Kérdés:
Helytelen megközelítést alkalmazok, miközben akadémiai pozíciót keresek az alkalmazott területeken - a brutális kritikák értékelik!
Stat_math
2020-06-16 16:19:39 UTC
view on stackexchange narkive permalink

A tiszta matematika doktori fokozata után olyan alkalmazott területeken szerettem volna munkát végezni, ahová be tudtam vinni a tiszta matematikai szaktudásomat. Tehát két utódokumentumot készítettem a számítástechnikai orvosi képalkotásban, ahol a tiszta matematikai tudásomat gépi tanulással párosítva alkalmazhattam (ami a tiszta matematikai hátterem miatt is tetszett). De a számítógépes orvosi képalkotás oka a következő volt:

1) Úgy éreztem, hogy a tiszta matematika piaca nehéz lesz, és nehéz lesz megszerezni állandó beosztás. Ha azonban képalkotással foglalkoznék, akkor az önéletrajzomból kiderül, hogy képes vagyok tiszta és alkalmazott dolgokra egyaránt, így az ipar számára is nyitva tartanám a lehetőségeimet.

2) Végignéztem néhány orvosi képalkotási cikket, és ami vonzott engem, azok a matematikai eszközök, amelyeket ezekben az írásokban használtak, de nem figyeltem sokat a tényleges megoldatlan problémákra. orvosi képalkotás. Nem volt biztos, hogy nem érdekeltek ezek a problémák a képalkotásban, de nem ezek voltak a legfőbb okok, amelyek miatt vonzódtam hozzá. De mindenesetre folytattam a posztdokoltot, de főleg olyan problémákon dolgoztam, amelyek kissé általános jellegű (pl. a differenciálgeometria és a gépi tanulás összefolyásának problémái, érdeklődés a képalkotás terén. Nem igazán dolgoztam nyers képekkel, inkább néhány erősen feldolgozott képpel, amelyek illeszkednének a differenciálgeometriai modellemhez.)

Miután befejeztem ezt a két utódokumentumot, megpróbáltam folytatni az orvosi képalkotást, de olyan okok miatt, amelyek nem voltak az irányításom alatt, nem tudtam, és ezt követően megpróbáltam áttérni az iparra, és számos területen sikertelenül dolgoztam rövid időre, és most ismét arra törekszem, hogy visszaköltözzek az egyetemre.

Azért teszem fel ezt a kérdést, hogy nemrégiben hosszú beszélgetést folytattam egy barátommal, aki szintén PhD-fokozatú, és sikeresen átállt az ipari R&D-re az alkalmazott matematika / gépi tanulásról az autonóm vezetésre. Azt mondta nekem, hogy rosszul viszonyultam az alkalmazott területeken való munkához. Az alkalmazott területeken történő munkavégzés oka "Ezt a problémát ezen az alkalmazott területen szeretném megoldani (esetemben orvosi képalkotás)" szemben "Ez az alkalmazott terület ezt és azt az eszközt használja , amelyet már ismerek és szeretem használni, ezért nekem is tetszeni kell az alkalmazott területről ". A második az én megközelítésem volt, és szeretném tudni, hogy tévedtem-e? Még a mai napig is az, ami elsősorban egy alkalmazott területen izgat, az az alapul szolgáló matematika, amellyel megoldhatom az ottani problémák, ezért egy projektben az elméleti oldalon akarok maradni, nem pedig a gyakorlati oldalon. Például határozottan jobban érzem magam tollal és papírral, de tudok és meg is tudok kódolni egy problémát, amely gépi tanulást igényel nek, de nem rajongok pl. folyamatosan állítsa be a paramétereket az optimális modell megszerzéséhez, mint az adatkutatói pozíciókban ( volt néhány, nem éreztem szenvedélyesnek és sikertelen volt ) - Inkább szeretek algoritmust írni, bizonyítani annak konvergenciáját, ha szükséges, és tesztelje kicsi és fokozatosan nagyobb adatkészleteken. KÉRDÉSEM: Tévedek a megközelítésemben? Kérem, legyen brutálisan őszinte! Van-e köztes út, amit megtehetek, és hogyan? Előre is köszönöm !!

Mi a kérdésed?Ez túlságosan az Ön preferenciáitól függő kérdésnek tűnik, nem mi mondjuk meg, hogy az Ön preferenciái helyesek-e vagy sem.
Itt nincs mit kritizálni.Érdeklődése és megközelítése a kutatás sajátja.Az összes tiszta vagy alkalmazott tudomány esetében nincs mindenki számára megfelelő megközelítés.Különböző emberek és csoportok különböző nézőpontokat fogadnak el, és különböző technikákat alkalmaznak.A megközelítésed ugyanolyan jó, mint a többi.Kérdésedből nem derül ki, miért nem jártál sikerrel, és nem elegendő információ a tanácsadáshoz.
Csak szeretném felhívni a figyelmet arra, hogy nem minden tudós álláspont szól a paraméterek beállításáról az optimális modell elérése érdekében.Vannak olyan szervezetek, ahol nem korlátozódik egyetlen problémára, hanem különféle problémáknak van kitéve, amelyek közül sokan korlátozott vitát folytatnak az irodalomban, és nincs sok adatuk a továbbképzésre, de még mindighihetetlenül hatásos.Több tiszta matematikussal dolgozom, akik alkalmazott / mérnökök lettek, és megtalálták a fülüket ezen a téren.
A @kjacks21 Tuning paraméterek csak egy példa volt - amit mondani akartam, hogy nem rajongok a már feltalált algoritmusokon alapuló modellek építéséért, és több szoftvert használok a termékek integrálásához vagy a modellek telepítéséhez, amiért rajongok,valójában egy új algoritmussal áll elő.Csak egy másik példa, nem szeretem pl.kódot írni a TensorFlow-ban az RNN megvalósításához, de szeretném leírni az RNN költségfüggvényének analitikai kifejezését, és megérteni a gradiens eltűnését és a problémák felrobbantását a semmiből.
Saját tapasztalatom és az emberekkel folytatott számos interakció alapján az adatkutatók vagy a gépi tanulás kutatói pozíciók általában nem alapvető természetűek, inkább a már feltalált gépezeteket használják ki - amelyekért nem rajongok (nem mondom, hogy ez rossz vagy ilyesmiez, de egyszerűen nem izgat).
@Stat_math köszönöm, hogy tisztázta preferenciáját!
öt válaszokat:
Buffy
2020-06-16 17:40:54 UTC
view on stackexchange narkive permalink

Ha hibát követ el, az lehet, hogy szűkíti a hangsúlyt, elzárja a lehetőségeket. Különösen, ha te adod túl szűken a képességeidet.

A matematikai PhD-nek képesnek kell lennie (majdnem) bármely egyetemi matematika tanfolyam és sok MS szintű tanfolyam oktatására. Minden főiskolán és egyetemen matematikát tanítanak, ezért emberekre van szükségük a tanfolyamok oktatásához. A piac óriási. De mondjuk az orvosi képalkotáshoz kevés olyan hely van, amely valóban érdekli. Bár az is igaz, hogy készségeinek lehetővé kell tennie és meg kell tennie a problémák széles skálájának kezelését, ha kizárja ezeket a szempontokból, vagy úgy tűnik, akkor lehetőségei is megszűnnek.

A matematikus sokféle módon olyan, mint egy svájci kés, amely képes sok, tiszta és alkalmazott problémára támadni, mivel elvont gondolkodású lehetőséggel rendelkeznek, és hogy a dolgok szinergikusan illeszkednek egymáshoz. De legyen óvatos minden alkalmazásban, hogy elég rugalmasan határozza meg önmagát, hogy mások is lássák az Ön lehetőségeit.

Azt, ahogyan az OP leírja önmagát, azonnal gondoltam: "ez az a típusú ember, akinek számára létrejön egy pozíció, ha a munkáltató felismeri a potenciálját".Tehát valószínűleg ez a fő kérdés.Helytelen típusú pozíciókat keresnek, ahol valójában nincs esélyük ragyogni.Lehet, hogy érdemes lenne egy kis konzultáció.
Köszönöm a válaszod!Amint rámutatott, igaz, hogy egy matematika PhD-nek képesnek kell lennie (majdnem) bármely egyetemi matematika tanfolyam és sok MS szintű kurzus oktatására, és én is.De ez nem jelenti azt, hogy a piac óriási, ha stabil jövedelmet szeretne elérni.Franciaországban vagyok, és amikor a "matematika" vagy "matematikus" után nézek valamelyik szokásos webhelyen, például az üvegajtón vagy a LinkedIn, kétféle munkát kapok: 1) adattudós / gépi tanulási kutatói pozíció az iparbanamelynek semmi köze a matematikához, és 2) szerződéses oktatói pozíció 20 € / óra fizetéssel.Még az Egyesült Államokban is (folytatás)
(folytatás) asszisztens prof.hallgatói állás szerint az előadói pozíciókat, a későbbieket pedig „gyorséttermi pozícióknak” nevezik az egyetemeken, mivel az előadókat néhány tanfolyam lebonyolítására alkalmazzák, többnyire ideiglenes időtartamra. Ezt követően köszönöm a javaslatát - megpróbálom megemlíteni az önéletrajzom összes tapasztalatát, beleértve a tiszta matematikát, a gépi tanulást és az orvosi képalkotást, de nem látom, hogy rengeteg munkahely hívna.Eddig csak egy nagy társaságban dolgoztam (amely nemrégiben engedett el), a többiek pedig mind apró startupok, akik egyszerűen nem értékelték a matematika iránti szenvedélyemet.
@Roland Köszönjük megjegyzését!Igen, őszintén remélem, hogy valaki felismeri a lehetőségeimet: változatos hátteremnek köszönhetően, nemrégiben a valószínűségelméletben felvettem néhány témát, és eredeti elméleti eredményekkel álltam elő a legközelebbi szomszédsági keresés területén (a gépi tanulás altémája), amikorprojektnél dolgozni egy nagyvállalatnál, ami inkább alapvető jellegű volt.
scaaahu
2020-06-16 17:45:29 UTC
view on stackexchange narkive permalink

Véleményem szerint a barátodnak igaza van, mint neked.

Ez az alkalmazott terület használja ezt és azt az eszközöket, amelyeket már ismerek és szeretem használni, ezért nekem ez tetszik alkalmazott terület is.

azt jelenti számomra, hogy az eszközök érdeklik, nem pedig az alkalmazás. A munkáltató azt gondolhatja, hogy távozik, ha megváltoztatja az eszközöket. Ha ez megtörténik, elveszítik az ön befektetését.

Barátja megközelítése

Meg akarom oldani ezt a problémát ezen az alkalmazott területen

azt jelenti, hogy érdekel az alkalmazás, függetlenül az általuk használt eszközöktől. Az eszközök megismerése bónuszt jelent számukra. Amikor és ha másik eszközkészletre váltanak, tudják, hogy marad, és megtanulja, hogyan kell használni az új eszközöket, ha szükséges. Végül is PhD. Képesnek kell lennie arra, hogy alkalmazkodjon az új technológiához és eszközökhöz a korábban megszerzett ismereteivel és szigorú matematikai képzésével.

Javaslatom, használja a két megközelítés kombinációját. Hangsúlyozza barátja megközelítését, de említse meg az eszközök ismeretét is, így a potenciális munkaadók tudják, hogy sok munka nélkül azonnal munkába állhat.

Köszönjük a választ!Szerintem igazad van, előbb el kell mélyülnöm egy terület megoldatlan problémájában, majd csak az a kérdés merül fel, hogy milyen eszközöket használok.
kjacks21
2020-06-17 00:42:21 UTC
view on stackexchange narkive permalink

Nincs semmi baj a megközelítéseddel, Dmitrij Szavosztjanov eredeti kérdésedhez fűzött kommentárjának megfelelően ("Itt nincs mit kritizálni ..."); azonban itt van egy másik módja ennek a gondolatmenetnek a felépítésére:

Bűnös voltam abban, hogy volt egy eszközem, mondjuk egy kalapács, és kerestem a körmöket, amellyel elüthetném. Sok esetben, amikor nem volt szög, de talán csavar, mégis használtam a kalapácsot, mivel nem ismertem a csavarhúzók használatát. Sok más embert is láttam ezzel a mentalitással, főleg az informatika területén. Ez a mentalitás végső soron korlátozza azokat a problémákat, amelyeken lehet dolgozni, hátrányos lehet más tudományterületek potenciális munkatársaival szemben, sőt káros is lehet. David Epstein Range című könyve lényegében ezt állítja, és egy fejezet foglalkozik azzal, hogy „Megtanulni dobni a megszokott eszközöket”. Az egyik érdekes anekdota arról, hogy csak az eszközöket ismeri az ember a különböző problémáknál, Rita Redberg megjegyzése a JAMA-ban 2015-ben, amely kiemelte azokat a megállapításokat, amelyek szerint "... a magas kockázatú kandalló meghibásodása és a szívmegállás miatt beállított halálozás alacsonyabb kórházak oktatása a kardiológiai megbeszélések során, mint az év többi részében. " [1]. Más szavakkal, a betegek eredményei jobbak voltak, amikor a szívsebészek távol voltak konferenciákon (!).

Nem hiszem, hogy a fentiek pontosan illeszkednek a gondolkodásmódjához, de összefügg, ezért az említés. Még egy megemlítendő pont az alábbi pontosító megjegyzésed alapján:

Csak egy másik példa, nem szeretem pl. kódot írok a TensorFlow-ban az RNN megvalósításához, de szeretném leírni az RNN költségfüggvényének analitikai kifejezését, és megértem a színátmenet eltűnését és a problémák felrobbantását a semmiből.

Van olyan ipari R&D szervezet, amely részesülne ebben az érdeklődésben, és alapvető kutatásokat végezne. Néhány, ami eszembe jut, a Facebook AI Research (FAIR) [2] és a Google Brain [3]. A kormány által finanszírozott laboratóriumok szintén jó lehetőségek lehetnek, a labor típusától és az országtól függően.

[1] Redberg, Rita F. "A szívbetegek eredménye az országos kardiológiai találkozókon." JAMA belgyógyászat 175.2 (2015): 245-245. Link: https://jamanetwork.com/journals/jamainternalmedicine/article-abstract/2038976

[2] https://ai.facebook.com/research /

[3] https://research.google/teams/brain/

Stephan Kolassa
2020-06-17 11:50:13 UTC
view on stackexchange narkive permalink

Az iparban dolgozó matematikus itt. Másodszor scaaahu válaszát adom át, és további szempontokat szeretnék felajánlani.

Az ipari munkáltatóknak problémákat kell megoldaniuk. megoldásokat keresnek. Az eszközök csak célok. Mint ilyen, általában a jelölteket és az alkalmazottakat részesítik előnyben, akik a legmegfelelőbb eszközt használják a probléma megoldására - nem pedig olyan problémákat keresnek, amelyekre kedvenc eszközüket alkalmazhatják.

Így, ha ez utóbbi az Öné előnyben részesített megközelítés, és különösen, ha ezt kommunikálja ("Mi vonzotta az orvosi képfeldolgozás területére?" "Kerestem valahol a differenciálgeometria alkalmazását."), akkor korlátozhatja foglalkoztathatóságát. (És mellesleg személyes növekedése is.)

Ez természetesen nem azt jelenti, hogy az eszközök lényegtelenek. A váltóeszközök, például a technológiák pusztán azért, mert egy adott eszköz jobb egy adott problémára, rövidlátó lehet, ha sok előzetes / folyamatos beruházást igényel. És a problémák kezelésében segédeszközök ismerete mindig jó dolog, és válhat guruvá egy adott eszköz számára. Csak az az egyensúly, hogy az ipar előnyben részesíti azokat az embereket, akiket a problémák és megoldások vezérelnek, kevésbé az eszközök. És ha mégis a guru útját járja, akkor meg kell győződnie arról, hogy az eszközkészlete továbbra is kereslet marad-e.

Köszönjük a választ!Gondolom, a tudományos életnek és az iparnak egyaránt vannak megoldandó problémái, de az iparban megoldott problémákat illetően úgy érzem, hogy az idő és a pénzügyek korlátozottsága miatt az ipar gyakran inkább a "gyors és piszkos" megoldásra koncentrálna már meglévő eszközök segítségével, nem pedig egy új elmélet kidolgozása annak megoldására.Például.Interjúkban elmondták, hogy az adatkutatókat arra ösztönzik, hogy lineáris regressziót hajtsanak végre a dolgok egyszerűsítése érdekében, még akkor is, ha elméletileg ennek nem volt értelme.(folytatás)
(folytatás) "Így, ha ez utóbbi az Ön által preferált megközelítés, és főleg, ha ezt kommunikálja" Nem mintha ez lenne az én preferált megközelítésem, csak kissé tudat alatt ez az oka annak, hogy folyamatosan vonzódom az alkalmazott területekhez, pl.legutóbbi telekommunikációs cégemnél az interjúban azt mondták, hogy a projekt véletlenszerű mátrixokat használhat, és ez érdekelt, annak ellenére, hogy nem volt tudomásom a jelfeldolgozásról vagy a távközlésről.De azt hiszem, hogy értem a véleményedet - rámutatnom kell az adott terület tényleges problémáira és arra, hogyan importálhatom eszközeimet azok megoldására.Köszönöm mégegyszer.
Kicsit másképp fogalmaznék.Mind az ipar, mind az egyetemek korlátozott erőforrásokkal próbálják megoldani a problémákat, ezért szükség esetén mindkettő parancsikont választ.Az iparban ez azt jelenti, hogy módszereket kell alkalmazni akkor is, ha tévednek, mindaddig, amíg működnek.(Meglepődnél, hogy egy egyszerű és nem megfelelő lineáris regresszió milyen messzire vezethet, és annak az előnye, hogy könnyen elmagyarázható egy nem matematikus programozónak és egy ügyfélnek.) ...
... Ezzel szemben az akadémia rövidebb lépéseket tesz a problémák csökkentésében.Az előrejelzéssel foglalkozom, mind üzleti, mind tudományos szempontból.Az akadémikusok megúszhatják a problémás idősoruk 5% -ának eldobását (és ezt a cikkben is megemlítik, igaz).Az üzleti előrejelző nem képes erre, neki * az összes adattal foglalkoznia kell, és ez az 5% több munkát okozhat, mint a többi 95%.Hasonlóképpen, az akadémikusok általában sokkal kevesebb figyelmet fordítanak a kódminőségre, a tesztelésre stb. Végül is a kódjuk évtizedekig nem fog futni sok ügyfélnél, és potenciálisan hatalmas kárt okozhat, ha nem sikerül.
Végül, igen, az üzleti és az egyetemi támadás problémái eltérőek.A tudományos életben az elméleti megértés előmozdítása önmagában érték.(Ez az, amiért fizetsz.) Az üzleti életben nem az.(Nem fizetnek ezért.)
user2768
2020-06-17 12:14:41 UTC
view on stackexchange narkive permalink

Az alkalmazott problémák megoldása megmutatja képességeit és hajlandóságát az ipari teljesítményre, ami valószínűleg meggyőzőbb a munkaerőpiacon összehasonlítva a megszokott eszközök alkalmazásával, ami csak azt mutatja, hogy rendelkezik a megfelelő készségekkel. Az esély növelése érdekében módosíthatja az önreklámot, például elmagyarázva, hogy az eszközök alkalmazása lehetővé tette, hogy csiszolja készségeit, amelyekkel készen áll a problémák megoldására. (Probléma van, ha ezek az eszközök már elavultak.)

Ami engem elsősorban egy alkalmazott területen izgat, az az alapul szolgáló matematika, amelyet bevihetek az ottani problémák megoldására, tehát egy projektben törekedjen az elméleti oldalon maradni, nem pedig a gyakorlati oldalra.

Meg kell kérdeznie magától, hogy az iparra való áttérés az Ön számára e. (Tollal és papírral könnyebben lehetsz. Az ipar el van látva készpénzzel. Szakosodhatsz. Valaki más kódolhat, finomhangolhatja a paramétereket stb.) Ha tovább akarsz maradni az elméleti oldal t, akkor minek az átmenet?



Ezt a kérdést és választ automatikusan lefordították angol nyelvről.Az eredeti tartalom elérhető a stackexchange oldalon, amelyet köszönünk az cc by-sa 4.0 licencért, amely alatt terjesztik.
Loading...