Μεταπτυχιακό AI / Machine Learning / Data Analytics

[panoschr]

Καλησπέρα,

τελείωσα φέτος Εφαρμοσμένη Πληροφορική στο ΠΑΜΑΚ και μπήκα αμέσως στρατό ώστε να τελειώνω με αυτή την υποχρέωση. Τον Σεπτέμβρη, λοιπόν, θα είμαι 23 και θα έχω τελειώσει με το στρατιωτικό.

Έκανα αίτηση για το μεταπτυχιακό Τεχνητής Νοημοσύνης του ΑΠΘ (https://ai.csd.auth.gr/) το οποίο μου άρεσε γιατί έχει αρκετά μαθήματα επιλογής με Μηχανική Μάθηση, αλλά δεν με δέχτηκαν. Σε αυτό το σημείο να πω ότι μελλοντικά με ενδιαφέρει περισσότερο μια θέση Machine Learning Engineer παρά μια θέση Data Analyst. Το ΠΑΜΑΚ έχει μεταπτυχιακό με τίτλο Τεχνητή Νοημοσύνη και Αναλυτική Δεδομένων (https://www.uom.gr/aida) του οποίου τα μαθήματα στρέφονται κυρίως στην Μοντελοποίηση/Εξόρυξη Δεδομένων, καθώς και την μαθηματική φύση τους και έχει ελάχιστα μαθήματα Μηχανικής Μάθησης, κάτι το οποίο με κρατάει από το να κάνω αίτηση.

Έπειτα από αναζήτηση σε αγγελίες εργασίας πάνω σε αυτές τις θέσεις, διαπίστωσα ότι οι εργοδότες δεν έχουν ως προαπαιτούμενο ένα Master πάνω στο αντικείμενο, αλλά κυρίως την εργασιακή εμπειρία. Αξίζει να κάνω μεταπτυχιακό το οποίο ασχολείται περισσότερο με το Data Analytics ενώ μου αρέσει περισσότερο η Μηχανική Μάθηση και τα Νευρωνικά Δίκτυα; Μήπως είναι τόσο ανεπαίσθητη η διαφορά τους που μπορείς να εξελιχθείς όπως εσύ θες; Τέλος, μήπως είναι προτιμότερο να ξεκινήσω να δουλεύω στον χώρο εργασίας όσο νωρίτερα γίνεται ώστε να αποκτήσω εμπειρία και αργότερα να σκεφτώ τα μεταπτυχιακά; Θα ήθελα να μου πείτε την γνώμη σας και τις εμπειρίες σας.

[pi314]

Έχω την αίσθηση πώς και το ML και το Data Analytics είναι κάτω την μεγάλη ομπρέλα του Data Science,  οπότε θεωρώ είτε κάνεις το ένα MSc είτε το άλλο μπορείς στο τέλος να ασχοληθείς με αυτό που θέλεις...Εγώ θα χτυπούσα μεταπτυχιακό πρώτα...αλλά είναι υποκειμενικό τελείως...

[Theo1903]

Αρχικά νομίζω αξίζει λίγο να ξεχωρίσουμε τους όρους για να ξέρουμε και τι λέμε. Το ML είναι κλάδος του AI και η ενασχόληση με αυτό έχει συνήθως πιο "ερευνητικό" χαρακτήρα. Το Data Analytics ασχολείται με το πιο business intelligence aspect των δεδομένων και συνήθως το κυνηγάνε οι οικονομικοί. Το Data Science ασχολείται με το πιο engineering aspects της ανάλυσης και συνήθως μπλέκει και λίγο ML για να εξηγήσει συσχετίσεις δεδομένων και να επιβεβαιώσει μοντέλα. Είναι κοινό μυστικό πως επειδή το ML εξαρτάται πολύ απο τα δεδομένα, οι researchers ασχολούνται αναγκαστικά πολύ με το κομμάτι της συλλογής/εξόρυξης και του "καθαρισμού" των δεδομένων. 
Τώρα, αν θες να ασχοληθεις πιο πολύ με "καθαρό" AI και ML/DL, αυτό συνήθως γίνεται σε πιο ερευνητικό επίπεδο και λίγες θέσεις εργασίας που επίσης συνήθως προκύπτουν μέσω εργαστηρίων και των κύκλων των ερευνητών (βλέπε microsoft/samsung research labs etc.). Εκεί μεταπτυχιακά (σίγουρα) και διδακτορικά (συχνά) χρειάζονται για να μπορείς να "μπεις στην συζήτηση" και τα θέματα μπορεί να αφορούν μεγάλα Translation Models, speech recognition, Federated Learning, Network Architecture Search, Distributed Machine Learning, Generative Models και άλλα.
Αν μιλάμε για Data Science, εκεί συνήθως  ασχολείσαι περισσότερο με τα data pipelines, γραφήματα και επεξηγήσεις. Σαν επέκταση αυτού, εφαρμόζονται και κάποια βασικά κομμάτια ML αλλα περισσότερο για να επιβεβαιώσεις hypotheses που μπορεί να έχεις για την συσχέτιση των data points του dataset σου μέσω της μετέπειτα ανάλυσης που θα κάνεις, παρά για να στήσεις το GPT-4.

Βέβαια για να ξέρουμε και τι λέμε, αυτά είναι και notions που ακομα και τώρα βρίσκονται σε διαδικασία να γίνουν standardized στο εξωτερικό....Στην Ελλάδα υπάρχουν θεωρώ περισσότερο σαν όροι στον αέρα παρά σαν actual industry. Ακόμα και data science θέσεις που διαφημίζονται ανα καιρούς περισσότερο backend engineers on steroids ψάχνουν παρά data scientists....

[DrKo]

Στις 26/6/2022 στις 4:22 ΜΜ, panoschr είπε

Έπειτα από αναζήτηση σε αγγελίες εργασίας πάνω σε αυτές τις θέσεις, διαπίστωσα ότι οι εργοδότες δεν έχουν ως προαπαιτούμενο ένα Master πάνω στο αντικείμενο, αλλά κυρίως την εργασιακή εμπειρία. Αξίζει να κάνω μεταπτυχιακό το οποίο ασχολείται περισσότερο με το Data Analytics ενώ μου αρέσει περισσότερο η Μηχανική Μάθηση και τα Νευρωνικά Δίκτυα; Μήπως είναι τόσο ανεπαίσθητη η διαφορά τους που μπορείς να εξελιχθείς όπως εσύ θες; Τέλος, μήπως είναι προτιμότερο να ξεκινήσω να δουλεύω στον χώρο εργασίας όσο νωρίτερα γίνεται ώστε να αποκτήσω εμπειρία και αργότερα να σκεφτώ τα μεταπτυχιακά; Θα ήθελα να μου πείτε την γνώμη σας και τις εμπειρίες σας.

Για αρχή, data analysts και data scientists είναι, μερικές φορές, το ίδιο πράγμα. Δηλαδή, μερικές εταιρίες βαφτίζουν τους DA ως DS. Η διαφορά ενός DA με έναν DS είναι ότι ο δεύτερος θα εστιάσει στο να παράξει ένα μοντέλο που να έχει κάποια έξοδο, ενώ ο πρώτος στο να εξηγήσει τι δείχνουν ή/και τι κρύβουν τα δεδομένα. Δηλαδή ο analyst θα κάτσει να σκάψει τα δεδομένα για να εξηγήσει τι μπορούμε να δούμε από αυτά και θα βρει τον καλύτερο τρόπο για να το δείξει αυτό που μπορούμε να δούμε, ενώ ο scientist θα σκάψει τα δεδομένα για να βρει τι χαρακτηριστικά μπορούμε να εξάγουμε και τι legacy ML αλγόριθμο να χρησιμοποιήσουμε ώστε να αυτοματοποιήσουμε το «πάρσιμο» αποφάσεων. 

Έτσι, συνήθως οι DA ξέρουν από tools που κάνουν plot δεδομένα από βάσεις με template/online queries ενώ οι DS εστιάζουν κυρίως σε legacy ML αλγόριθμους. Δηλαδή, και οι DS κάνουν ML. Ένα logistic regression είναι μηχανική μάθηση (στην πιο απλή της μορφή), αλλά είναι και το «ψωμί και βούτυρο» των DS.

Τώρα, σχετικά με τις ειδικότητες του machine learning, εκεί έχουμε και τους engineers και τους scientists. Η διαφορά των ML scientists με των DS είναι πως οι πρώτοι εστιάζουν στο πώς θα μάθει ένα σύστημα (δηλαδή, την διαδικασία μάθησης) ενώ οι δεύτεροι στο τι θα χρησιμοποιηθεί (τι δεδομένα δηλαδή) για να μάθει ένα σύστημα. Και οι δυο κλάδοι, machine learning κάνουν. Όμως, οι ML scientists θα εστιάσουν στην διαδικασία που θα μάθει το σύστημα μόνο του (διαδρομές σημάτων μάθησης, αρχιτεκτονικές μάθησης κ.α.) χρησιμοποιώντας raw δεδομένα ή χαρακτηριστικά που δεν είναι τόσο περίτεχνα κατασκευασμένα, ενώ οι DS θα αναλύσουν τα δεδομένα τους και θα κατασκευάσουν περίτεχνα χαρακτηριστικά που μπορούν να βοηθήσουν έναν απλό ML αλγόριθμο να έχει καλή απόδοση.

Οι ML engineers είναι πονεμένη ιστορία και, κυρίως, εξαρτάται από την εταιρία το τι είναι. Από IT που κάνουν “Ops” για DS μέχρι applied scientists που πλαισιώνουν theoretical ML scientists. Κάθε εταιρία ορίζει όπως θέλει όλα τα παραπάνω, αλλά ειδικά στους ML engineers γίνεται χαμός.

Τέλος, σε μεγάλες εταιρίες μόνο ως DA μπαίνεις χωρίς διδακτορικό, όμως σίγουρα με μεταπτυχιακό. Στην Ελλάδα είναι ελάχιστες οι εταιρίες που μπορούν να υποστηρίξουν ML scientists, φάση 5-10. Για να μπεις σε αυτές πρέπει να σε ξέρουν, όχι γιατί «θέλει βύσμα» αλλά γιατί είναι τόσο εξειδικευμένο το αντικείμενο (στην Ελλάδα) και τόσο μικρή η αγορά εργασίας, που δεν τους παίρνει διαφορετικά. Στο εξωτερικό, θα δεις και DS χωρίς διδακτορικό και ούτε και μεταπτυχιακό στο αντικείμενο, αλλά μόνο με κάποια (ακόμα και μικρή, για junior θέσεις) εργασιακή εμπειρία. Βέβαια, το τι δουλειά θα κάνεις, θα είναι ανάλογη των απαιτήσεων, κοινώς, θα πήξεις στο logistic regression και στο linear regression, άντε και λίγο trees από sklearn. Δηλαδή, ό,τι κάνανε οι άνθρωποι το 80-90.

Τέλος, προσωπική μου γνώμη είναι πως χωρίς σοβαρή ακαδημαϊκή γνώση ML, δεν πας πουθενά και θα καταλήξεις να λες τραγικά, όπως «αφού ο binary classifier έχει 20% accuracy, ας αντιστρέψουμε τις κλάσεις να βγάζει 80% accuracy». Βέβαια, για όλους έχει δουλειά, και εγώ είμαι απλά ένας τυχαίος σε ένα forum. 

Υ.Γ. Μόλις είδα το πρόγραμμα σπουδών του ΜΠΣ του ΠΑΜΑΚ. Δεν αξίζει εάν δεν θέλεις να πας για analyst. Το ΜΠΣ του auth, είναι αρκετά καλό σε μερικά κομμάτια, βασικά τα μαθήματα δύο τύπων (ονόματα δε λέμε), που είναι πάνω σε robotics/vision και είναι καλά ακόμα και με ευρωπαϊκά κριτήρια. Τα άλλα είναι mediocre έως και ξεπερασμένα.

Στην Ελλάδα δεν παίζει να βρεις καλό μεταπτυχιακό για ML. 

Επεξ/σία 1 Ιουλίου 2022 από DrKo

[oneiricocelot]

4 ώρες πριν, DrKo είπε

Για αρχή, data analysts και data scientists είναι, μερικές φορές, το ίδιο πράγμα. Δηλαδή, μερικές εταιρίες βαφτίζουν τους DA ως DS. Η διαφορά ενός DA με έναν DS είναι ότι ο δεύτερος θα εστιάσει στο να παράξει ένα μοντέλο που να έχει κάποια έξοδο, ενώ ο πρώτος στο να εξηγήσει τι δείχνουν ή/και τι κρύβουν τα δεδομένα. Δηλαδή ο analyst θα κάτσει να σκάψει τα δεδομένα για να εξηγήσει τι μπορούμε να δούμε από αυτά και θα βρει τον καλύτερο τρόπο για να το δείξει αυτό που μπορούμε να δούμε, ενώ ο scientist θα σκάψει τα δεδομένα για να βρει τι χαρακτηριστικά μπορούμε να εξάγουμε και τι legacy ML αλγόριθμο να χρησιμοποιήσουμε ώστε να αυτοματοποιήσουμε το «πάρσιμο» αποφάσεων. 

Έτσι, συνήθως οι DA ξέρουν από tools που κάνουν plot δεδομένα από βάσεις με template/online queries ενώ οι DS εστιάζουν κυρίως σε legacy ML αλγόριθμους. Δηλαδή, και οι DS κάνουν ML. Ένα logistic regression είναι μηχανική μάθηση (στην πιο απλή της μορφή), αλλά είναι και το «ψωμί και βούτυρο» των DS.

Τώρα, σχετικά με τις ειδικότητες του machine learning, εκεί έχουμε και τους engineers και τους scientists. Η διαφορά των ML scientists με των DS είναι πως οι πρώτοι εστιάζουν στο πώς θα μάθει ένα σύστημα (δηλαδή, την διαδικασία μάθησης) ενώ οι δεύτεροι στο τι θα χρησιμοποιηθεί (τι δεδομένα δηλαδή) για να μάθει ένα σύστημα. Και οι δυο κλάδοι, machine learning κάνουν. Όμως, οι ML scientists θα εστιάσουν στην διαδικασία που θα μάθει το σύστημα μόνο του (διαδρομές σημάτων μάθησης, αρχιτεκτονικές μάθησης κ.α.) χρησιμοποιώντας raw δεδομένα ή χαρακτηριστικά που δεν είναι τόσο περίτεχνα κατασκευασμένα, ενώ οι DS θα αναλύσουν τα δεδομένα τους και θα κατασκευάσουν περίτεχνα χαρακτηριστικά που μπορούν να βοηθήσουν έναν απλό ML αλγόριθμο να έχει καλή απόδοση.

Οι ML engineers είναι πονεμένη ιστορία και, κυρίως, εξαρτάται από την εταιρία το τι είναι. Από IT που κάνουν “Ops” για DS μέχρι applied scientists που πλαισιώνουν theoretical ML scientists. Κάθε εταιρία ορίζει όπως θέλει όλα τα παραπάνω, αλλά ειδικά στους ML engineers γίνεται χαμός.

Τέλος, σε μεγάλες εταιρίες μόνο ως DA μπαίνεις χωρίς διδακτορικό, όμως σίγουρα με μεταπτυχιακό. Στην Ελλάδα είναι ελάχιστες οι εταιρίες που μπορούν να υποστηρίξουν ML scientists, φάση 5-10. Για να μπεις σε αυτές πρέπει να σε ξέρουν, όχι γιατί «θέλει βύσμα» αλλά γιατί είναι τόσο εξειδικευμένο το αντικείμενο (στην Ελλάδα) και τόσο μικρή η αγορά εργασίας, που δεν τους παίρνει διαφορετικά. Στο εξωτερικό, θα δεις και DS χωρίς διδακτορικό και ούτε και μεταπτυχιακό στο αντικείμενο, αλλά μόνο με κάποια (ακόμα και μικρή, για junior θέσεις) εργασιακή εμπειρία. Βέβαια, το τι δουλειά θα κάνεις, θα είναι ανάλογη των απαιτήσεων, κοινώς, θα πήξεις στο logistic regression και στο linear regression, άντε και λίγο trees από sklearn. Δηλαδή, ό,τι κάνανε οι άνθρωποι το 80-90.

Τέλος, προσωπική μου γνώμη είναι πως χωρίς σοβαρή ακαδημαϊκή γνώση ML, δεν πας πουθενά και θα καταλήξεις να λες τραγικά, όπως «αφού ο binary classifier έχει 20% accuracy, ας αντιστρέψουμε τις κλάσεις να βγάζει 80% accuracy». Βέβαια, για όλους έχει δουλειά, και εγώ είμαι απλά ένας τυχαίος σε ένα forum. 

Υ.Γ. Μόλις είδα το πρόγραμμα σπουδών του ΜΠΣ του ΠΑΜΑΚ. Δεν αξίζει εάν δεν θέλεις να πας για analyst. Το ΜΠΣ του auth, είναι αρκετά καλό σε μερικά κομμάτια, βασικά τα μαθήματα δύο τύπων (ονόματα δε λέμε), που είναι πάνω σε robotics/vision και είναι καλά ακόμα και με ευρωπαϊκά κριτήρια. Τα άλλα είναι mediocre έως και ξεπερασμένα.

Στην Ελλάδα δεν παίζει να βρεις καλό μεταπτυχιακό για ML. 

Εξαιρετική απάντηση, συμφωνώ παντού εκτός από το τελευταίο με τον DrKo. Σε οποιδήποτε μεταπτυχιακό μεγάλη σημασία έχει τι δουλειά θα βγει και τι θα μάθεις στη διπλωματική σου με τον επιβλέποντα καθηγητή.

[DrKo]

1 ώρα πριν, oneiricocelot είπε

Εξαιρετική απάντηση, συμφωνώ παντού εκτός από το τελευταίο με τον DrKo. Σε οποιδήποτε μεταπτυχιακό μεγάλη σημασία έχει τι δουλειά θα βγει και τι θα μάθεις στη διπλωματική σου με τον επιβλέποντα καθηγητή.

Διαφωνώ. Αφενός η διπλωματική είναι ένα μέρος και, αφετέρου, εάν ούτε ο καθηγητής ξέρει ούτε εσύ θα μάθεις.

Η Ελλάδα είναι, ακαδημαϊκά, αρκετά πίσω από το τι γίνεται έξω. Επίσης, εάν δεν μάθεις τίποτα στα μαθήματα, τότε δεν θα είσαι ικανός να κάνεις διπλωματική.

Μπορεί η διπλωματική να είναι αυτό που μένει για μετά, αλλά εάν το ΜΠΣ δεν είναι καλό τότε και η διπλωματική δεν θα μετράει και εσύ δεν έχεις μάθει τίποτα και κανείς δεν θα ενδιαφερθεί για το τι ΜΠΑ τελείωσες. 

[KatalanosGR]

Επαναφέρω ξανά λίγο το θέμα γιατί και εγώ αναρωτιέμαι για το τι αξίζει να ακολουθήσω. Είμαι μεταξύ data &web science και ai (και τα δύο του ΑΠΘ). Βλέποντας τα μαθήματα και των δύο προγραμμάτων, βλέπω ότι στο ai έχει κάποια μαθήματα τύπου computer vision ή στατιστική μάθηση που μου αρέσουν πολύ. Απ' ότι καταλαβαίνω στο ai είναι καλύτερη περίπτωση αν θέλω να κάνω research κλπ, ενώ το data & web science μου ανοίγει περισσότερες επιλογές στην εργασία. Επειδή δεν ξέρω ακριβώς τι θέλω να κάνω μιας και δυστυχώς δεν έχω καταφέρει να δουλέψω στον χώρο του it, με ενδιαφέρει να έχω καλές πιθανότητες εύρεσης εργασίας γι'αυτό και σκέφτομαι να επιλέξω το  data science μεταπτυχιακό αντί για το ai (που μου αρέσει περισσότερο). Θα ήθελα να ρωτήσω αν γνωρίζετε τα εξής:

1) Θέσεις τύπου data scientist, data engineer μπορεί να διεκδικήσει ένας με μεταπτυχιακό ai (δεδομένου ότι γνωρίζει τις βασικά tools που απαιτούνται).

2) Αντίστροφα, γίνεται ένας που έχει σπουδάσει data science να απασχοληθεί ως machine learning engineer ? 

Το background μου είναι προπτυχιακό στα μαθηματικά btw.