两年，40万RMB，读个Data Science硕士，值吗？
自从我完成了数据科学硕士学位后，有很多人联系我，询问我关于这门课程的经验，以及是否推荐这门课程。因此，我总结了我开始学习数据科学的原因，我在学习期间取得的成绩，以及学完接下来几年的结果。
我为什么选择学习数据科学?
2016年春天，我即将结束在伦敦最大的咨询公司之一为期6个月的实习。我参加这个实习是为了获得经验，并弄清楚成为一名精算师是否是我职业生涯的正确道路。因为我曾在工作会议中讨论我处理过的数字，或者因为能够建一个工具来自动化以前的手工任务，我很快就对这份实习中涉及到的数据分析产生了兴趣。然而，我也意识到，因为多年标准化考试和缺乏创造力，按着成为精算师的传统道路，加入研究生计划将不再吸引我。此外，我当时的大部分工作都是在Excel中完成的，我几乎没有任何编程经验。
就在那时，我也开始探索一个神奇的词，这个词一直出现在我的求职中: 数据科学。我是数学背景，由于英国就业市场的性质，我被推到了根基深厚的传统岗位，比如会计和精算咨询。然而，数据科学是一个新的领域，它颠覆了我对自己未来职业生涯的所有期望。成为精算师，我将通过学习监管标准来解决问题，而成为数据科学家，我可以创造性地找到适合商业环境的解决方案。此外，我的工作机会不再局限于少数几家公司，而是几乎所有的公司都在寻找各种类型的数据科学家。我可以进入一个全新的行业，从时尚到金融，这个想法极大地吸引了我的兴趣。
然而，当我开始申请数据科学的职位时，我很快发现自己缺乏两项关键技能: 应用机器学习和编程。
有哪些选择?
第一个解决方案是自学。我有统计经验，可以自学机器学习，而且在MatLab中写了足够的编程, 对此我很有信心去学习Python或R 。但是, 我不确定自学这些是否足够,也不确定如何将我获得的新技能展示在简历上给雇主看。
我有考虑过参加Online训练营，但担心没有大学里offer的学位一样有说服力。在三年后的今天，各个大学提供了一系列数据科学的课程，这是一个更加可行的选择，无疑是值得考虑的，但在当时并没有这些。
因此，我决定在把时间精力花在学校offer的学位上。当时有两种课程符合我的目标：商业分析师课程和计算机科学机器学习。前者专注于将分析应用于商业环境中，但由于课程设立在商学院，一年的学习成本高昂，超过2.5万英镑。后者通过学术研究提供教学，更注重教学的基础理论，而不是应用。此外，由于后者是计算机科学系开设的一门学术课程，一年的学费要低得多，英国公民为9000英镑。
我选了什么?
最后，我决定谨慎行事，投入一年的时间攻读学术硕士学位，希望学习机器学习的应用知识，并通过做项目提高自己的编程技能。
因此，我加入了伦敦大学计算机科学系数据科学硕士2016/17班。这是这所大学开设该课程的第二年，也是当时伦敦唯一一所提供数据科学硕士课程的大学(尽管其他大学也有类似的课程)。
我在课程中学到了什么?
第一学期包括数据科学的三个主要模块: 数据科学基础、机器学习和可视化。每个模块都包含一个课程项目，我们可以选择任何公开可用的数据集来应用我们新学习的方法。有了这些，我很快就能提高自己的编程技能，甚至有信心开始公开分享这些项目。
在第二学期，我们有两个核心模块，大数据和神经计算，而且还可以选修两个可选模块。可选模块的选项列表是全面的，使我们能够选择从计算机视觉到数据架构的专业。我选择了数据可视化(第一学期模块的延续)和软件代理(通过应用强化学习来学习人工智能基础)。同样，这些模块包括课程作业，而且根据我第一学期掌握的基础知识，我能够扩展我的应用，并进行创造性的思考。同时，大数据还引入了文本数据和自然语言处理。
通过两个学期的学习，我对大部分的数据科学课题都有了一个大致了解，并通过核心模块的学习对机器学习和神经网络有了深入的了解。当我们进入课程的第一个项目，即论文时，我们被要求在实习期间完成这个项目(同时在截止日期的基础上提供延期，以便在工作期间进行平衡)。我找到了一个合适的工作，确定了我的研究主题，并且在接下来的几个月里，我把迄今为止学到的所有技能都应用到了商业领域的人工智能中。
我是否从课程中获得了我需要的技能?
我有两个目标要实现：证明我理解机器学习，以及能够通过编程将其应用。这门课程不仅为我的简历提供了一个清晰的“勾选框”，还让我通过完成越来越多有趣的项目来继续拓展自己的技能。任何工作的申请都要通过最初的筛选检查，而我现在做的更加符合筛选标准。此外，当我进入面试阶段，我可以讨论所有我做过的项目，并真正显示出我对自己的理解的信心，而这些成就都远远超过我能独自完成的。
硕士为我打开了所有我以前敲过的门，甚至有招聘人员在看到我公开发布的项目之后直接联系我。最后，我发现我喜欢我论文的研究方向，为了追求这个领域的自由，从那时起我开始攻读人工智能博士学位。具有讽刺意味的是，这是我在2016年考虑的最后一件事，但随着该领域不断扩大，站在这一领域的最前沿是令人难以置信的，尤其是因为许多问题需要实用的思维方式，并且符合商业问题，而不仅仅是理论问题。
对于那些考虑进入数据科学领域的人，我有什么建议?
这一直是一个很难回答的问题，因为每个人的立场都不一样，所以我会尝试根据我的经验提供一些建议。简而言之:
1. 建立数据科学是正确途径的想法，并找到一个主题或细节来激励你。对我来说，这是一种以创造性的方式应用数据分析的能力，并成为企业中帮助他人改进决策的宝贵资产。
2. 评估一下你想要什么样的工作，以及你目前的技能有哪些不足之处。虽然我有技术背景，但我没有表现出我应用机器学习或代码的能力，我需要一些东西来实现这一点。对于我这门课上的其他人来说，他们没有数学或统计学背景，因此他们需要加强数学或统计知识。
3. 回顾一下你可选择的获得缺失技能的方法。例如，训练营在行业中越来越可信，但他们往往遵循一条单一的道路(即学习相同的数据并应用相同的方法)。这可能对一些人有用，但我想用独特的方式展示我的能力，让雇主看到我的与众不同。如果你正在考虑攻读硕士学位，那么请彻底研究一下课程的模块，以及课程的组织者，因为不同的院系(尤其是商学院和学术院校)之间会存在差异。简而言之，学校学位与online训练营，对于不同背景的人，各有利弊。
4. 在课程中扩展和挑战自己，不要简单地选择一门涵盖你已经熟悉的话题的课程。找一些有挑战性的东西来鼓励你发展新技能。
5. 通过在GitHub、Kaggle或你自己的网站上发布项目来展示你的新技能。在任何面试中，建立一个项目组合都比试图在允许的时间范围内描述这些项目要走得更远。
举个例子，下面你可以找到我自己的网站和Kaggle页面的链接:
Philip Osborne Data
This project was created as a means to learn Reinforcement Learning (RL) independently in a Python notebook. Applying…www.philiposbornedata.com
原文作者：Sterling Osborne
翻译作者：Vera
美工编辑：Miya
校对审稿：冬冬
原文链接：https://towardsdatascience.com/was-it-worth-studying-a-data-science-masters-c469e5b3e020
