亚历克斯，我无法具体评论德国或瑞士，但我确实为一家拥有超过 100,000 名员工的国际公司工作。这些人中的大多数至少拥有研究生学位，许多人拥有硕士和博士学位，除了人力资源和行政人员之外，我们大多数人都是一个或多个不同科学领域的专家。我有 30 多年的经验，曾担任过熟练的科学/技术专家、经理、项目经理，最终回到了我喜欢的纯科学角色。我还参与了招聘员工的工作，也许我接下来的一些观察可能对您有价值。

1. 大多数应届毕业生真的不知道他们到底想要什么，通常需要几年时间才能找到。在大多数情况下，由于各种原因，他们的工作经历与他们预期的完全不同。一些工作场所令人兴奋，而另一些则乏味、无聊和“工作场所政治”，糟糕的老板等有时可能是大问题。更高的学位可能对这些问题有帮助，也可能根本没有帮助。

2. 大多数雇主想要能够“完成工作”并尽快提高工作效率的人。更高的学位可能很重要，也可能无关紧要，这取决于雇主。在某些情况下，除非您拥有博士学位，否则门是关闭的。在其他情况下，门可能会关闭，因为您拥有博士学位，而雇主希望有人“理论较少，实践经验较多”。

3. 博士学位并不一定意味着更快的晋升甚至薪水的巨大差异，并且可能会或可能不会对您可以获得的职位产生任何影响。一般来说，当我面试候选人时，我最感兴趣的是寻找具有相关工作经验的人。如果候选人的论文主题特别相关，则博士学位可能是获得职位的最终决定因素。

4. 与过去相比，人们现在换工作的频率更高。你的年龄除以 2*pi 并不是一个糟糕的经验法则，可以在你开始兜圈子之前在一份工作中呆上好几年。有些人工作了一段时间，然后回到更高的学习。有些人（比如我）开始攻读博士学位，然后得到一个“好得无法拒绝的提议”，然后离开博士学位去工作。对不起，我这样做了吗？不，一点也不，如果我重新开始，无论如何我都会在完全不同的主题上攻读博士学位。

5. 我能给你的最好建议是做你最喜欢做的事情，看看它是如何展开的。没有人能告诉你什么最适合你。有时你只需要尝试一些东西，如果没有成功，那就尽可能多地从中学习，然后继续做其他事情。正如罗丹所说：如果你明智地利用经验，没有什么是浪费时间的。

在描述我对工作常规的看法之前，我会挑选一些我认为相关的帖子（强调我的）：

1. 我是一个很好奇的人
2. 将与智力上具有挑战性的东西一起工作
3. 我需要诚实地说我也讨厌看到比我更高的人（虚荣心）
4. 我可以开始职业并在 1 或 2 年内赚到很多钱
5. 创办自己的公司

基于 1 和 2，您似乎对数据科学和研究的总体看法非常浪漫。是的，您将开始研究有趣的问题，但肯定是 24/7（这适用于行业和研究）。

基于 2 和 3，您似乎认为研究人类智力的顶峰，并将博士学位视为您的聪明才智的证明。我不同意，因为：

• 学术研究和工业界都存在智力挑战。我认为学者面临最困难的问题是一个奇怪的假设。
• 拥有博士学位并不意味着您很聪明，而是意味着您具备在您的领域进行良好研究所需的一切。研究并不是要比别人更聪明（尽管它有帮助）。创造力和从不同的角度解决问题也是非常重要的品质。如果你想证明自己比别人聪明，那就参加门萨考试，而不是博士学位。

_{在我个人看来，最聪明的人是那些最终通过他们做出的选择过上幸福生活的人，无论这意味着成为一名核物理学家还是一名木匠。不要根据他们是否给你一些东西来炫耀你的决定。}

基于 4 和 5，您似乎设想在某个时候创办自己的公司。请注意，在创业时，即使是面向技术的创业公司，您可能不会将大部分时间花在实际技术上。营销、商业计划、管理等对成功的初创企业同样重要（如果不是更重要的话）。您希望博士学位如何提供帮助？

既然这些初步准备工作已经结束：我对机器学习科学家的日常工作的个人看法。首先：您可以在大/复杂/有趣的数据集上使用最先进的方法，并重点关注您的选择。这无疑是非常有趣的工作。

... 但

真正的机器学习涉及大量繁重的工作

您不会在一个充满数学优雅的乌托邦世界中度过每个工作时间，而计算机大军却在为您服务。你的大部分时间将花在繁重的工作上：数据库管理、准备数据集、规范化内容、处理不一致等等。我大部分时间都花在做这些任务上。随着时间的推移，它们不会变得更令人兴奋。如果你对自己的话题没有热情，你最终会失去做这些事情的动力。

如果你参加过机器学习课程，你通常会得到标签很好的数据集，没有不一致，没有丢失数据，一切都应该是这样。这不是现实生活中的机器学习。您将花费大部分时间来尝试达到准备好运行您最喜欢的算法的程度。

合作中的期望管理

如果你想做跨学科项目，你将不得不学习如何与对你所做的事情知之甚少甚至一无所知的人一起工作（这对于任何专业都是如此）。在机器学习中，这通常意味着以下两种情况之一：

• 你的合作者看太多电视了，认为你可以解决所有问题，用一个花哨的算法和很多很酷的可视化。
• 您的合作者不了解您使用的技术，因此看不到好处或潜在应用。

•作为拥有行业硕士学位的数据科学家/机器学习者工作是什么感觉？你做什么样的工作？尤其是当我作为机器学习科学家阅读亚马逊上的这些广告时，我总是想知道它们在做什么。

业务问题并不会根据您的学位而真正改变，因此您会看到相同或相似的事情。如果你在一个大组织工作，你就在公司的大型数据集上工作。这通常可以是产品/客户数据或运营数据（化学过程数据、金融市场数据、网站流量数据等）。通用的最终目标是利用数据为公司省钱或赚钱。

• 与以前相同的问题，但具有博士学位。你做的事情与大师不同还是相同？

答案如上，你会做几乎相同的事情。但是，在大型国际公司的研究/定量分析/或类似的技术部门中，如果您拥有博士学位，那么您就比拥有硕士学位的人更有优势。在职业发展方面。博士教（或应该教）你成为一名独立研究人员，所以有了博士学位，公司通常会更“重视”你的劳动（好奇的技能和勤奋）。但我强烈建议不要攻读博士学位，只是为了（可能）更快的职业发展。攻读博士学位是一个艰难的过程，尤其是在结束痛苦的过程中，你必须喜欢（最好是热爱）你的学科，而且在我看来，你有可能继续留在学术界（这代表了你对研究的亲和力）和partiuclar主题），以使其可以忍受。

还要记住，带着博士学位回到行业，你会在职业阶梯上落后，最终可能会被引导到一个技术导向的支持角色（与那些为公司赚取真金白银的人相比，它的薪水更少）-这可能不是你的主要目标。最后，如果你在一家小公司工作，在你自己的公司里，拥有博士学位的优势在职业发展或薪水方面几乎消失了。

•我会处理具有挑战性的有趣问题吗？还是一些无聊的东西？

我想对此没有通用的答案。ML 是跨学科的。如果你是一名分析师，你通常会查看数据并尝试构建模型，如果你在开发方面，你最终会处理实现的细节。如果您是面向客户的，您可能需要对客户进行大量的手把手培训和培训（但可能会赚更多的钱）。通常，您的问题的答案取决于个人喜好以及您的雇主提供的灵活性。

或者你可以尝试加入一些统计学家和机器学习者不是日常出现的研究小组。例如虫害和疾病传播、植物学或生态学、社会昆虫或社会科学？

我不能给你确切的例子，但如果你是一个优秀的统计学家/ML，在一个只有少数人的地方，那么人们和不同的研究建议会找到你。关键是，无需您付出太多努力，您就会真正受到需求。

如果你喜欢这个想法，那么不要尝试在你当前的主题（行业）之外寻找机器学习问题，也许你会找到如何找到你的“具有挑战性的有趣问题”和“处理具有智力挑战性的东西”的方法。