分享
计算机博士的两种模式？
我个人觉得，以数据挖掘的计算机博士为例，在读博期间，大约有两种模式。模式A：接触许多实际的数据挖掘项目，成功地做完项目，解决了实际问题，从而发一篇paper。模式B：研究数据挖掘的算法，看paper找idea，然后进行算法accuracy的提升，或者自己提出一个好算法。实验结果在public datasets上跑得好就发一篇paper。所以我的疑问是，对同样一个资质水平的学生来说，这两种模式哪个就读时更好的成长？哪一种毕业后在工业界更具竞争力？我自己认为读博时B类型更好，因为能打下深厚的数据挖掘基础。而我导师却认为A在工业界更有竞争力，项目经历丰富。各位的看法是？
回复 ( 5 )
如果你以后想成为游泳健将，就要多游泳；如果以后想教游泳的话，就多看些关于游泳的书吧～
其实博士的竞争力就是problem solving。在公司有竞争力的意义是可以解决普通工程师解决不了的问题，包括优化算法效率和解决新问题。这个需要两点1、熟悉领域知识，包括数据挖掘算法和公司业务2、有逻辑思考能力，可以将知识运用到实际问题中。
我默认第一条路是做了一些不太水也不太牛的项目，就是运用成熟的数据挖掘算法解决问题。如果是很牛逼的项目，那你就是超脱这两条路的大牛了。第一条路会比较熟悉领域知识和常规算法，但是遇到新问题可能会比较懵圈也就是1比较强，第二条路2比较强，但是将知识运用到实际问题中需要训练一段时间。换言之，第一条路起点较高（可以入职直接负责一些小项目之类的），但是后续走research track可能天花板较低。第二条路刚开始比较弱，但是后面发展我觉得会好些。这也是为什么大公司招博士还是很愿意根据paper质量给package。
更好的成长是怎么定义的？所以这个问题不好回答。
哪一种毕业后在工业界更有竞争力？根据我遇到的情况，你导师是对的，A。本质原因是：
A种可以接触到更真实的数据，当然数据也就更dirty,需要你做不少data preprocess等脏活累活；会要求你做很多的feature engineering， 比如features combine, features selection等等；然后是model选择，调参，各种Cross Validation；最后是结果的分析，各种calibration等等。然后才可能做出个好的结果。其中data preprocess, feature engineering, calibration会占用你大部分时间。这是实际工业界日常的工作。
B种，首先要看很多论文，如果你看的是偏应用型的，比如如何做广告ctr预估，这样相对容易些，但是不好的地方是，就算你能得到一些数据，你能得到的这些数据会限制你能做的事情，比如你发现别人做ctr都没用过用户cookie，你就需要弄到用户cookie数据，然后这在公开数据集中可能很难得到，因此你可能就没法做下去。如果是看的偏理论型的论文，比如你发现sgd在并行化时收敛较慢，那你就需要把sgd相关的论文深入读一读（比如张潼老师这方面的论文），然后看有哪些地方可以改进，说实话，这很难，但是很锻炼你的理论功底。
想当年我傻傻分不清，看了不少论文模型应用型、算法优化型。。。但是最终并没什么卵用，代码也没写几行，导致我现在只能在北京要饭。
所以，你的研究方向是什么？
个人经验而言，所谓模式A和B，并无明显区分。模式A：对于博士研究而言，即便是利用已有算法解决实际项目中的问题，也会涉及到算法的比较、改进、优化以适应当前问题。模式B: 博士阶段，提出一个“全新”算法的博士生少之又少，大部分都是对已有算法的改进和优化。
模式A：接触许多实际的数据挖掘项目，成功地做完项目，解决了实际问题，从而发一篇paper。
模式B：研究数据挖掘的算法，看paper找idea，然后进行算法accuracy的提升，或者自己提出一个好算法。实验结果在public datasets上跑得好就发一篇paper。
一个nb的博士生能做到a＋b，但是真的很少。模式a是在博士期间做很多项目，偏应用，这对以后就业很有帮助。模式b是在学术领域内探索问题的根本，偏学术，对发文章有帮助。这两种都可以，主要看博士生以后想做什么。