Peut-être que oui, peut être que non

Je vais être honnête avec vous : Personnellement, j’ai abandonné l’idée de faire un doctorat. Soit dit en passant, un doctorat donne à penser qu’une personne a fait beaucoup d’études supérieures. Soyez diplômé de votre doctorat, et vous êtes un geek parmi 10 000. Abandonnez votre doctorat et vous serez un geek nerveux et imprévisible. Les gens vont se demander quelle autre chose imprévisible vous pourriez faire ensuite. « Elon Musk a abandonné ses études supérieures« , diront-ils. « Ce mec pourrait être comme Elon! ». Je vais trop loin là J

Et il en va de même pour un Master. C’est vrai pour les futurs professionnels en TIGE, mais cela est encore plus vrai pour les Data Scientist junior, et je vous expliquerai pourquoi dans une seconde.

Mais d’abord, vous vous demandez peut-être comment je le sais.

Eh bien c’est simple : je travaille dans une start-up : Bouge Ton Qode où nous formons les prochains Data Scientist junior et expérimnté. Et grâce à ce travail, j’ai probablement interrogé plus d’un millier de Data Analyst / Scientist junior / Ingénieur en Machine Learning via des études quantitaves et qualitétives – certains titulaires d’un doctorat, d’une maîtrise, d’une licence, et d’autres qui ont abandonné leurs études. Et cela m’a apporté une chose rare et précieuse : un échantillon statistiquement significatif d’histoires de carrière dans le domaine de la Data Science.

Et voici ce que j’ai appris de ces histoires : il y a des moments, des contextes voire des personnes qui donnent plus ou moins de sens à ces diplômes. Et étant donné que la plupart des gens se tournent vers les conseillers d’orientations pour décider de faire ou non des études supérieures, ils ont tendance à ne pas avoir une image complète de ce qui s’y passe avant de s’inscrire.

Alors prenons l’avis d’un ancien universitaire devenu entrepreneur : tous les diplômes ne sont pas pour tout le monde. Voici pourquoi.

1. Le doctorat

[Attention: cela risque de contrarier beaucoup de personnes ayant un doctorat. Je m’excuse d’avance.]

« J’ai vu qu’un doctorat est nécessaire pour beaucoup d’emplois en Data Science. Ai-je besoin d’un doctorat pour devenir Data Scientist ? »

Oh mon dieu non, pas du tout.

Ne vous méprenez pas, passer la vie avec un PhD, ces trois lettres supplémentaires dans votre signature électronique est un avantage certain. Je me dis parfois que j’aurais peut-être dû m’y accrocher pour cette seule raison. Mais la réalité revient plus rapidement que l’on pense.

Si votre objectif est de devenir un Data Scientist ou un chercheur en machine learning, un doctorat « pourrait » être un bon coup. Mais il y a aussi deux grandes raisons pour lesquelles ce n’est peut-être pas le cas :

  1. Obtenir un doctorat prend VRAIMENT très longtemps.
  1. Il est peu probable que vous appreniez quelque chose d’important à moins d’obtenir le «bon» doctorat de la part du «bon» formateur .

A propos du premier point : En Europe, un doctorat prend entre 3 et 5 ans, j’ai même eu des réponses montant à 8 ans. Le délai moyen d’achèvement est généralement de 5 ans. Maintenant, mettons cela en perspective.

Hors il y a 5 ans, voici ce qu’un Doctorant pouvait apprendre : Spark, XGBoost, GloVe, spaCy, TensorFlow, Keras, Pytorch, InceptionNet, ResNet, etc etc…

Donc, à moins que vous ayez décidez d’apprendre par vous-même ces choses-là quand elles sont sorties (dans ce cas, je ne suis pas sûr que les études supérieures méritent du crédit), il y a une chance pour que votre doctorat vous ai laissé dans la position de quelqu’un congelé en 2012, pour être réanimé aujourd’hui comme un novice complet. De toute façon, vous vous retrouverez dans un nouveau monde de techniques de Data Science que vous devrez apprendre vous-même après la remise des diplômes.

Le fait est que les choses vont très vite dans le domaine de la Data Science et du machine learning, et qu’ils ne bougeront que plus vite dans le futur. Donc, si vous envisagez un doctorat dans un domaine lié à la science des données ou au machine Learning, et que votre objectif est de travailler dans ce se secteur un jour, gardez simplement à l’esprit que vous placez un pari sur le domaine dans lequel vous êtes spécialisé. Vous comptez sur sa pertinence et sur une forte demande lorsque vous obtiendrez votre diplôme. Et cela peut être un pari risqué, avec des enjeux assez élevés.

A propos du deuxième point : réfléchissez un instant pour savoir qui vous forme, et demandez-vous pourquoi il ne travaille pas déjà chez Google ou Facebook.

Bien sûr, il y a des gens qui préfèrent simplement la recherche universitaire à la science des données ou à l’apprentissage automatique. Toutefois, il convient de garder à l’esprit que les sommes offertes aux principaux talents du marché sont suffisamment élevées pour qu’il y ait une pression sélective à la baisse sur les personnes qui restent dans le monde universitaire.

Et bien sûr, il existe des endroits où vous pouvez trouver systématiquement des exceptions à cette règle. Ce sont généralement des programmes super-élites comme le Vector Institute ou MILA au Canada, ou des programmes de science des données au MIT et à Berkeley aux États-Unis. Vous les reconnaitrez quand vous les verrez, mais gardez simplement à l’esprit que votre université ou cette école qui figure parmi les «200 meilleurs» au monde, n’est probablement pas si efficace que cela.

Pour résumer : si vous êtes seulement intéressé à devenir un ingénieur en machine learning chez Airbnb, alors bien sûr, un doctorat pourrait être l’un des moyens précieux de passer la porte. Mais ne vous attendez pas à être embauché dans une entreprise platine + si vous n’effectuez pas votre doctorat dans un programme platine +.

Mais si vous recherchez un rôle plus réaliste dans la Data Science, un doctorat est rarement le bon choix. Vous ferez mieux d’investir ces 4 à 8 ans pour acquérir une expérience professionnelle en tant que Data Scientist, où vous apprendrez de nouvelles techniques dès leur apparition et où vous serez mieux à même d’anticiper les nouvelles tendances et de rester devant celles-ci.

2. Le Master

 

Avez-vous besoin d’un Master pour faire de la Data Science ?

Ça dépend. Voici un petit jeu que je viens de créer. Additionnez les points qui vous concernent et si le total est supérieur à 6, la réponse est sera oui : un Master sera probablement utile.

  • Vous avez une formation «dure» en TIGE (physique / mathématiques / premier cycle ou autre diplôme) ? 0 points
  • Vous avez une formation «douce» en TIGE (premier cycle en biologie / biochimie / économie ou autre diplôme / diplôme) ? 2 points
  • Vous avez un background non-TIGE ? 5 points
  • Vous avez moins de 1 an d’expérience de travail avec Python ? 3 points
  • Vous n’avez jamais eu d’emploi impliquant du codage ? 3 points
  • Vous ne pensez pas être bon pour apprendre une compétence tout seul ? 4 points
  • Vous ne comprenez pas ce que je veux dire quand je dis que ce petit jeu est système d’algorithme de régression logistique ? 1 point

Mises en garde :

→ Vous devez vous demander si vous avez besoin d’un master complet en Data Science ou d’un bootcamp ? Si vous choisissez de faire un bootcamp, gardez ces éléments à l’esprit : est-ce qu’on vous demande de payer à l’avance sans la garantie d’être embauché par la suite ? Existe-t-il un service de carrière associé au bootcamp ?

→ La plupart des gens sont sceptiques quant aux bootcamps. À juste titre. Mais ce qui manque à la plupart des gens, c’est qu’ils devraient être tout aussi sceptiques à l’égard de toute maîtrise universitaire qui ne fournit pas une garantie de placement. Les diplômes de maîtrise sont des bootcamps. Traitez-les de cette façon. Si vous ne vous concentrez pas sur vos notes, concentrez-vous sur ce que vous apprenez. Demandez à quoi ressemblent les taux d’emploi des diplômés de votre programme. Les universités ont une façon amusante de convaincre leurs étudiants qu’un programme facile est un bon programme ou qu’il vous rend service en vous laissant simplement entrer. C’est un jeu psychologique renforcé par la « croyance conventionnelle » dépassée que les diplômes universitaires ont une valeur indépendante. Mais votre objectif est d’être embauché, et non d’investir de votre temps pour un bout de papier

Même si vous terminez un master, vous aurez beaucoup de compétences à perfectionner. Et probablement un peu plus que prévu. Mais tant que le programme est court (JAMAIS un programme de 2 ans + programme de maîtrise), et que le prix n’est pas trop élevé, cela en vaut vraiment la peine.

3. Une licence

En général, oui, vous aurez besoin d’un diplôme de premier cycle pour maitriser les Data Science. Pas nécessairement parce que vous avez besoin de connaissances, mais parce que les entreprises ne sont pas encore prêtes à accepter l’idée qu’être autodidacte + faire un bootcamp et certains cours en ligne peuvent réellement vous préparer à l’emploi (même si dans certains cas, cela peut absolument). .

Mais voici la chose avec les diplômes de premier cycle.

Ce ne sont pas des emplois. Et si vous parlez à n’importe qui des technologies, vous vous rendrez vite compte que les emplois technologiques >> sont une école pour apprendre la technologie. Cela tient en partie au fait que les programmes enseignés au premier cycle sont généralement périmés depuis environ 5 à 10 ans. Et cela peut aller si vous êtes dans un domaine qui ne change pas beaucoup, comme la physique, les mathématiques ou les statistiques.

Mais si vous êtes ingénieur, et que vous avez un stage d’été dans une grande entreprise et que vous souhaitez différer votre diplôme (ou abandonner vos études) pour obtenir plus d’expérience professionnelle, c’est une chose que vous devriez envisager à faire à 100%. Si le but de vos étudiants de premier cycle est d’obtenir un emploi, il n’ya pas grand intérêt à payer plus de frais de scolarité pour conclure si vous avez déjà obtenu un poste dans une entreprise suffisamment puissante pour vous permettre d’acquérir vos deux premières années d’expérience.

Diplôme ou pas diplôme alors

Maintenant, je ne suis absolument pas en train de dire que vous devriez simplement quitter votre bac, votre licence, votre master ou doctorat. Tout ce que je dis, c’est que plus de personnes devraient en général être plus disposées à laisser leurs diplômes inachevés * si * ils ont effectué un stage et que cela se transforme en une offre concrète de travail à temps plein. Cela n’arrive pas très souvent, mais je suppose que cela est en grande partie dû au fait que tant d’étudiants de premier cycle supposent que terminer son diplôme est « ce que les bonnes personnes font ».

Les conseils que j’ai donnés ici sont non conventionnels à bien des égards. Mais dans un domaine en rapide évolution tel que la Data Science, la convention peut souvent prendre beaucoup de retard par rapport à ce qui est optimal. En tant que société, notre perception de la valeur de l’enseignement supérieur est l’un des aspects de la croyance conventionnelle qui a le plus grand besoin de rattraper son retard sur la réalité.

? Ebook gratuit : 7 soft skills essentiels pour devenir Data Scientist

? Cet article peut intéresser un ami(e), partagez lui

? Participe gratuitement à nos prochains Meetup

La note globale de cet article est
[Total: 0 Average: 0]
Est-ce que cet Article vous a été utile? Utile Pas utile
Partager cet article