作者 | Jeremie Harris 翻译 | MikaCDA 数据分析师原创作品，转载需授权
首先我要说的是，我是一名博士肄业生。
这个头衔给我带来了所谓的光环，它暗示我在研究生院待过，做过一些学术研究。完成博士学位，意味着你不过是千万个”书呆子”中的一员，而在学了几年后辍学似乎显得你更有个性。人们期待知道你之后会做些什么。他们可能会说，“特斯拉的 CEO Elon Musk 就选择放弃研究生学位，离开学校去创业，你也可能成为下一个 Elon！”
那么如果想入行数据科学，学历重要吗？一定需要博士学历或研究生学历吗？在本文中我将分享我的看法。
我在数据科学导师制创业公司工作。在工作中，我已经面试过数千位有抱负的数据科学家，当中有些人有博士学位，有些有硕士学位，有些是本科生，也有各个阶段的肄业生。这也让我对数据科学职业有了更深的认识。
STEM：科学（Science），技术（Technology），工程（Engineering），数学（Mathematics）这四门学科
有许多人会向他人咨询，是否要继续深造读研或读博，而当中很多人对前景没有全面的分析。
其实不是所有的学位都适合每个人，原因如下。
一、博士学位
（这可能会让许多有博士学位的人感到不舒服，在此我提前道歉。）
“我看到许多数据科学工作都需要博士学位。我是否要有博士学位才能成为数据科学家呢？“
不，并不需要。
不要误会我的意思，博士头衔的确会给你带来明显的优势。但也要考虑一些现实因素。
如果你的目标是成为数据科学家或机器学习工程师 / 研究员，那么有博士学位会给你加分不少。但与此同时也要考虑以下两点：
1. 获得博士学位需要非常长的时间。
2. 除非你跟着合适的导师，攻读合适的学位，否则你可能学不到任何有价值的东西。
针对第 1 点，在美国或加拿大，获得博士学位需要 4 年到 8 年才能完成。平均需要 5 到 6 年，具体取决于学校。现在让我们把它放到透视中。
在数据科学领域瞬息万变，5 年内各种成果层出不穷。要知道，在 5 年前 Spark、XGBoost、jupyter notebook、GloVe、spaCy、TensorFlow、Keras、Pytorch、InceptionNet、ResNet、强化学习等等都还不存在。
因此，除非你打算当新技术出现时，花时间自己钻研。否则你会发现学习期间接触到的技术远远跟不上当下的发展。这意味着即使你毕业后，还需要自己学习这些技术。
关键在于，数据科学和机器学习的发展非常快，在未来只会发展得更快。因此，当考虑攻读数据科学或机器学习相关领域的博士学位时，你实际上是把赌注都下在你所要学习的领域。你希望在毕业时，该领域还是炙手可热的。而这样的赌注很冒险，而且赌注很高。
第 2 点，思考一下你的导师是谁，为什么他们没有在 Google 或 Facebook 工作。
当然，有些人更喜欢学术研究，而不是在行业中运用数据科学或机器学习。但值得记住的是，行业顶级的机器学习人才的薪资是非常丰厚的，因此学术界的可能会稍逊一筹。
当然，有些地方也有些例外。这主要指的是加拿大的 Vector Institute 或 MILA；麻省理工学院和美国伯克利的数据科学课程等顶级精英项目。
总结一下：如果你只想成为 Airbnb 的深度学习工程师，那么博士学位一定程度上能成为你的敲门砖。但是，如果你不是在顶级项目中攻读博士学位，那么不要期望被行业顶尖的公司录用。
但是，如果你想找份普通的数据科学工作，获得博士学位可能并不是正确的举措。你可以用 4 到 8 年的时间获得丰富的工作经验，去成长为一名真正的数据科学家，那么出现新技术时，你能更好的进行预测，保持领先的位置。
如果你考虑攻读与数据科学无关领域的博士学位（例如物理，生物学，化学），并且目标是找数据科学方面的工作，那么这条建议可能有些刺耳：如果你离毕业还有 18 个月或更长时间，而且你确定自己想成为一名数据科学家，那么可以考虑辍学。考虑到沉没成本，你应该对之前决策感到质疑，根据我之前的经验来看放弃可能是正确的选择。
二、硕士学位
入行数据科学需要硕士学位吗？
视情况而定。以下是我列出的记分表，如果根据你的情况，分数大于 6，那么答案是“硕士学位可能会有所帮助”。
你有非常相关的 STEM 背景（物理、数学、计算机科学等本科学历）：0 分
你有较为相关的 STEM 背景（生物学、生物化学、经济学等本科学历）：2 分
你没有相关的 STEM 背景：5 分
你有不到 1 年的 Python 使用经验：3 分
你没有编程相关的工作经验：3 分
你不认为自己擅长独立学习：4 分
当我说这个记分表实际是一个逻辑回归算法时，你不明白我的意思：1 分
注意：
需要考虑的是，你是否需要数据科学硕士学位或数据科学训练营。如果选择参加训练营，要注意他们的激励措施：是否课程完成后保证聘用？是否有与训练营相关的求职指导服务？
许多人都对训练营持怀疑态度，这是有道理的。但大多数忽略的是，他们对待大学所提供的相关硕士学位也该如此。巩固硕士学位就相当于训练营。如果你不在乎你的成绩，那么要注重你从中学到了什么。在选择相应的硕士学位和课程项目时要询问其研究生就业率。有的大学希望学生选一个简单的专业，而不是好的专业，这是一场心理博弈。你的目标是最终被聘用，找到理想的工作，而不是仅仅为了一纸文凭而付出时间和精力。
即使完成了硕士学位，你还需要学习很多技能，可能比你预想的还要多。但只要硕士课程的时间较短 (最好不超过 2 年)，成本不是太高。
三、本科学位
总的来说，是的，成为数据科学家你需要相关本科学位。不仅仅是因为你需要掌握相关知识，而且公司并不认为你通过自学，参加训练营和一些在线课程就能胜任数据科学的工作。
但关于本科学位你要注意的是，如果你和科技行业的人聊聊，你很快会发现科技型工作中涉及到的内容要远远超出学校课本。这是因为学校所教的本科课程一般比现实情况要滞后 5 到 10 年。如果你学的是不会发生很大变化的专业是没有太大问题的，比如如物理、数学或统计数据等。
但是如果你是工程或计算机科学专业，并且你在一家出色的公司实习，你想休学或肄业来获得更多的工作经验，那么你可以考虑这样做。如果你读本科的目的是为了获得一份工作，你已经在一家有不错前景的公司获得职位，那么何必多付几年学费呢。
我的意思并不是你应该不读完本科就去工作，我想说的是，如果你完成了实习并且获得了相应的全职工作，那么对于是否完成学业应该有更开放的观念。而不是因为大家都这么做，才做出这种选择。
结语
在本文中，我给出的一些建议可能不是那么常规。但在数据科学这样快速发展的领域，惯例往往并不是最优选择。当今社会中，人们对传统教育价值的看法应该与时俱进。
当然，这并不意味着正规教育以及研究生学位是不值得的。但是，不应该认为获得硕士或博士学位是必备的。如果你读研读博只是为了符合数据科学职业轨迹的刻板印象，那么你可能需要重新考虑了。