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。
人与人的差距并不会在第一份工作中体现,而是在前几年逐渐显现出来。
为了更好的回答这个问题,我们先来介绍两个背景知识。
01 相关的硕士分类
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。
02 相关的岗位分类
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。
03 它们的区别
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。
所以如果之后想以机器学习为职业发展方向,那么MLE是一个机会更多的岗位。
如果本身对于做Engineer并不感兴趣,例如微软或者Amazon的Applied Scientist以及很多金融企业或者传统企业,也提供了一些ML相关的工作机会。
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。