岗位。

第二是机器学习工程师Machine Learning Engineer或者Software Engineer, Machine Learning。

第三就是数据科学家Data Scientist或者应用科学家Applied Scientist。

这三类岗位中，第一类岗位不是Master的目标岗位，我们来重点讨论第二类MLE和第三类DS岗位。

首先，就如最开始说道，并不是所有的DS都是与机器学习相关的。这就意味着，市面上绝大多数的机器学习类的岗位，其实是Engineer岗。例如Google，Facebook，LinkedIn等公司，都是以MLE为主要的机器学习岗位。

大部分面向毕业生的Entry Level岗位往往重视的是员工的执行能力。而ML类的岗位往往还需要有比较好的领域理解(Domain Knowledge)和设计能力(ML Design)，这些能力有时候并不是应届毕业生所具有的。

这就意味着其实针对应届毕业生的ML类的岗位其实并不多。同时，很多各个学科的Phd也在考虑ML为自己的就业方向。

这两个主要因素造成了ML方向的new grad岗位竞争往往是相对激烈的。

但是ML这个方向的本身依然有着非常有很好的前景，在职跳槽后也有着很多的就业机会，如果你是一个对ML有热情的人，这一定是一个值得你去为之努力的方向。

最好，通过以上的分析，我们可以看出，CS， ML Track的毕业生，有着最好的就业前景。同学们在做职业规划的时候，也要尽早确定好自己是想在ML DS这个方向上深耕，还是同时兼顾Engineer的相关技能。