原文：
www.kdnuggets.com/2019/04/worth-studying-data-science-masters.html
评论
由 Sterling Osborne，曼彻斯特大学
自从完成数据科学硕士课程以来，我接到了一些人询问我对课程的经历以及是否值得推荐。因此，我认为最好总结一下我开始这门课程的决定，我在学习期间取得的成就，以及随后几年的结果。
1. Google 网络安全证书 - 快速进入网络安全职业轨道。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织进行 IT 事务
那是 2016 年的春天，我快结束在伦敦市最大咨询公司之一的 6 个月实习了。我接受这个角色是为了获得经验，并弄清楚成为精算师是否是我职业生涯的正确方向。我很快发现自己对这个角色的数据分析产生了兴趣，因为我被拉去参加会议，讨论我分析的数据，或者能够自己编写工具来自动化以前的手动任务。然而，我也发现如果我继续进入研究生项目，我将会沿着传统的轨道前进，这让我失去了兴趣，因为那需要多年标准化考试，几乎没有创造性。此外，在这一点上，我的大部分工作都在 Excel 中进行，几乎没有获得编程经验。
就在这时，我也开始探索一个在我的求职中经常出现的神奇术语：数据科学。我来自数学背景，由于英国就业市场的性质，我被推向了会计和精算咨询等传统角色。然而，现在有了一个新的角色，它违背了我对未来职业的所有期望。在成为精算师的过程中，我会通过学习监管标准来解决问题，而数据科学家则被鼓励在商业环境中创造性地寻找解决方案。此外，角色机会不再固定在少数几家公司几乎所有公司都在寻找某种形式的数据科学家，能够进入一个全新的行业，从时尚到金融，都极大地吸引了我的兴趣。
然而，当我开始申请数据科学角色时，很快就显露出我缺乏两项关键技能：应用机器学习和编码。
第一个解决方案是自己教授这些内容，我有统计学经验来学习机器学习，并且在 MatLab 中有足够的编码经验，以至于我有信心可以学习 Python 或 R。然而，如果我这样做的话，我不确定这是否足够，也不确定如何在简历上清晰地展示我新获得的技能给雇主。
我考虑了在线训练营，但它们的内容通常是固定的，我不确定重复他人的工作会如何被雇主接受。此外，没有保证这些训练营对雇主来说是可信的，而且自费也很昂贵。今天，仅仅三年后，大学支持的课程列表使得这成为了一个更为可行的选择，绝对值得考虑，但当时这些课程还不够成熟。不幸的是，训练营是一个昂贵的风险，我不确定是否会有所回报。
因此，我决定寻找大学提供的选项。当时有两种类型的课程符合我的目标；商业分析课程和计算机科学中的机器学习。前者专注于在商业环境中应用分析，但由于这是通过商学院进行的，因此价格更高，一年的学费超过£25,000。后者通过学术研究提供教学，更侧重于教授基础理论而不是应用。此外，由于这是通过计算机科学系开设的学术课程，因此一年的学费大大减少，为£9,000（针对英国公民）。
最终，我决定保守一点，投入整整一年时间去攻读学术硕士学位，希望通过项目工作获得机器学习的应用知识，并提高我的编码技能。
因此，我加入了伦敦城市大学计算机科学系的 2016/17 届数据科学硕士班。那年是该大学第二次开设此课程，并且当时是伦敦唯一提供数据科学硕士学位的大学（尽管其他大学也有类似的课程）。
第一学期包括了数据科学的三个主要主题：数据科学基础、机器学习和可视化。每个模块都包括一个作业组件，我们可以选择任何公开可用的数据集来应用我们新学到的方法。通过这些，我很快提高了编程技能，甚至建立了自信，开始分享这些项目。
第二学期我们有两个核心模块，Big Data 和神经计算，并且可以选择两个可选模块。选项列表很全面，使我们能够从计算机视觉到数据架构中选择专业方向。我选择了数据可视化（这是第一学期模块的延续）和软件代理（通过应用强化学习的 AI 基础）。这些模块也包括作业，并且凭借第一学期的基础，我真的能够扩展我的应用并进行创造性思考。Big Data 还介绍了文本数据和自然语言处理。
在这两个学期中，我对大多数数据科学主题有了广泛的了解，并且对核心模块中的机器学习和神经网络有了深刻的知识。当我们进入课程的第一个组成部分，即论文时，我们可以选择在实习角色中完成此任务（并获得延期，以便在工作期间平衡）。我找到了一份合适的角色，定义了我的研究主题，并在接下来的几个月里将我迄今为止获得的所有技能应用于将 AI 应用于业务。
我有两个目标需要实现：展示我对机器学习的理解并将这些知识应用于编程。这个课程不仅在我的简历上提供了一个明确的‘勾选框’，而且使我能够继续扩展我的技能，参与越来越有趣的项目。任何职位申请的一部分是要通过初步筛选，我现在能更加一致地做到这一点。此外，当我进入面试阶段时，我有了所有这些项目可以讨论，并真正展现出我对理解的自信，远远超过了我自己单独完成的水平。
硕士学位为我打开了所有我之前一直在敲打的大门，甚至在我公开发布项目后，招聘人员也直接联系了我。最终，我发现自己喜欢论文的研究部分和追求该领域的自由，因此我继续攻读人工智能博士学位。讽刺的是，这是我在 2016 年绝对不会考虑的事情，但由于该领域不断扩展，能够站在前沿确实令人惊叹，特别是因为许多问题需要应用的思维方式，并且适用于商业问题，而不仅仅是理论上的。
这是我总是很难回答的问题，因为每个人的情况不同，因此我将尝试基于我的经验提供一些建议。简而言之：
-
确立数据科学是否适合你，并找到一个话题或细节来激励自己。对我来说，这就是能够以创造性的方式应用数据分析，成为商业中的宝贵资产，帮助他人改善决策。
-
评估你想要的工作要求什么，以及你的技能组合目前在哪些方面有所不足。虽然我有技术背景，但我没有展示我应用机器学习或编程的能力，需要一些东西来实现这一点。对于我课程中的其他人，他们没有数学或统计背景，因此需要这些来加强他们的知识。
-
回顾你获得这些缺失技能的选项。例如，训练营在行业中越来越被认可，但它们通常遵循单一路径（即在相同数据上学习并应用相同的方法）。这可能对某些人有效，但我希望以独特的方式展示我的能力，让自己在雇主面前脱颖而出。如果你考虑攻读硕士学位，彻底研究课程模块和组织课程的人员，因为不同部门之间（特别是商业和学术学院）会有差异。
-
扩展和挑战自己，通过课程来挑战自己，不要仅仅选择一个涵盖你已经熟悉的主题的课程来完成要求。找到一些具有挑战性的内容，鼓励你发展新的技能。
-
展示你的新技能，通过 GitHub、Kaggle 或你自己的网站在线发布你的项目。建立一个项目组合在任何面试中都比尝试在时间限制内描述这些项目要有用得多。
例如，下面你可以找到我的个人网站和 Kaggle 页面的链接：
[Philip Osborne Data:
这个项目是作为一个在 Python 笔记本中独立学习强化学习（RL）的方法创建的](https://www.philiposbornedata.com/)
希望你在考虑如何进入数据科学领域时能觉得这篇帖子有用，我会尽力回答你关于此的任何问题。
谢谢
Sterling
个人简介：Sterling Osborne 是曼彻斯特大学（英国）人工智能领域的博士研究生。你可以在 Medium 和 YouTube 上找到他。
原文。经许可转载。
相关内容：
-
2019 年典型的数据科学家是怎样的？
-
没有人会告诉你的数据科学职位申请信息
-
如何建立数据科学作品集