機器學習需要讀博嗎？

01-03

現在研一在讀，電子科大信號處理方向。但是從本科大四起對機器學習有關注，感興趣。現在有修機器學習的課程，關於入門的話題已在知乎上看過答案。想問的是，第一，畢竟不是本專業，自己學習的話可能比不上科班出來（？），在考慮是否有必要讀博。第二個就是在想自己是否適合讀博，當然也搜過相關問題，但還是想問，特別是在看過一個答案說機器學習真心是給聰明人玩的。這句有點讓我引發思考，是否腦子夠用？比如現在用書PRML，看英文版稍微有點慢，但多看下還是可以理解。但覺得自己對機器學習還是很感興趣的，覺得有意思（可能沒開始看論文，不知水深淺吧）。第三，如果讀博，畢竟不是本專業，怎麼參與到論文發表，科研之中，想提高自己申請博士的競爭力。暫時就這些，希望各位前輩指條路讓我思考一下。謝謝！

我是你的學長，電子科大信號處理方向，現在博二，研究計算機視覺與深度學習。

我們的專業跟機器學習不算完全契合，但也是很接近的。但是據我觀察，我們專業很多人缺乏機器學習的兩大必備技能：數學和編程。

數學方面，我們本科學到的除了數學基礎課之外，專業方面有用的就只有信號與處理和模式識別，其中模式識別還是選修課。專業課中用到得更多的是微分積分，對概率、最優化、演算法等科目普遍要弱一些，而這些是機器學習中最重要的數學基礎。

編程能力上就更差了，我們學的腳本語言是matlab，搞機器學習的人用matlab的已經很少了（我本人也還在使用matlab，感覺有點積重難返）。C++也沒有學，只有C語言課程。很多人甚至從來沒有接觸過linux。不知道題主是不是這樣的，但這些都是我們要補上來的。

現在還是研一上吧，研一要做的事就是把上邊我說的基礎補好，研一有幾門數學課很不錯，矩陣、最優化、數值分析、圖論、模式識別（自動化程洪教授的）都是必選的。至於我們專業那一堆信號相關的課程，一個也不要選。

現在還需要把linux和python裝起來，開始學著在linux下編程。不過這方面我也做得不好，我的電腦中至今沒有安裝linux，你可以看看知乎上其他人的建議。

研一下的時候課程壓力就小很多了，這時可以開始看看論文，挑選自己感興趣的方向嘗試著復現一下，看看能否提出改進策略。

至於讀博，你先把上邊幾步做好，如果能在研一下至研二上做出成績能夠發表論文，那可以繼續深造。如果做不到，建議放棄，現在機器學習崗位也很多，去工作的話一樣是要看論文研究演算法的。

我走過很多彎路，做事往往事倍功半。以上是我的經驗之談，視野可能不是很開闊，題主有選擇性地看看就好。

給一個答案，讀不讀博並不重要，得堅持。我本科是計算機的，但是沒有研究過機器學習和數據挖掘。然後直博，研究機器學習和數據挖掘。

最近得出的一個結論是，多看多練習。首先，得去看書，個人推薦凸優化，prml，統計學習引導，數據挖掘，模式分類，資訊理論，數值分析，矩陣計算，線性代數導論。這幾本書我都有，但是沒有一本是完全看完的，有幾本的看的多一點。數學這種東西，邊看邊忘，溫故知新。

然後個人建議最好用linux/python/c++(Java).之所以建議python大家都懂，python社區很活躍，很多python的庫被大神們優化的很好，甚至numpy有專門的英特爾優化版。至於，c++/java，我認為碼農只掌握一門語言是不夠的。linux看喜好吧，linux下面用pip install之類的命令比較方便。

其次關於演算法實現。實現自己的演算法，一定要用現成的演算法庫，這樣做的原因是將關注點放到具體的(數據挖掘)問題上來。筆者開始很天真，自己的演算法中所有的子演算法都是自己用c++實現，運行效果和運行時間不是一般的差。後來改過幾次，稍微有提升。但是，這真的不如直接調用現成的演算法庫來的好。

最後，(1)要去挖掘和分析真實的數據。一個最快的方法就是參加各種比賽.（2）實現一些基本簡單的數據挖掘演算法（例如kmeans）（3）還可以做一些簡單的數據挖掘應用，去web爬點數據做個推薦和預測什麼的。

說了這麼多，這些是我一直在努力做的，並不能說明我做的很好，相反的很多我都是我所做的不足的。最後的最後，筆者剛研究生二年級，也不知道我的認知對不對。A long way to go，要更加的努力。

讀博比較累，又要寫代碼調BUG（我到現在一共已經寫了幾十萬行代碼了，我上次統計了一下，還是局部的統計，一共30多萬行。正常我不休息的日子如果我寫代碼每天寫300行代碼是起碼的），又要看理論的東西（數學最起碼的東西還是要回的），還要寫論文做實驗，還要幫老闆做項目。像我除了偶爾水水知乎以外基本上就沒有太多的空閑時間了。反正比作其他的要累（至少我是這麼覺得的）。

至於出來好不好找工作，這個要看個人的。不能一棒子打死。關鍵看你代碼寫得怎麼樣，論文發的怎麼樣，你老闆是誰，對吧。

然後用什麼語言，我推薦C/C++或者python。matlab當然不是不可以，但是如果你不打算就把自己丟在高校或者所謂的『研究機構"的話寫我說的這些語言總歸是沒錯的。

我本科。

不過有的課確實是博士才開的，比如凸優化，我同學就是博士才上這門課。

然而學什麼都看自己，又沒人攔你，不是非要有那個文憑學位才能做那些事。

我帶過一個本科的實習生，機器學習搞得溜溜的，做事機智，基礎又紮實。當時極想留住他，可惜保送去北大了

想找工作就別讀，想深入研究就讀。讀博之後去公司困難，但是有的去的話肯定待遇比研究生好。

想做深當然要讀博啊，最好是美帝的博，最好能跟著大師。你去跟世界上研究機器學習最狠最前沿的一群人一起，那是不是事半功倍？

學習機器學習確實需要門檻，但也沒有到只有讀博才能在這方面取得成果的地步。

我們幾個同事沒有一個是博士，都是在工作中研究機器學習的問題。目前取得了一些小成果，和大家分享一下。

我們的機器學習HAI主要是用來預測足球比賽結果，經過不斷改進，截至目前（2015-10-17）已經做到了連續命中11場賽果，命中率不斷提高，機器學習的效果正在逐漸展現出來。

題主多次提到不是本專業不是本專業，我就有必要說說了。專業這個東西是別人給你畫的圈子，只要自己不備限制住就沒有問題。就說我吧，本科是水產養殖專業，研究生是天文圖像處理，現在工作了做機器學習，不敢說多麼厲害，在同事之間也還湊合。

我在一家日資研發中心。

所以，不要把專業說的那麼重要……你自己的想法才重要～

打算把bengio的deep learning 翻譯一遍。我今年大三

主頁:http://meank.github.io

取決於你的目標，如果是想做份和機器學習有關的工作，那就不需要。如果你想從事機器學習的研究，那就需要。

讀博需要好奇心和毅力。如果你還在懷疑是不是要讀博，那就還是不要讀了。讀個碩士賺錢吧。

ps。有人說讀了博士去公司會很難。其實這個和你的學校、導師以及讀博士期間還寫不寫代碼有關。國內很多爛學校爛導師的不讀也罷，如果可以去好學校、好導師那裡，畢業後不論去公司還是去學校都是很搶手的。

我的感受，

本科的高數、概率統計、線代是基礎的基礎了；

矩陣論，凸優化，圖論是必備。

流形啥的最好接觸到。

比較麻煩的，是這些知識族在機器學習里是高度交叉的，學術訓練不到位，很容易卡殼。

如果是覆蓋以上的博士，當然就是首席數據科學家了。

能出國讀博就出國讀，不能就工作。

不過碩士階段才開始準備出國的話貌似很難，而且影響專業上的精力。

我是天津大學的，學電子與通信工程，專業方嚮應該和你一樣吧，如果只學本專業的話，畢業找不到好工作，甚至沒啥工作可找。雖然說專業這個東西是別人給你畫的圈子，但是你還得畢業啊，信號的課你該修還得修，這些與機器學習有關的課雖然上不了多少，但無關的課上了很多，咱也不是智商超群的人，真正的牛逼人也不會來發帖問這個了，每天上那些無關的課已經很費精力了，還能有多少精力投入到一個自己未知的領域當中呢。說了這麼多，無非是想表達跨行的難度與自身存在的劣勢，咱唯一的優勢就是一顆決心了吧，基礎的差距真不是一兩年能補回來的。Ps：認識一個西工大的女研究生，本科學機械，整天畫CAD，研究生跟了導師是自動化的，做計算機視覺方面的，現在方向是深度學習，幸虧他們畢業不用發SCI。。。再PS，跟她接觸了一段時間，我發現她對CV和ML領域了解得非常少，這種差距怎麼補

搞好學術還是要讀的，首選清華，其次浙大、南大（周志華老師很牛）、中科院計算所也都很強。北大、哈工、上交等學校也很好。

學長我是今年電子科大的研一新生…從自動化調劑到了機電……但是同樣對那邊的模式識別和機器學習感興趣，跟你有同樣的疑問。不知道學長現在學的怎麼樣了……

簡而言之，這取決於你的職業規劃。。。如果你想成為ml領域的researcher，那麼phd is the minimum requirement；如果你只是想用ml的技術解決一些具體問題，就沒有必要了。