DieManager von Morgen WiWi-TReFF.de - Zeitung & Forum für Wirtschaftsstudium & Karriere
Promotion, PHD & DBACAM

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Autor
Beitrag
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Kommt man in Cambridge ML PhD rein ohne reine Quant Vergangenheit?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Auch wenn das wohl eine Scherzfrage sein soll - garantiert nicht. Sehr guter MINT Bachelor & Master + Researcherfahrung praktisch ein Muss, und das gilt schon für die TU9 in D oder ETH/EPFL. Von Cambridge, MIT, Caltech, Stanford usw. brauchen wir gar nicht reden.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Nein. Wobei es in Oxford und Cambridge nochmal schwieriger ist als in den Staaten, weil man in den Staaten nochmal zwei Jahre Kurse hat, in denen man fehlendes Wissen theoretisch aufholen könnte. Deutschland ist auch super schwierig, nicht, weil die Unis hier so prestigeträchtig wären, sondern weil Bürokratie rules. ETH theoretisch möglich mit zwischengeschobenem Master + Credits nachholen, aber das dauert eine ganze Ecke.

Ein ehemaliger Kommilitone ist letztens nur mit einem BWL-Bachelor in den Cambridge ML PHD reingekommen. Der hat aber Auch 1,0 Abi mit 16 gemacht, sich die ganzen Mathe Sachen nebenbei angeeignet, und es war wohl selbst für Cambridge Verhältnisse ein ziemlich krasser Ausnahmefall.

Letztendlich ist alles möglich, aber bei solchen Einzelfällen ist auch immer zu viel Glück/Zufall im Spiel, als dass man sich daran orientieren könnte..

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Also ist ETH Computer Science PhD grundsätzlich möglich? Kann man dann einfach fehlende Credits nachholen?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Grundsätzlich kann man auf allen Unis in UK / US ohne CS/STEM Background zu PhDs zugelassen werden - siehe den WHU Kollegen, der direkt nach BWL Bachelor in Cambridge einen ML PhD macht. Du musst halt dementsprechend gut sein, aber für Ausnahmetalente findet man an den besten Unis immer Plätze.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Spoiler: Ich bin kein Ausnahmetalent. Wie komm ich trotzdem rein? Wo kann man nach dem Master wertvolle Research Erfahrung sammeln, um seine Chancen zu erhöhen?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Bei github

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 22.08.2019:

Spoiler: Ich bin kein Ausnahmetalent. Wie komm ich trotzdem rein? Wo kann man nach dem Master wertvolle Research Erfahrung sammeln, um seine Chancen zu erhöhen?

Schwierig, wenn du bereits Master hast. Evtl. nochmal einen Master machen, vllt. in WInf oder so, aber selbst dann... Was genau hast du denn wo studiert? Und wieso fällt dir jetzt auf einmal auf, dass du ML machen willst?

Insbesondere Cambridge ist bekannt dafür, bei Entry Requirements äußerst strikt zu sein, und das lässt sich eig. nur durch Ausnahmetalent umgehen (in den USA wäre einkaufen ne Überlegung wert ;)). Würde mir an deiner Stelle tatsächlich mal die Schweizer Unis anschauen, ETH, EPFL, UZH. Wenn du genug Quant Credits hast, wäre D sonst vielleicht eine Option...

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Bei Tech ist das schöne, dass wenn du wirklich willst es auch ohne Abschluss schaffen kannst. Performe bei Kaggle/Stackoverflow/Github und du kriegst einen Job. Uniabschlüsse sind in dieser Welt überbewertet.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 22.08.2019:

Bei Tech ist das schöne, dass wenn du wirklich willst es auch ohne Abschluss schaffen kannst. Performe bei Kaggle/Stackoverflow/Github und du kriegst einen Job. Uniabschlüsse sind in dieser Welt überbewertet.

Mal wieder die urbane Legende, dass man durch Kaggle comps plötzlich zum Tech expert wird... OpenSource kann für WebDev & Frontend & Data Engineering genug sein, für die richtig guten Quant Jobs a la DeepMind oder als Hedge Fund Quant reicht das ganz sicher nicht, da kann die Motivation noch so groß sein. Nur anwenden können bzw. reine Programmierkenntnisse oder basic data science sind sowieso bereits commodity.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

So ein Quatsch. Wenn du bei github sie richtigen commits hast, geht einiges. Ein Uni Degree sagt viel weniger aus.

WiWi Gast schrieb am 22.08.2019:

Bei Tech ist das schöne, dass wenn du wirklich willst es auch ohne Abschluss schaffen kannst. Performe bei Kaggle/Stackoverflow/Github und du kriegst einen Job. Uniabschlüsse sind in dieser Welt überbewertet.

Mal wieder die urbane Legende, dass man durch Kaggle comps plötzlich zum Tech expert wird... OpenSource kann für WebDev & Frontend & Data Engineering genug sein, für die richtig guten Quant Jobs a la DeepMind oder als Hedge Fund Quant reicht das ganz sicher nicht, da kann die Motivation noch so groß sein. Nur anwenden können bzw. reine Programmierkenntnisse oder basic data science sind sowieso bereits commodity.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 22.08.2019:

Bei Tech ist das schöne, dass wenn du wirklich willst es auch ohne Abschluss schaffen kannst. Performe bei Kaggle/Stackoverflow/Github und du kriegst einen Job. Uniabschlüsse sind in dieser Welt überbewertet.

Mal wieder die urbane Legende, dass man durch Kaggle comps plötzlich zum Tech expert wird... OpenSource kann für WebDev & Frontend & Data Engineering genug sein, für die richtig guten Quant Jobs a la DeepMind oder als Hedge Fund Quant reicht das ganz sicher nicht, da kann die Motivation noch so groß sein. Nur anwenden können bzw. reine Programmierkenntnisse oder basic data science sind sowieso bereits commodity.

+1

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Sicher keine urbane Legende. Bei Jane Street letztens jemanden ohne Abschluss gesehen...

WiWi Gast schrieb am 22.08.2019:

Bei Tech ist das schöne, dass wenn du wirklich willst es auch ohne Abschluss schaffen kannst. Performe bei Kaggle/Stackoverflow/Github und du kriegst einen Job. Uniabschlüsse sind in dieser Welt überbewertet.

Mal wieder die urbane Legende, dass man durch Kaggle comps plötzlich zum Tech expert wird... OpenSource kann für WebDev & Frontend & Data Engineering genug sein, für die richtig guten Quant Jobs a la DeepMind oder als Hedge Fund Quant reicht das ganz sicher nicht, da kann die Motivation noch so groß sein. Nur anwenden können bzw. reine Programmierkenntnisse oder basic data science sind sowieso bereits commodity.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Ich glaube, du vermischst hier zwei völlig unterschiedliche Felder. Github, Kaggle usw. sind toll zum Erlernen von Programmierroutinen, keine Frage, und reichen vermutlich aus, um teure Schulungsprogramme wie Le Wagon, Udemy usw. zu ersetzen. Mit dem richtigen Willen kann dann selbst ein Abiturient ohne Studienabschluss zum Softwareentwickler werden, vll. ist auch Data Engineering drin.

Nur haben ein ML PhD und die damit verbundenen Jobs fast nix mit Programmieren/Software Entwicklung zu tun, sondern sind zu >90% reine Mathematik/Statistik, die man sich garantiert nicht über github, Kaggle, Stex beibringen kann. Womit man dann deutlich mehr verdient als der Implementierer/Entwickler.

Um die Frage des TE zu beantworten - deswegen kommt man auch nicht ohne quantitativen Background in einen ML PhD rein (Ausnahmen wie oben bestätigen die Regel). Es stimmt, dass ETH und UZH relativ entspannt sind, was das Nachholen von Credits anbelangt, aber auch da muss man dann Topleistungen bringen, und selbst von da aus ist es noch ein weiter Weg hin zu einem Top-PhD... Bei den weltweiten Top-Unis spielt auch immer Glück eine Rolle, weil sich einfach so viele Leute, u.a. auch aus China usw. bewerben. Wenn du sagst, dass du kein Überflieger bist und bereits einen Master hast, würde ich versuchen, das beste daraus zu machen, anstatt von ML zu träumen.

WiWi Gast schrieb am 22.08.2019:

So ein Quatsch. Wenn du bei github sie richtigen commits hast, geht einiges. Ein Uni Degree sagt viel weniger aus.

WiWi Gast schrieb am 22.08.2019:

Bei Tech ist das schöne, dass wenn du wirklich willst es auch ohne Abschluss schaffen kannst. Performe bei Kaggle/Stackoverflow/Github und du kriegst einen Job. Uniabschlüsse sind in dieser Welt überbewertet.

Mal wieder die urbane Legende, dass man durch Kaggle comps plötzlich zum Tech expert wird... OpenSource kann für WebDev & Frontend & Data Engineering genug sein, für die richtig guten Quant Jobs a la DeepMind oder als Hedge Fund Quant reicht das ganz sicher nicht, da kann die Motivation noch so groß sein. Nur anwenden können bzw. reine Programmierkenntnisse oder basic data science sind sowieso bereits commodity.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Selbst wenn die Story stimmt und besagter jemand kein Hausmeister ist oder im Backoffice sitzt, was 80%? der Firma ausmacht - Jane Street ist kein HF und die meisten Jobs im Front Office da haben nicht viel mit HF Jobs zu tun.

Als Trader bei Market Makers brauchst du praktisch kein Vorwissen, solange du mental auf Zack bist. Bei Optiver, FT, IMC, Sig, Jane Street sitzen unzählige Leute mit unscheinbar wirkenden Bachelorabschlüssen im Front Desk Trading.
Kommen aber bei weitem nicht an das Gehalt von den "gängigen" HF Quant Researcher Stellen ran.

WiWi Gast schrieb am 22.08.2019:

Sicher keine urbane Legende. Bei Jane Street letztens jemanden ohne Abschluss gesehen...

WiWi Gast schrieb am 22.08.2019:

Bei Tech ist das schöne, dass wenn du wirklich willst es auch ohne Abschluss schaffen kannst. Performe bei Kaggle/Stackoverflow/Github und du kriegst einen Job. Uniabschlüsse sind in dieser Welt überbewertet.

Mal wieder die urbane Legende, dass man durch Kaggle comps plötzlich zum Tech expert wird... OpenSource kann für WebDev & Frontend & Data Engineering genug sein, für die richtig guten Quant Jobs a la DeepMind oder als Hedge Fund Quant reicht das ganz sicher nicht, da kann die Motivation noch so groß sein. Nur anwenden können bzw. reine Programmierkenntnisse oder basic data science sind sowieso bereits commodity.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 22.08.2019:

Ich glaube, du vermischst hier zwei völlig unterschiedliche Felder. Github, Kaggle usw. sind toll zum Erlernen von Programmierroutinen, keine Frage, und reichen vermutlich aus, um teure Schulungsprogramme wie Le Wagon, Udemy usw. zu ersetzen. Mit dem richtigen Willen kann dann selbst ein Abiturient ohne Studienabschluss zum Softwareentwickler werden, vll. ist auch Data Engineering drin.

Nur haben ein ML PhD und die damit verbundenen Jobs fast nix mit Programmieren/Software Entwicklung zu tun, sondern sind zu >90% reine Mathematik/Statistik, die man sich garantiert nicht über github, Kaggle, Stex beibringen kann. Womit man dann deutlich mehr verdient als der Implementierer/Entwickler.

Ich glaube du(!) vermischt hier einiges. Kaggle ist was vollkommen anderes als github. Allein schon die beiden mit einander zu vergleichen, zeugt schon schon vollkommener Ahnungslosigkeit.

"kaggle" ist eine Plattform für die "Zurschaustellung" von Lösungsstrategien, primär im Data-Science Umfeld. Das geht von einfachen Training-Testing bis hin zu einer umfangreichen Dokumentation einzelner Projekte. Aber: im Kern ist alles statisch und insich abgeschlossen. Also von Projekt zu Projekt.
Auch wenn es Competitions gibt, so geht es um das Endziel der Performance. Die Dokumentation auf dem Weg dahin ist nur das Mittel zum Zweck.

"github" ist eine riesige, eine riesige(!!) Plattform für IT-Anwendungen jeglicher Art. Das umschließt ALLE Fachdisziplinen. Deine Mathematiker, Statistiker oder Data Science PhD'ler müssen ja auch das, was sie können, irgendwie umsetzen. Das geschieht durch einzeln programmierte Repos, die dann eingebunden werden können. Dazu kommt, dass man sich gegenseitig hilft und so die Code-Entwicklung vorantreibt. Es gibt genügend Repos, die von Berufstätigen bze. professionellen Entwicklern veröffentlicht werden und von denen man lernen kann. Das betrifft nicht nur die Entwicklung selber, sondern natürlich auch Dokumentation, Strukturierung, usw.

Zu behaupten, dass man in beiden Fällen nichts lernt ist schon ziemlich naiv. An der Uni lernt man im Zweifel Wissen, die Umsetzung auf diesen Plattformen. Allen voran github.

Was bringt es einem Unternehmen wie Deepmind, wenn ich ganz toll was theoretisch herleiten kann, aber dies nicht in die unternehmensweiten Systeme integriert? Wie glaubst du denn, dass die Teams dort arbeiten? Am Rechenschieber?

Ich vermute, dasss 95%+ aller Professionals dort einen githubaccount haben und diesen auch aktiv nutzen. Auf kaggle ist hingegen keiner. Das ist dann tatsächlich eher was für Anfänger.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Wenn du richtiges Geld verdienen willst, zählt immer das, was du tatsächlich machst/kannst und nicht dein Uni Abschluss - auch wenn wiwi Treff das gerne andersherum hätte.

Wenn du beweisen kannst, dass du sehr gute Skills hast, wird das auch dementsprechend bezahlt. Andersherum ist ein Uni Abschluss—auch vom MIT- nur ein Indikator und kein Beweis

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Wenn du in Deutschland bleiben willst: Prof. Kuester in Mannheim (Marketing/Innovation) hat paar PhDs in ML/DL, die keine Vorerfahrung auf dem Thema haben - Quali ist aber auch entsprechend so

Quelle: EMAC/ Marketing Science Conference

WiWi Gast schrieb am 22.08.2019:

Wenn du richtiges Geld verdienen willst, zählt immer das, was du tatsächlich machst/kannst und nicht dein Uni Abschluss - auch wenn wiwi Treff das gerne andersherum hätte.

Wenn du beweisen kannst, dass du sehr gute Skills hast, wird das auch dementsprechend bezahlt. Andersherum ist ein Uni Abschluss—auch vom MIT- nur ein Indikator und kein Beweis

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Was hat das denn mit der Frage zu tun?
Hier geht es um ein PHD einer Elite Uni im ML und nicht ums Geld verdienen und die Uni interessiert sich nun mal für den Abschluss.

WiWi Gast schrieb am 22.08.2019:

Wenn du richtiges Geld verdienen willst, zählt immer das, was du tatsächlich machst/kannst und nicht dein Uni Abschluss - auch wenn wiwi Treff das gerne andersherum hätte.

Wenn du beweisen kannst, dass du sehr gute Skills hast, wird das auch dementsprechend bezahlt. Andersherum ist ein Uni Abschluss—auch vom MIT- nur ein Indikator und kein Beweis

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Hi, bin nicht der, dem du geantwortest hast.
Was du zu kaggle sagst stimmt anfangs eigentlich, gegen Ende zeigst du dann aber auch, dass du eigentlich keine Ahnung hast. "Auf kaggle ist hingegen keiner". kaggle und github sind einfach zwei grundverschiedene Dinge, das hast du zu Beginn deines Posts ja auch richtig bemerkt. Kaggle hostet Datasets, bietet Competitions an etc. Auf kaggle sind massenweise Top-Leute, aber halt mit dem Fokus Data Science und niemand der an Frontends bastelt.

Github ist aber einfach nur eine Plattform, die Entwicklern git zur Verfügung stellt. Dass dort viele ihre Open-Source-Projekte hosten ist ein schöner Nebeneffekt und hat sich im Laufe der Zeit entwickelt.

Zum Thema: Hier geht es um eine Promotion im Bereich Machine Learning: Da ist nunmal der entsprechende Werdegang Pflicht. Dass hier manche meinen, mit BWL/Wiwi-Studium da hinzukommen zeigt einfach nur, wie unglaublich wenig die Leute hier von der Materie verstehen.

"Anwenden können" ist schön und gut. Aber erstens ist das mit skearn, tf und co. eben nicht die große Kunst, zweitens kann das jeder der in dem Bereich promoviert hat auch. Denkt ihr, die Algorithmen werden nur auf dem Papier implementiert?
Da du gerade Deepmind als Beispiel nimmst: Gerade dass man z.B. bei AlphaGo/AlphaZero erst NNs verwendet hat, um den Suchraum zu prunen und dann erst MCTS für die eigentliche Zugberechnungen zeigt ja, dass hier verschiedene Konzepte miteinander verbunden wurden und dazu muss man einfach auch den Hintergrund verstehen und nicht nur Codeäffchen sein.

Bye

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Kann mir jemand Tipps für ETH Computer Science PhD geben? Irgendwelcher Erfahrungen?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 22.08.2019:

Wenn du in Deutschland bleiben willst: Prof. Kuester in Mannheim (Marketing/Innovation) hat paar PhDs in ML/DL, die keine Vorerfahrung auf dem Thema haben - Quali ist aber auch entsprechend so

Quelle: EMAC/ Marketing Science Conference

Wenn du richtiges Geld verdienen willst, zählt immer das, was du tatsächlich machst/kannst und nicht dein Uni Abschluss - auch wenn wiwi Treff das gerne andersherum hätte.

Wenn du beweisen kannst, dass du sehr gute Skills hast, wird das auch dementsprechend bezahlt. Andersherum ist ein Uni Abschluss—auch vom MIT- nur ein Indikator und kein Beweis

Soll das ein Witz sein? Ich studier' in Mannheim Winf und hab noch nie was davon gehört, dass an dem Lehrstuhl irgendwas auch nur im Entferntesten mit ML gemacht wird. Da werden vielleicht ein paar Classifier auf einen Datensatz geworfen, aber das wars auch. Bitte keine Fehlinformationen verbreiten.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 22.08.2019:

Hi, bin nicht der, dem du geantwortest hast.
Was du zu kaggle sagst stimmt anfangs eigentlich, gegen Ende zeigst du dann aber auch, dass du eigentlich keine Ahnung hast. "Auf kaggle ist hingegen keiner". kaggle und github sind einfach zwei grundverschiedene Dinge, das hast du zu Beginn deines Posts ja auch richtig bemerkt. Kaggle hostet Datasets, bietet Competitions an etc. Auf kaggle sind massenweise Top-Leute, aber halt mit dem Fokus Data Science und niemand der an Frontends bastelt.

Github ist aber einfach nur eine Plattform, die Entwicklern git zur Verfügung stellt. Dass dort viele ihre Open-Source-Projekte hosten ist ein schöner Nebeneffekt und hat sich im Laufe der Zeit entwickelt.

Zum Thema: Hier geht es um eine Promotion im Bereich Machine Learning: Da ist nunmal der entsprechende Werdegang Pflicht. Dass hier manche meinen, mit BWL/Wiwi-Studium da hinzukommen zeigt einfach nur, wie unglaublich wenig die Leute hier von der Materie verstehen.

"Anwenden können" ist schön und gut. Aber erstens ist das mit skearn, tf und co. eben nicht die große Kunst, zweitens kann das jeder der in dem Bereich promoviert hat auch. Denkt ihr, die Algorithmen werden nur auf dem Papier implementiert?
Da du gerade Deepmind als Beispiel nimmst: Gerade dass man z.B. bei AlphaGo/AlphaZero erst NNs verwendet hat, um den Suchraum zu prunen und dann erst MCTS für die eigentliche Zugberechnungen zeigt ja, dass hier verschiedene Konzepte miteinander verbunden wurden und dazu muss man einfach auch den Hintergrund verstehen und nicht nur Codeäffchen sein.

Bye

Ist es realistisch nach einem Wiwi-Bachelor, mit einem entsprechenden Master, noch in die ML-Richtung zu gehen? Habe im Bachelor das Maximum an quant.-Modulen belegt und insb. an R sehr viel Spaß gehabt. Hatte ursprünglich vor Ökonometrie, quant. finance o.ä. im Master zu machen, aber bin dann auf einige DS-Master gestoßen, die auch als wiwi möglich sind.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 22.08.2019:

"Anwenden können" ist schön und gut. Aber erstens ist das mit skearn, tf und co. eben nicht die große Kunst, zweitens kann das jeder der in dem Bereich promoviert hat auch. Denkt ihr, die Algorithmen werden nur auf dem Papier implementiert?
Da du gerade Deepmind als Beispiel nimmst: Gerade dass man z.B. bei AlphaGo/AlphaZero erst NNs verwendet hat, um den Suchraum zu prunen und dann erst MCTS für die eigentliche Zugberechnungen zeigt ja, dass hier verschiedene Konzepte miteinander verbunden wurden und dazu muss man einfach auch den Hintergrund verstehen und nicht nur Codeäffchen sein.

Ja, AlphaGo hat sogar ein dreistufiges Verfahren, zumindest in den Anfängen. Aber ja, die Kunst ist tatsächlich die Kombination und somit auch die Integration.
Ich bin tatsächlich "fachfremd", habe über ML-Algorithmen promoviert und ein Unternehmen in dem Bereich. Wir entwickeln auch tatsächlich Algorithmen weiter, aber das geht anders von statten, als du denkst. Und ja, das läuft alles über git.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Webseite von diesem Kuester Lehrstuhl steht, dass da tatsächlich wer was mit DL macht. Der eine war wohl auch auf besagten Konferenzen - sind die was für ML/DL?

WiWi Gast schrieb am 23.08.2019:

Wenn du in Deutschland bleiben willst: Prof. Kuester in Mannheim (Marketing/Innovation) hat paar PhDs in ML/DL, die keine Vorerfahrung auf dem Thema haben - Quali ist aber auch entsprechend so

Quelle: EMAC/ Marketing Science Conference

Wenn du richtiges Geld verdienen willst, zählt immer das, was du tatsächlich machst/kannst und nicht dein Uni Abschluss - auch wenn wiwi Treff das gerne andersherum hätte.

Wenn du beweisen kannst, dass du sehr gute Skills hast, wird das auch dementsprechend bezahlt. Andersherum ist ein Uni Abschluss—auch vom MIT- nur ein Indikator und kein Beweis

Soll das ein Witz sein? Ich studier' in Mannheim Winf und hab noch nie was davon gehört, dass an dem Lehrstuhl irgendwas auch nur im Entferntesten mit ML gemacht wird. Da werden vielleicht ein paar Classifier auf einen Datensatz geworfen, aber das wars auch. Bitte keine Fehlinformationen verbreiten.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Immer wieder extrem erstaunlich, wie viele ML-Experten auf einem Forum für WiWi-Studenten rumhängen. Am besten auch noch promoviert. Das bin ich zugegebenermaßen selbst nicht, kann aber als WInf-Master vielleicht ein, oder zwei Sachen dazu sagen.

An den TE gerichtet - wenn du bereits Bachelor und Master in WiWi hast, ist es sehr, sehr schwierig, und noch weniger ratsam, in den ML-Bereich einzusteigen, zumindest auf die Weise, die du dir vorstellst. Der Zug für einen Top-PhD ist - let's be real - so gut wie abgefahren - außer du fängst ganz von vorne an, wobei Oxbridge wiederum solche Leute nicht nimmt.
Hände weg von DS-Masterprogrammen ohne Creditvoraussetzungen! Diese Programme sind eine Geburt des Hypes und "nichts Halbes und nichts Ganzes". Wenn du motiviert und überzeugt bist, dass du es quantitativ draufhast, fang eher einen zweiten Bachelor in Info/Mathe an. Oder versuch, wie bereits erwähnt, ETH/EPFL/UZH.

Aber lass dir eines sagen, insbesondere mit Hinblick auf die Aussage "ich bin kein Ausnahmetalent": Jobs im Info/Quant-Bereich verhalten sich anders als in WiWi. In WiWi ist prinzipiell jeder Job mit genügend Blut und Schweiß irgendwie greifbar. Anders gesagt - praktisch alles lässt sich durch Fleiß erreichen. In Info/Mathe stößt man irgendwann an eine Grenze - und das musste ich selbst bereits schmerzlich feststellen - wo man intellektuell einfach nicht mehr bringen kann, egal, wie hart man dafür arbeitet. Genau dasselbe gilt auch für ML-PhDs an Top-Unis. Da mogelt sich keiner mit irgendwelchen Laberthemen durch wie in manchen WiWi-Disziplinen, die haben es alle einfach drauf.

Und warum DeepMind sowie manche Hedgefonds kategorisch einen PhD verlangen? Weil es FORSCHUNGSJOBS sind, um das zu kapieren, brauch man doch nicht da gearbeitet haben, einfach mal schauen, wie viele Paper bei den einschlägigen Konferenzen von DeepMind veröffentlicht werden... Wer wirklich glaubt, da basierend auf seinem github-Account oder ein, zwei Top 50 Platzierungen bei Kaggle Comps reinzukommen, dem ist wirklich nicht mehr zu helfen.

Und ja, bevor jemand fragt, natürlich habt ihr die entsprechenden Jobs verdient, wenn euer github voll von Skripten ist, die "einfach so" bessere Tradesignale generieren könnt als G-Research, RenTech und co. oder RL-Algos, die AlphaZero zum Frühstück auffressen.
Aber für diesen Fall wärt ihr garantiert auch in den heißbegehrten ML PhD in Cambridge reingekommen :)

Die Leute, die "Deep Tech" für den American Dream halten, wo sich jeder mit harter Arbeit auf Kaggle vom Tellerwäscher zum Millionär mausern kann... Ja, merkste selber.
Hut ab vor jemandem, der es bei einer der großen ML-Competition (100k total) in die Top 10 schafft. Und wer ist das? Richtig - ML PhD-Studenten an den üblichen verdächtigen Unis, die abgesehen von akademischer Stärke auch noch kostenlose GPU Cluster zur Verfügung haben. Oder gleich experienced professionals.
Selbst wenn es dem "Ottonormalstudenten" mal irgendwie gelingen sollte, wird er schnell feststellen, dass Tech in Wirklichkeit genauso "target"fokussiert ist, wie sich das die IB-Fetischisten hier manchmal für ihre Branche erträumen.

Hut ab vor dem Kollegen, der den Sprung vom WHU BWL Bachelor zum ML PhD in Cambridge geschafft hat - aber wie oben erwähnt, braucht es für so einen Schritt nicht nur außergewöhnliches Talent, sondern in der Regel auch außergewöhnliches Glück. Mal ganz nebenbei - ich kapiere nicht ganz, wieso jemand mit so einem Potenzial überhaupt an der WHU studiert.

Abschließend @TE: Gerade wenn du selbst meinst, dass du kein Ausnahmetalent bist, würde ich dir wirklich von ML (-Engineering) abraten, das Feld ist voller Whizzkids, Tendenz steigend. Interessant wäre eher, sich mal an der Schnittstelle iSv Business Intelligence umzuschauen. Dieses Feld wirkt derzeit zwar auch overhyped, ist aber meines Erachtens nach de facto noch in den Kinderschuhen weil die Leute dort derzeit wenig Ahnung zu haben scheinen und viel mit leeren Buzzwords jongliert wird.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Das, was am Kuester Lehrstuhl passiert, hat null mit dem zu tun, was hier diskutiert wird (und nein - die Konferenzen haben auch nix mit ML am Hut). Da kann man lediglich von der Erforschung betriebswirtschaftlicher Fragen und der gelegentlichen Nutzung von primitiven ML-Techniken mit vorgefertigten Tools sprechen, die kinderleicht zu bedienen sind (ich könnte hier jedem in maximal zwei Stunden beibringen, in sklearn DL Classifier zu basteln). Natürlich möchte sich derzeit jeder am Liebsten ML, DL, DS usw. irgendwo draufschreiben, weil's sexy klingt - sieht man überall, auch an Logistiklehrstühlen, Operations Management usw. Ändert halt nichts dran, dass es letzten Endes nichts mit tatsächlicher ML-Forschung zu tun hat, sondern ML ähnlich wie lineare Regression als Tool für WiWi-Forschung nutzt.

Richtige ML-Forschung a la DeepMind/Oxbridge befasst sich u.a. mit fundamentalen mathematischen/statistischen Themen, die in neuen Algorithmen/Optimierungsverfahren umgesetzt werden können. Im Zentrum stehen dabei aber eben nicht einmal einzelne Algorithmen, sondern übergreifende Themen wie Inference usw. Alles deutlich komplexer und mathematischer als sich das viele Leute hier ohnehin schon vorstellen. Nicht umsonst gibt es in ML viele Leute mit "Polymath"-Background - Wahrscheinlichkeitstheorie, Theoretische Physik, Mathematik.

WiWi Gast schrieb am 23.08.2019:

Webseite von diesem Kuester Lehrstuhl steht, dass da tatsächlich wer was mit DL macht. Der eine war wohl auch auf besagten Konferenzen - sind die was für ML/DL?

WiWi Gast schrieb am 23.08.2019:

Wenn du in Deutschland bleiben willst: Prof. Kuester in Mannheim (Marketing/Innovation) hat paar PhDs in ML/DL, die keine Vorerfahrung auf dem Thema haben - Quali ist aber auch entsprechend so

Quelle: EMAC/ Marketing Science Conference

Wenn du richtiges Geld verdienen willst, zählt immer das, was du tatsächlich machst/kannst und nicht dein Uni Abschluss - auch wenn wiwi Treff das gerne andersherum hätte.

Wenn du beweisen kannst, dass du sehr gute Skills hast, wird das auch dementsprechend bezahlt. Andersherum ist ein Uni Abschluss—auch vom MIT- nur ein Indikator und kein Beweis

Soll das ein Witz sein? Ich studier' in Mannheim Winf und hab noch nie was davon gehört, dass an dem Lehrstuhl irgendwas auch nur im Entferntesten mit ML gemacht wird. Da werden vielleicht ein paar Classifier auf einen Datensatz geworfen, aber das wars auch. Bitte keine Fehlinformationen verbreiten.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Naja, die Frage kannst du dir selbst beantworten, wenn in Tübingen direkt dabei steht, dass das Programm brandneu ist. Es wird ebenso explizit genannt, dass dieser Studiengang auf eine mögliche Promotion im Bereich WiWi vorbereitet. All diese Programme sind für WiWi-Studenten ausgelegt, die entweder einen Einblick für Tätigkeiten im Bereich Business Analytics usw. brauchen, oder aber tatsächlich Data Engineering/Science machen wollen, wobei da dann nicht top of the crop jobs drin sind, sondern eher kleine Gigs bei Startups...

Wenn du wirklich einen PhD in dem Feld machen möchtest bzw. einen richtigen Fachwechsel, kommst du kaum um einen zweiten Bachelor herum.

WiWi Gast schrieb am 23.08.2019:

Was haltet Ihr von folgenden Studiengängen? Fallen die auch unter die Kategorie "Ausgeburt des Hypes"? Sind jedenfalls die einzigen, mir bekannten Master, die mit meinen Credits aus dem Wiwi-Bachelor machbar sind.

uni-tuebingen.de/de/144465

www.uni-mannheim.de/studium/studienangebot/mannheim-master-in-data-science

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Hier TE: Gibt es irgendwelche Top PhDs, welche nicht rein quantitativ oder rein non-quantitativ sind?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Was ist das für eine Frage? Du entscheidest selber, was du erforschst...

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 23.08.2019:

Was ist das für eine Frage? Du entscheidest selber, was du erforschst...

Naja, nicht wirklich. Du hast zwar einige Freiheiten innerhalb des jeweiligen Forschungsfelds, aber wie oben erwähnt sind WiWi/Social Science vs. MINT PhDs zwei völlig verschiedene Welten.

@TE, ich hätte Ideen, aber dafür brauche ich die Antworten auf zwei Fragen:

  1. Was willst du durch den PhD erreichen? Möchtest du in der Akademia bleiben oder in die Industrie gehen? Wenn Industrie, welches Feld?

  2. Wo, mit welchen Noten, und in welchem Fach hast du deinen Bachelor/Master gemacht?
antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Ist ein ML PhD auch als WiFo machbar?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 23.08.2019:

Ist ein ML PhD auch als WiFo machbar?

Es kann dir hier niemand irgendwas Pauschales sagen. Top ML PhDs a la Cambridge MIT Oxford Berkeley Stanford Columbia usw. sind extrem quantitativ ausgelegt und u.a. voller Leute, die jahrelang Mathematik, Physik, Statistik studiert haben. Selbst wenn man den nötigen akademischen Hintergrund hat sind Plätze dort äußerst umkämpft und man braucht Glück, gute Referenzen usw. An unbekannteren Unis sieht es deutlich entspannter aus, aber auch da gibt es natürlich einen gewissen Anspruch.
Wenn du wirklich das Zeug zu sowas hast, dann hör auf hier Fragen zu stellen und fang lieber mal an Bewerbungen zu schreiben.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Ich denke da muss man stark unterscheiden um was für einem phd es geht: geht es darum ML Methoden anzuwenden um in irgendeinem Bereich neue Erkenntnisse zu gewinnen oder Probleme zu lösen oder geht es darum die ML Verfahren weiterzuentwickeln.

Auf der Anwender Seite kann man sicherlich auch mit WiWi Hintergrund ein phd machen bei dem man sich hauptsächlich mit ML beschäftigt. An meiner ehemaligen Uni gab es beispielsweise auch viele Nachrichtentechniker die an ML für Spracherkennung und Objekterkennung beim autonomen Fahren geforscht haben. Andere Beispiele wären ML in der Flugregelung, ML in der IT Sicherheit oder ML zur Analyse von Gensequenzen etc. Aber die Methodik weiterzuentwickeln ist nochmal ne ganz anderer Hausnummer und ohne Mathe oder zumindest Informatik Hintergrund meiner Meinung nach unrealistisch.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Der bei weitem beste Beitrag hier!

WiWi Gast schrieb am 22.08.2019:

Hi, bin nicht der, dem du geantwortest hast.
Was du zu kaggle sagst stimmt anfangs eigentlich, gegen Ende zeigst du dann aber auch, dass du eigentlich keine Ahnung hast. "Auf kaggle ist hingegen keiner". kaggle und github sind einfach zwei grundverschiedene Dinge, das hast du zu Beginn deines Posts ja auch richtig bemerkt. Kaggle hostet Datasets, bietet Competitions an etc. Auf kaggle sind massenweise Top-Leute, aber halt mit dem Fokus Data Science und niemand der an Frontends bastelt.

Github ist aber einfach nur eine Plattform, die Entwicklern git zur Verfügung stellt. Dass dort viele ihre Open-Source-Projekte hosten ist ein schöner Nebeneffekt und hat sich im Laufe der Zeit entwickelt.

Zum Thema: Hier geht es um eine Promotion im Bereich Machine Learning: Da ist nunmal der entsprechende Werdegang Pflicht. Dass hier manche meinen, mit BWL/Wiwi-Studium da hinzukommen zeigt einfach nur, wie unglaublich wenig die Leute hier von der Materie verstehen.

"Anwenden können" ist schön und gut. Aber erstens ist das mit skearn, tf und co. eben nicht die große Kunst, zweitens kann das jeder der in dem Bereich promoviert hat auch. Denkt ihr, die Algorithmen werden nur auf dem Papier implementiert?
Da du gerade Deepmind als Beispiel nimmst: Gerade dass man z.B. bei AlphaGo/AlphaZero erst NNs verwendet hat, um den Suchraum zu prunen und dann erst MCTS für die eigentliche Zugberechnungen zeigt ja, dass hier verschiedene Konzepte miteinander verbunden wurden und dazu muss man einfach auch den Hintergrund verstehen und nicht nur Codeäffchen sein.

Bye

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 23.08.2019:

Was ist das für eine Frage? Du entscheidest selber, was du erforschst...

Naja, nicht wirklich. Du hast zwar einige Freiheiten innerhalb des jeweiligen Forschungsfelds, aber wie oben erwähnt sind WiWi/Social Science vs. MINT PhDs zwei völlig verschiedene Welten.

@TE, ich hätte Ideen, aber dafür brauche ich die Antworten auf zwei Fragen:

  1. Was willst du durch den PhD erreichen? Möchtest du in der Akademia bleiben oder in die Industrie gehen? Wenn Industrie, welches Feld?

  2. Wo, mit welchen Noten, und in welchem Fach hast du deinen Bachelor/Master gemacht?

hast du einen account für dm? oder email?

antworten
RandomMathmo

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 23.08.2019:

Was ist das für eine Frage? Du entscheidest selber, was du erforschst...

Naja, nicht wirklich. Du hast zwar einige Freiheiten innerhalb des jeweiligen Forschungsfelds, aber wie oben erwähnt sind WiWi/Social Science vs. MINT PhDs zwei völlig verschiedene Welten.

@TE, ich hätte Ideen, aber dafür brauche ich die Antworten auf zwei Fragen:

  1. Was willst du durch den PhD erreichen? Möchtest du in der Akademia bleiben oder in die Industrie gehen? Wenn Industrie, welches Feld?

  2. Wo, mit welchen Noten, und in welchem Fach hast du deinen Bachelor/Master gemacht?

hast du einen account für dm? oder email?

Schreib mir gerne unter diesem Account hier eine PM.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

  • Für einen PHD in ML:
    Guter MINT Bachelor / Master und Interesse / Verständnis der Thematik sind Pflicht und vorallem notwendig um den PHD nicht nach 2 Wochen wieder abzubrechen. Aus meiner Sicht ist ein PHD aber sowieso nur sinnvoll, wenn du später bei Firmen a la FANG arbeiten oder in die Forschung gehen möchtest. Es muss hier auch nicht unbedingt Cambridge sein - wenn dich ML wirklich interessiert und du es nicht nur aus Prestige Gründen machen möchtest, dann gibt es viele andere Unis an denen du in diesem Bereich promovieren kannst.

  • Für einen (gutbezahlten) ML / Data Science Job:
    Ein MINT Master / PHD ist hier hingegen nicht immer Pflicht (Ausnahme: Algorithmen (Weiter-)entwicklung und Top-Jobs bei großen Tech-Konzernen / Hedge-Fonds). Für alle anderen Positionen ist das aber wie gesagt nicht immer notwendig. Ich z.B. habe Winf Bachelor / Master mit Schwerpunkt ML studiert, einige Praktika im Bereich ML absolviert und mir darüberhinaus viel selber beigebracht. Ich würde behaupten, dass mein Verständnis für alle Algorithmen und Konzepte, welche ich in meinem Job (Data Scientist MBB) anwende, ausreichend gut ist - zumindest sind die Kunden und mein Chef (Informatik PHD Oxford) sehr zufrienden. Zudem ist der Job sehr interessant und vielseitig, Prestige ist auch da - was will man mehr?

Ich kann zugegebenermaßen z.B. nicht die Konvergenz von SGD beweisen - ich weiß aber wie SGD funktioniert, wie wo und warum es eingesetzt wird, was Vor- und Nachteile sind, etc. Selbes gilt für andere Optimierungsverfahren, sämtliche Formen von neuronalen Netzen, anderen ML Algorithmen, Reinforcement Learning und natürlich Alles was die anderen Teile der ML Pipeline angeht. Jetzt kann man natürlich argumentieren, dass ich nicht zu 100% weiß wie diese Algorithmen funktionieren, wenn ich deren zugrundeliegenden Konzepte z.B. nicht beweisen kann - das stimmt letztendlich auch, in der Praxis juckt das aber herzlich wenig. Was in der Praxis entscheident ist, ist dass die Lösung performant ist, zuverlässig funktioniert und vorallem einen Business Value generiert. Sklearn, TF und co. werden - in fast allen Firmen - ausgiebig genutzt und das ist per se auch nichts schlechtes (anders wie es hier immer dargestellt wird). Klar kann ich in wochenlanger Arbeit auch ein halbwegs performantes NN selber programmieren, aber wozu? Solange ich die open-souce Tools korrekt bedienen kann (z.B. eine custom loss-function in TF implementieren kann), sehe ich da absolut kein Problem.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 25.08.2019:

  • Für einen PHD in ML:
    Guter MINT Bachelor / Master und Interesse / Verständnis der Thematik sind Pflicht und vorallem notwendig um den PHD nicht nach 2 Wochen wieder abzubrechen. Aus meiner Sicht ist ein PHD aber sowieso nur sinnvoll, wenn du später bei Firmen a la FANG arbeiten oder in die Forschung gehen möchtest. Es muss hier auch nicht unbedingt Cambridge sein - wenn dich ML wirklich interessiert und du es nicht nur aus Prestige Gründen machen möchtest, dann gibt es viele andere Unis an denen du in diesem Bereich promovieren kannst.

  • Für einen (gutbezahlten) ML / Data Science Job:
    Ein MINT Master / PHD ist hier hingegen nicht immer Pflicht (Ausnahme: Algorithmen (Weiter-)entwicklung und Top-Jobs bei großen Tech-Konzernen / Hedge-Fonds). Für alle anderen Positionen ist das aber wie gesagt nicht immer notwendig. Ich z.B. habe Winf Bachelor / Master mit Schwerpunkt ML studiert, einige Praktika im Bereich ML absolviert und mir darüberhinaus viel selber beigebracht. Ich würde behaupten, dass mein Verständnis für alle Algorithmen und Konzepte, welche ich in meinem Job (Data Scientist MBB) anwende, ausreichend gut ist - zumindest sind die Kunden und mein Chef (Informatik PHD Oxford) sehr zufrienden. Zudem ist der Job sehr interessant und vielseitig, Prestige ist auch da - was will man mehr?

Ich kann zugegebenermaßen z.B. nicht die Konvergenz von SGD beweisen - ich weiß aber wie SGD funktioniert, wie wo und warum es eingesetzt wird, was Vor- und Nachteile sind, etc. Selbes gilt für andere Optimierungsverfahren, sämtliche Formen von neuronalen Netzen, anderen ML Algorithmen, Reinforcement Learning und natürlich Alles was die anderen Teile der ML Pipeline angeht. Jetzt kann man natürlich argumentieren, dass ich nicht zu 100% weiß wie diese Algorithmen funktionieren, wenn ich deren zugrundeliegenden Konzepte z.B. nicht beweisen kann - das stimmt letztendlich auch, in der Praxis juckt das aber herzlich wenig. Was in der Praxis entscheident ist, ist dass die Lösung performant ist, zuverlässig funktioniert und vorallem einen Business Value generiert. Sklearn, TF und co. werden - in fast allen Firmen - ausgiebig genutzt und das ist per se auch nichts schlechtes (anders wie es hier immer dargestellt wird). Klar kann ich in wochenlanger Arbeit auch ein halbwegs performantes NN selber programmieren, aber wozu? Solange ich die open-souce Tools korrekt bedienen kann (z.B. eine custom loss-function in TF implementieren kann), sehe ich da absolut kein Problem.

Mir als Winf hilft der Beitrag, danke :)
Welche Uni hast du denn besucht, dass du im Bachelor einen ML Schwerpunkt setzen könntest?
Was kannst du an Kursen zum Selbststudium empfehlen?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Das freut mich!

Bezüglich der Universitäten:
Ich habe meinen Bachelor an der TU Darmstadt und meinen Master an der TU München gemacht. Beide Unis bieten mittlerweile viele Vorlesungen im Bereich ML an, man muss aber aufpassen dass das mit dem Anrechnen funktioniert. Ich habe an der TUM leider 12 ECTS "freiwillig" absolviert, weil ich mir nur eine gewisse Anzahl an Credits im Wahlbereich anrechnen lassen konnte, mich diese zusätzlichen ML-Vorlesungen aber einfach sehr interessiert haben. Die TU Darmstadt hat z.B. ein ML Research Lab an dem du z.B. als HiWi arbeiten oder aber auch Seminare und Vorträge besuchen kannst. An der TU München gibt es z.B. teilweise auch Uni-interne ML-Hackathons an denen du mitmachen und dafür ECTS einsammeln kannst.

Bezüglich dem Selbststudium:
Da kommt es aus meiner Sicht ein bisschen darauf an, wie viel Erfahrung / Wissen du schon mitbringst. Als kompletter Neuling solltest du definitiv erstmal Programmieren lernen (R / Python, SQL, evtl. noch Scala, Hive) und deine mathematischen / statistischen Kenntnisse auffrischen (lineare Algebra, Wahrscheinlichkeitsrechnung, Statistik, Optimierungstheorie) - das sind die absoluten Grundvoraussetzungen. Dafür gibt es einige Angebote im Netz (DataCamp, Coursera, Udemy, etc.) - ich persönlich bevorzuge Bücher, aber das ist geschnmackssache. Wichtig ist nur, dass du die Konzepte wirklich verinnerlichst und dir nicht nur ein Video dazu anschaust und dir dann denkst "ok, das hab ich jetzt auch gesehen, also kann ich es".

Anschließend würde ich dir empfehlen ein paar Fachbücher zu ML-Grundlagen zu lesen (z.B. The Elements of Statistical Learning) und anschließend Tutorials zu diversen Themen zu machen (gibt es im Internet wie Sand am Meer). Anschließend solltest du so schnell wie möglich anfangen praktische Erfahrung zu sammeln (entweder durch eigene Projekte, freiwillige Uni-Projekte, real-world Hackathons oder Kaggle). Parellel kannst du dich auf Websites wie 'kdnuggets' oder 'medium' fortbilden. Was ich erst kürzlich angefangen habe, dir aber schon frühzeitig empfehlen würde, ist es Paper zu lesen. Zu allen Algorithmen / Konzepten gibt es meist ein urspüngliches Paper, da hast du dann quasi alles was du wissen musst (verlangt aber Vorwissen). Außerdem gibt es natürlich sehr viele Paper über aktuelle Entwicklungen und Nischenthemen, die sind aber teilweise sehr speziell und da solltest du dann einfach schauen, welcher Aspekt von ML dich besonders interessiert (wenn du z.B. in Richtung Deep Learning gehen möchtest, könntest du dich im Bereich GPUs, Neural Architecture Search etc. fortbilden).

Hoffe das hat dir geholfen.

WiWi Gast schrieb am 25.08.2019:

  • Für einen PHD in ML:
    Guter MINT Bachelor / Master und Interesse / Verständnis der Thematik sind Pflicht und vorallem notwendig um den PHD nicht nach 2 Wochen wieder abzubrechen. Aus meiner Sicht ist ein PHD aber sowieso nur sinnvoll, wenn du später bei Firmen a la FANG arbeiten oder in die Forschung gehen möchtest. Es muss hier auch nicht unbedingt Cambridge sein - wenn dich ML wirklich interessiert und du es nicht nur aus Prestige Gründen machen möchtest, dann gibt es viele andere Unis an denen du in diesem Bereich promovieren kannst.

  • Für einen (gutbezahlten) ML / Data Science Job:
    Ein MINT Master / PHD ist hier hingegen nicht immer Pflicht (Ausnahme: Algorithmen (Weiter-)entwicklung und Top-Jobs bei großen Tech-Konzernen / Hedge-Fonds). Für alle anderen Positionen ist das aber wie gesagt nicht immer notwendig. Ich z.B. habe Winf Bachelor / Master mit Schwerpunkt ML studiert, einige Praktika im Bereich ML absolviert und mir darüberhinaus viel selber beigebracht. Ich würde behaupten, dass mein Verständnis für alle Algorithmen und Konzepte, welche ich in meinem Job (Data Scientist MBB) anwende, ausreichend gut ist - zumindest sind die Kunden und mein Chef (Informatik PHD Oxford) sehr zufrienden. Zudem ist der Job sehr interessant und vielseitig, Prestige ist auch da - was will man mehr?

Ich kann zugegebenermaßen z.B. nicht die Konvergenz von SGD beweisen - ich weiß aber wie SGD funktioniert, wie wo und warum es eingesetzt wird, was Vor- und Nachteile sind, etc. Selbes gilt für andere Optimierungsverfahren, sämtliche Formen von neuronalen Netzen, anderen ML Algorithmen, Reinforcement Learning und natürlich Alles was die anderen Teile der ML Pipeline angeht. Jetzt kann man natürlich argumentieren, dass ich nicht zu 100% weiß wie diese Algorithmen funktionieren, wenn ich deren zugrundeliegenden Konzepte z.B. nicht beweisen kann - das stimmt letztendlich auch, in der Praxis juckt das aber herzlich wenig. Was in der Praxis entscheident ist, ist dass die Lösung performant ist, zuverlässig funktioniert und vorallem einen Business Value generiert. Sklearn, TF und co. werden - in fast allen Firmen - ausgiebig genutzt und das ist per se auch nichts schlechtes (anders wie es hier immer dargestellt wird). Klar kann ich in wochenlanger Arbeit auch ein halbwegs performantes NN selber programmieren, aber wozu? Solange ich die open-souce Tools korrekt bedienen kann (z.B. eine custom loss-function in TF implementieren kann), sehe ich da absolut kein Problem.

Mir als Winf hilft der Beitrag, danke :)
Welche Uni hast du denn besucht, dass du im Bachelor einen ML Schwerpunkt setzen könntest?
Was kannst du an Kursen zum Selbststudium empfehlen?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Push

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 25.08.2019:

Ich kann zugegebenermaßen z.B. nicht die Konvergenz von SGD beweisen - ich weiß aber wie SGD funktioniert, wie wo und warum es eingesetzt wird, was Vor- und Nachteile sind, etc. Selbes gilt für andere Optimierungsverfahren, sämtliche Formen von neuronalen Netzen, anderen ML Algorithmen, Reinforcement Learning und natürlich Alles was die anderen Teile der ML Pipeline angeht. Jetzt kann man natürlich argumentieren, dass ich nicht zu 100% weiß wie diese Algorithmen funktionieren, wenn ich deren zugrundeliegenden Konzepte z.B. nicht beweisen kann - das stimmt letztendlich auch, in der Praxis juckt das aber herzlich wenig. Was in der Praxis entscheident ist, ist dass die Lösung performant ist, zuverlässig funktioniert und vorallem einen Business Value generiert. Sklearn, TF und co. werden - in fast allen Firmen - ausgiebig genutzt und das ist per se auch nichts schlechtes (anders wie es hier immer dargestellt wird). Klar kann ich in wochenlanger Arbeit auch ein halbwegs performantes NN selber programmieren, aber wozu? Solange ich die open-souce Tools korrekt bedienen kann (z.B. eine custom loss-function in TF implementieren kann), sehe ich da absolut kein Problem.

Ja, so und nicht anders. ML gliedert sich halt auch den anderen MINT-Bereichen an. Das heißt, im Studiun bzw. der Forschung lernt man das upgespacete. In der Praxis dann eine Anwendung, die fünf Stufen drunter ist. Ist ja auch vollkommen normal. Die Kunst ist eher die Organisation bzw. die Integration drum herum.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 26.08.2019:

Das freut mich!

Bezüglich der Universitäten:
Ich habe meinen Bachelor an der TU Darmstadt und meinen Master an der TU München gemacht. Beide Unis bieten mittlerweile viele Vorlesungen im Bereich ML an, man muss aber aufpassen dass das mit dem Anrechnen funktioniert. Ich habe an der TUM leider 12 ECTS "freiwillig" absolviert, weil ich mir nur eine gewisse Anzahl an Credits im Wahlbereich anrechnen lassen konnte, mich diese zusätzlichen ML-Vorlesungen aber einfach sehr interessiert haben. Die TU Darmstadt hat z.B. ein ML Research Lab an dem du z.B. als HiWi arbeiten oder aber auch Seminare und Vorträge besuchen kannst. An der TU München gibt es z.B. teilweise auch Uni-interne ML-Hackathons an denen du mitmachen und dafür ECTS einsammeln kannst.

Bezüglich dem Selbststudium:
Da kommt es aus meiner Sicht ein bisschen darauf an, wie viel Erfahrung / Wissen du schon mitbringst. Als kompletter Neuling solltest du definitiv erstmal Programmieren lernen (R / Python, SQL, evtl. noch Scala, Hive) und deine mathematischen / statistischen Kenntnisse auffrischen (lineare Algebra, Wahrscheinlichkeitsrechnung, Statistik, Optimierungstheorie) - das sind die absoluten Grundvoraussetzungen. Dafür gibt es einige Angebote im Netz (DataCamp, Coursera, Udemy, etc.) - ich persönlich bevorzuge Bücher, aber das ist geschnmackssache. Wichtig ist nur, dass du die Konzepte wirklich verinnerlichst und dir nicht nur ein Video dazu anschaust und dir dann denkst "ok, das hab ich jetzt auch gesehen, also kann ich es".

Anschließend würde ich dir empfehlen ein paar Fachbücher zu ML-Grundlagen zu lesen (z.B. The Elements of Statistical Learning) und anschließend Tutorials zu diversen Themen zu machen (gibt es im Internet wie Sand am Meer). Anschließend solltest du so schnell wie möglich anfangen praktische Erfahrung zu sammeln (entweder durch eigene Projekte, freiwillige Uni-Projekte, real-world Hackathons oder Kaggle). Parellel kannst du dich auf Websites wie 'kdnuggets' oder 'medium' fortbilden. Was ich erst kürzlich angefangen habe, dir aber schon frühzeitig empfehlen würde, ist es Paper zu lesen. Zu allen Algorithmen / Konzepten gibt es meist ein urspüngliches Paper, da hast du dann quasi alles was du wissen musst (verlangt aber Vorwissen). Außerdem gibt es natürlich sehr viele Paper über aktuelle Entwicklungen und Nischenthemen, die sind aber teilweise sehr speziell und da solltest du dann einfach schauen, welcher Aspekt von ML dich besonders interessiert (wenn du z.B. in Richtung Deep Learning gehen möchtest, könntest du dich im Bereich GPUs, Neural Architecture Search etc. fortbilden).

Hoffe das hat dir geholfen.

WiWi Gast schrieb am 25.08.2019:

  • Für einen PHD in ML:
    Guter MINT Bachelor / Master und Interesse / Verständnis der Thematik sind Pflicht und vorallem notwendig um den PHD nicht nach 2 Wochen wieder abzubrechen. Aus meiner Sicht ist ein PHD aber sowieso nur sinnvoll, wenn du später bei Firmen a la FANG arbeiten oder in die Forschung gehen möchtest. Es muss hier auch nicht unbedingt Cambridge sein - wenn dich ML wirklich interessiert und du es nicht nur aus Prestige Gründen machen möchtest, dann gibt es viele andere Unis an denen du in diesem Bereich promovieren kannst.

  • Für einen (gutbezahlten) ML / Data Science Job:
    Ein MINT Master / PHD ist hier hingegen nicht immer Pflicht (Ausnahme: Algorithmen (Weiter-)entwicklung und Top-Jobs bei großen Tech-Konzernen / Hedge-Fonds). Für alle anderen Positionen ist das aber wie gesagt nicht immer notwendig. Ich z.B. habe Winf Bachelor / Master mit Schwerpunkt ML studiert, einige Praktika im Bereich ML absolviert und mir darüberhinaus viel selber beigebracht. Ich würde behaupten, dass mein Verständnis für alle Algorithmen und Konzepte, welche ich in meinem Job (Data Scientist MBB) anwende, ausreichend gut ist - zumindest sind die Kunden und mein Chef (Informatik PHD Oxford) sehr zufrienden. Zudem ist der Job sehr interessant und vielseitig, Prestige ist auch da - was will man mehr?

Ich kann zugegebenermaßen z.B. nicht die Konvergenz von SGD beweisen - ich weiß aber wie SGD funktioniert, wie wo und warum es eingesetzt wird, was Vor- und Nachteile sind, etc. Selbes gilt für andere Optimierungsverfahren, sämtliche Formen von neuronalen Netzen, anderen ML Algorithmen, Reinforcement Learning und natürlich Alles was die anderen Teile der ML Pipeline angeht. Jetzt kann man natürlich argumentieren, dass ich nicht zu 100% weiß wie diese Algorithmen funktionieren, wenn ich deren zugrundeliegenden Konzepte z.B. nicht beweisen kann - das stimmt letztendlich auch, in der Praxis juckt das aber herzlich wenig. Was in der Praxis entscheident ist, ist dass die Lösung performant ist, zuverlässig funktioniert und vorallem einen Business Value generiert. Sklearn, TF und co. werden - in fast allen Firmen - ausgiebig genutzt und das ist per se auch nichts schlechtes (anders wie es hier immer dargestellt wird). Klar kann ich in wochenlanger Arbeit auch ein halbwegs performantes NN selber programmieren, aber wozu? Solange ich die open-souce Tools korrekt bedienen kann (z.B. eine custom loss-function in TF implementieren kann), sehe ich da absolut kein Problem.

Mir als Winf hilft der Beitrag, danke :)
Welche Uni hast du denn besucht, dass du im Bachelor einen ML Schwerpunkt setzen könntest?
Was kannst du an Kursen zum Selbststudium empfehlen?

Vielen Dank für deine Zeit und Hilfe!
Ich werde die Tipps beherzigen und hoffe ich werde irgendwann als Data Scientist arbeiten.
Da du bei MBB arbeitest würde mich interessieren: Wie sehr zählt die akademische Leistung in diesem Bereich?

Viele Grüße!

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 29.08.2019:

Ich kann zugegebenermaßen z.B. nicht die Konvergenz von SGD beweisen - ich weiß aber wie SGD funktioniert, wie wo und warum es eingesetzt wird, was Vor- und Nachteile sind, etc. Selbes gilt für andere Optimierungsverfahren, sämtliche Formen von neuronalen Netzen, anderen ML Algorithmen, Reinforcement Learning und natürlich Alles was die anderen Teile der ML Pipeline angeht. Jetzt kann man natürlich argumentieren, dass ich nicht zu 100% weiß wie diese Algorithmen funktionieren, wenn ich deren zugrundeliegenden Konzepte z.B. nicht beweisen kann - das stimmt letztendlich auch, in der Praxis juckt das aber herzlich wenig. Was in der Praxis entscheident ist, ist dass die Lösung performant ist, zuverlässig funktioniert und vorallem einen Business Value generiert. Sklearn, TF und co. werden - in fast allen Firmen - ausgiebig genutzt und das ist per se auch nichts schlechtes (anders wie es hier immer dargestellt wird). Klar kann ich in wochenlanger Arbeit auch ein halbwegs performantes NN selber programmieren, aber wozu? Solange ich die open-souce Tools korrekt bedienen kann (z.B. eine custom loss-function in TF implementieren kann), sehe ich da absolut kein Problem.

Ja, so und nicht anders. ML gliedert sich halt auch den anderen MINT-Bereichen an. Das heißt, im Studiun bzw. der Forschung lernt man das upgespacete. In der Praxis dann eine Anwendung, die fünf Stufen drunter ist. Ist ja auch vollkommen normal. Die Kunst ist eher die Organisation bzw. die Integration drum herum.

Naja, das stimmt aber eben gerade nicht, weil die spannendsten Jobs in ML (HF, DeepMind, FacebookAI usw.) allesamt Forschungsjobs sind, bei denen man am Ende nichts anderes macht als ein PhD oder Postdoc und häufig auch nebenbei publiziert.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 29.08.2019:

Naja, das stimmt aber eben gerade nicht, weil die spannendsten Jobs in ML (HF, DeepMind, FacebookAI usw.) allesamt Forschungsjobs sind, bei denen man am Ende nichts anderes macht als ein PhD oder Postdoc und häufig auch nebenbei publiziert.

Das ist allein eine Frage der persönlichen Vorliebe. Es gibt tatsächlich auch Menschen, die gern Forschung in die Anwendung bringen und nicht im akademischen Elfenbeinturm vor sich hin forschen. Wer Forschung betreiben will kann das sowohl an der Uni als auch in den großen Tech-Konzernen, keine Frage. Aber wer die Forschung in die Anwendung bringen will, der braucht die mathematische Tiefe nicht mehr, die Anforderungen sind dort auch andere. Im Übrigen ist genau das der Bereich, in dem ein großer Mangel herrscht, denn hier ist sowohl Erfahrung aus der Praxis, als auch das ML Fundament gefragt.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 29.08.2019:

Naja, das stimmt aber eben gerade nicht, weil die spannendsten Jobs in ML (HF, DeepMind, FacebookAI usw.) allesamt Forschungsjobs sind, bei denen man am Ende nichts anderes macht als ein PhD oder Postdoc und häufig auch nebenbei publiziert.

Das ist allein eine Frage der persönlichen Vorliebe. Es gibt tatsächlich auch Menschen, die gern Forschung in die Anwendung bringen und nicht im akademischen Elfenbeinturm vor sich hin forschen. Wer Forschung betreiben will kann das sowohl an der Uni als auch in den großen Tech-Konzernen, keine Frage. Aber wer die Forschung in die Anwendung bringen will, der braucht die mathematische Tiefe nicht mehr, die Anforderungen sind dort auch andere. Im Übrigen ist genau das der Bereich, in dem ein großer Mangel herrscht, denn hier ist sowohl Erfahrung aus der Praxis, als auch das ML Fundament gefragt.

Glaube es geht hier eher darum, dass besagte Forschungsjobs nochmal deutlich, deutlich besser bezahlt sind als rein anwendungsbezogene Tätigkeiten. Gerade natürlich bei HFs.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

Push, habe WInfo Master. Wie kommt man an einen PhD in Oxbridge ran? Wie sieht das Bewerbungsverfahren aus? Hat man mit WInfo eine Chance?

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 30.08.2019:

Push, habe WInfo Master. Wie kommt man an einen PhD in Oxbridge ran? Wie sieht das Bewerbungsverfahren aus? Hat man mit WInfo eine Chance?

Nein

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 30.08.2019:

Push, habe WInfo Master. Wie kommt man an einen PhD in Oxbridge ran? Wie sieht das Bewerbungsverfahren aus? Hat man mit WInfo eine Chance?

Wer nicht einmal die vorangegangenen (teils sehr konstruktiven) Beiträge im Thread lesen kann, der sollte auch keinen PhD in ML in Erwägung ziehen.

antworten
WiWi Gast

Wo Machine Learning PhD ohne Quant-Vergangenheit?

WiWi Gast schrieb am 22.08.2019:

Nein. Wobei es in Oxford und Cambridge nochmal schwieriger ist als in den Staaten, weil man in den Staaten nochmal zwei Jahre Kurse hat, in denen man fehlendes Wissen theoretisch aufholen könnte. Deutschland ist auch super schwierig, nicht, weil die Unis hier so prestigeträchtig wären, sondern weil Bürokratie rules. ETH theoretisch möglich mit zwischengeschobenem Master + Credits nachholen, aber das dauert eine ganze Ecke.

Ein ehemaliger Kommilitone ist letztens nur mit einem BWL-Bachelor in den Cambridge ML PHD reingekommen. Der hat aber Auch 1,0 Abi mit 16 gemacht, sich die ganzen Mathe Sachen nebenbei angeeignet, und es war wohl selbst für Cambridge Verhältnisse ein ziemlich krasser Ausnahmefall.

Letztendlich ist alles möglich, aber bei solchen Einzelfällen ist auch immer zu viel Glück/Zufall im Spiel, als dass man sich daran orientieren könnte..

Wie kommt man mit einem BWL-Bachelor in einen ML PhD? Hat derjenige neben dem Studium die ganze Zeit an eigenen ML-Projekten gearbeitet oder wie schafft man es seinen Doktorvater mir einem BWL-Bachelor sonst zu überzeugen?

antworten

Artikel zu CAM

Merkel bekommt Ehrendoktor von Harvard University

Wahlplakat der CDU von Angela Merkel zur Bundestagswahl 2017.

Im Rahmen der Feierlichkeiten der 368. Graduationsfeier der Harvard University hat die Bundeskanzlerin Angela Merkel einen Ehrendoktor der Universität verliehen bekommen. Am Nachmittag des 30. Mai 2019 richtete sich die deutsche Bundeskanzlerin mit einer Ansprache an die Absolventinnen und Absolventen sowie die geladenen Gäste. Die Universität würdigte damit den Pragmatismus und die kluge Entschlossenheit ihrer bisherigen Amtszeit, sowie insbesondere ihre Standhaftigkeit in der Flüchtlingskrise.

Leitlinien zur externen Promotion von Wirtschafts- und Hochschulverbänden

Auf einer Tafel steht das Wort externe Promotion.

Promotionen in Kooperation von promotionsberechtigten Hochschulen und Unternehmen werden als externe Promotion bezeichnet. Der Stifterverband für die Deutsche Wissenschaft, die Hochschulrektorenkonferenz und die führenden Wirtschaftsverbände BDA und BDI haben eine gemeinsame Position zu diesen Promotion mit externem Arbeitsvertrag veröffentlicht.

Dissertationen aus den Wirtschaftswissenschaften

Ein E-Book, ein Heft mit Brille und eine Tasse.

Das »Münstersche Informations- und Archivsystem multimedialer Inhalte« miami.uni-muenster.de enthält Dissertationen aus den Wirtschaftswissenschaften als E-Book.

Promotionsrecht: FH Fulda darf als erste Fachhochschule den Doktortitel vergeben

Hochschule Fulda erhält Promotionsrecht: Wissenschaftsminister Boris Rhein (l.) und Hochschulpräsident Prof. Dr. Karim Khakzar

Der Durchbruch im Hochschulsystem ist gelungen: Die erste deutsche Fachhochschule erhält das Promotionsrecht. Die Hochschule Fulda darf zukünftig ihre Studenten in den Sozialwissenschaften zum Doktor führen. Weitere Promotionsrechte für Wirtschaftswissenschaften und Informatik sind geplant.

LMU-Forschungsstudium - Master of Business Research

Die Graduation Cap mit Weltkarte im Hintergrund

Der Studiengang “Betriebswirtschaftliche Forschung” (MBR - Master of Business Research) ist ein postgraduales Studium an der Fakultät für Betriebswirtschaft der Ludwig-Maximilans-Universität München (LMU). Es ist kein MBA Programm. Dieses viersemestrige Studium zielt darauf ab, Studierende mit der methodologischen Basis für hochqualitative betriebswirtschaftliche Forschung auszustatten. Das »Business Research« Postgraduiertenstudium soll dazu befähigen, in der betriebswirtschaftlich orientierten Forschung innerhalb und außerhalb der Hochschulen tätig zu sein. Der Master of Business Research (MBR) dient Doktoranden an der LMU zur Vorbereitung von Dissertationen.

EMAC McKinsey Marketing Dissertation Award 2016

Shopping, shoppen, Einkaufen, Konsum,

EMAC und McKinsey schreiben bereits zum achten Mal erneut den Marketing Dissertation Award aus. Bewerbungen für den mit 7.000 Euro dotierten Marketing Dissertation Award 2016 sind bis zum 31. Januar 2016 möglich. Die Zweit- und der Drittplatzierte erhalten Geldpreise von 3.000 und 1.000 Euro.

BME Wissenschaftspreis 2015 - Dissertation Einkauf & Logistik

BME Wissenschaftspreis 2015 - Dissertation Einkauf &Logistik

Für den »BME Wissenschaftspreis« können noch Dissertationen, Habilitationen und andere herausragende wissenschaftliche Arbeiten auf dem Gebiet von Materialwirtschaft, Beschaffung, Einkauf und Logistik eingereicht werden. Einsendeschluss ist der 31. August 2015.

Deutscher Studienpreis 2016 für Dissertationen

Porttraitbild Dr. Lukas Haffert, Zweitpreisträger Deutscher Studienpreis 2015

Mit dem Deutschen Studienpreis zeichnet die Körber-Stiftung exzellente junge Wissenschaftlerinnen und Wissenschaftler aller Fachrichtungen aus, deren Forschung sich durch einen hohen gesellschaftlichen Nutzen auszeichnet. Der Deutsche Studienpreis ist eine der höchstdotierten Auszeichnungen für Nachwuchswissenschaftler in Deutschland. Vergeben werden Preise im Gesamtwert von über 100.000 Euro, darunter drei Spitzenpreise mit jeweils 25.000 Euro. Einsendeschluss ist der 1. März 2016.

Deutscher Studienpreis 2014: Volkswirtin Rippin für Armutsmessung ausgezeichnet

Deutscher-Studienpreis-2014 Volkswirtin-Rippin Armutsmessung

Die Preisträger des Deutschen Studienpreises 2014 für die wichtigsten Dissertationen des Jahresn stehen fest. Die Volkswirtin Nicole Isabell Rippin von der Universität Göttingen wurde für ihren neuen Index zur Armutsmessung ausgezeichnet. Die Historikerin Sabine Donauer untersuchte, wie sich der »Spaß an der Arbeit« entwickelt hat.

Österreichische Dissertationsdatenbank

Dissertationsdatenbank Österreich Dissertationen

Die Österreichische Dissertationsdatenbank beinhaltet Dissertationen und Diplomarbeiten, die an österreichischen Universitäten und Fachhochschulen eingereicht wurden. Von den über 100.000 Hochschulschriften sind viele aus dem wirtschaftswissenschaftlichen Bereich. Die meisten Titel lassen sich direkt im Volltexte abrufen.

Klaus Tschira Dissertationspreis für verständliche Wissenschaft 2015

Klaus-Tschira Dissertationspreis 2015

Die Klaus Tschira Stiftung ehrt mit dem Dissertationspreis »KlarText!« junge Nachwuchswissenschaftler, die exzellent forschen und anschaulich schreiben. Die besten Artikel werden in sechs Fachgebieten mit je 5.000 Euro ausgezeichnet und in einer Sonderbeilage der Zeitschrift bild der wissenschaft veröffentlicht. Einsendeschluss ist der 28. Februar 2015.

Akademischer Titel vs. Berufserfahrung: Was führt zur Top-Position?

Drei Frauen halten vor ihrer Universität ihren Doktorhut hoch und freuen sich über ihren akademischen Abschluss.

In der Wirtschaft gibt es zwei Wege, um die Spitze zu erreichen. Der eine führt über die akademische Ausbildung. Der andere basiert dagegen auf praktischer Erfahrung. Doch welcher Weg ist besser, um das Topmanagement zu erreichen? Nachwuchsmanager und angehende Wirtschaftsexperten müssen sich zwischen einer akademischen Laufbahn und mehr Praxiserfahrung entscheiden. Im Folgenden werden beide Wege betrachtet und verglichen, um herauszufinden, welcher Ansatz die besten Erfolgschancen in der Wirtschaft bietet.

Immer mehr Frauen promovieren

Silberne Damenschuhe.

Die enormen bildungs- und forschungspolitischen Anstrengungen von Bund und Ländern zahlen sich aus. Der Anteil der Hochqualifizierten an der deutschen Bevölkerung ist seit 2001 deutlich angestiegen: von 10,5 Prozent auf 13,2 Prozent in 2011. Insbesondere Frauen nutzen vermehrt ihre Bildungschancen. Dies zeigt sich auch auf der Ebene der Promotionen.

Starker Anstieg der Promotionen von FH-Absolventen

Gebäuder der FH / Hochschule Bochum

Immer mehr Fachhochschulabsolventinnen und Fachhochabsolventen werden promoviert. Dies zeigt die jüngste Befragung der Hochschulrektorenkonferenz. In den Prüfungsjahren 2009 bis 2011 verliehen sie rund 47 Prozent mehr Inhabern von Fachhochschuldiplomen einen Doktorgrad als im Vergleichszeitraum 2006 bis 2008.

Studie: Promotions- und Arbeitsbedingungen Promovierender in Deutschland

Eine Deutschlandflagge weht vor einem blauen Himmel.

Die Zahl der abgeschlossenen Promotionen liegt in Deutschland seit vielen Jahren auf einem hohen Niveau. Im Jahr 2011 haben hierzulande rund 27.000 Promovierte die Universitäten verlassen. Die neue Studie »Promotionen im Fokus« wirft einen detaillierten Blick auf die Situation von Promovierenden in unterschiedlichen Promotionskontexten.

Antworten auf Wo Machine Learning PhD ohne Quant-Vergangenheit?

Als WiWi Gast oder Login

Forenfunktionen

Kommentare 51 Beiträge

Diskussionen zu CAM

Weitere Themen aus Promotion, PHD & DBA