机器学习相关课程都能在网上学，那还有必要读研究生吗？

每到研究生入学考试出分的时候，网上都会有一波要不要读研究生的争论。

争论分为正反两个方面，辩手包括本科在读学生、本科毕业生、研究生在读学生、职场人士。。.。。.

争论的焦点在于读研三年和工作三年哪种方式更能促进个人的发展。

有人认为研究生学习就那的就那几本书，职场人士在网上学习也能获得个人技能的增长。另一部分人认为读研重要的不是知识，是思维，是关系，是平台。当然不同的专业、行业针对论点的论据不同，但围绕的几点无非是：资源、技术、人脉、钱。

下面AI科技评论想谈谈：既然机器学习相关课程都能在网上学，那还有必要读研究生吗？

技能获取：网课VS读研

网课的定义是能用电子设备通过互联网学习知识、技能的线上课程，有视频、图片、音频等方式。这种定义本身就意味着知识学习门槛的降低，毕竟买一台电脑，连接一个快速点的网络的成本还是比较低的。另外，疫情下的这几个月，虽然在线网课遭受了很多吐槽，但这一定程度上也证明了此种教育模式的可行之处。

所以，上网课学习知识并不是假命题。具体到机器学习相关专业，读研所接受知识的模式和网上学习模式两者唯一不同的是一个“面授”，另一个是网络授课。

研究生如果想看网上的课程的门槛和非学生的成本一样，如果非学生想接受“面授”，即使是蹭课，往往也需要付出一定的成本。从技能进阶的角度来看，机器学习研究生的培养模式往往都是由本校学院制定，这些学生如果想自学网课，那么就先要完成学校规定的学分，老师指派的论文，有时候这些论文，学分很大程度上可能是与专业知识无关的思政教育。

南京大学AI本科培养体系

而只进行网课学习的机器学习爱好者的技能进阶模式当前也是比较清晰，先从吴恩达教授的机器学习入门，然后可以看看李宏毅教授的深度学习，然后在啃一遍周志华的西瓜书巩固基本知识。。.。。.如果仅仅不清楚学习课程的顺序，知乎高赞回答有一大把。

另外，在网上自学机器学习课程的人大多数都是在职从业者，其所选择课程也更有自主性、针对性，所以，如果不考虑毅力等因素，单从学习技能的角度，或许网上机器学习能够代替研究生教育。

人脉获取：导师制度VS公司平台

不同于人文社科，机器学习作为工科类目下的专业，更加要求实操经验。毕竟无论是相关从业者还是研究生都要求一定的编程能力。

研究生在校期间，学生一般都是跟着导师做项目，所能接触到的人脉和资源直接取决于导师的“咖位”，导师在学术界越有名气，学生身旁的师兄和师姐以及合作者就越优秀。另外，研究生学校所在的地方也很能决定问题，如果在北京，学校之间的交流肯定少不了，借着导师平台，能迅速接触到大牛，遇到更优秀的人。

从网课的角度来说，去上网课不会和授课人做朋友。但是在大学，你就是导师的学生，有一位导师对未来职业发展会有好处，不管是直接给你一份工作，哪怕是给你提供一些建议，这都是很宝贵的。虽然说在公司，一个好的团队，学的东西并不比在学校少。

也有可能本科毕业的你能力吊打同龄研究生毕业生。但关键是，国内的互联网巨头，明星AI创业公司，算法岗基本都是标配研究生，除非你是本科生里很强的那种人，例如ACM获奖者，或者有不错的算法比赛成绩。否则很难进去。除非选择小公司，但小公司入坑的概率比巨头高一些。［1］

最后，我们考虑下极端的情况，一段有毒的硕士生历程，比一份有毒的工作，毒性更强。毕竟，读研期间换实验室、换专业，比在职场上换工作难很多。毕竟，对许多人来说，读研并没有那么有趣。待遇不高，就业前景未知，多个需求存在矛盾之处，不被尊重…。。许多因素都可能影响到研究生的心理状态。在研究生中，体重波动、疲劳、头痛、胃痛、神经质和酗酒，也都不少见。

金钱的获取：公司招聘更看重学历还是更看重项目和经历？

从解决信息不对称的角度来看，公司在招聘的时候都会加大对学历的考察。毕竟在网上学习课程的门槛比较低，而从网上“毕业”的门槛也比较低，而不论研究生的进入门票，还是毕业限制，在企业心中都是衡量一个人能力的标准之一。

虽然进入公司之后，才发现那些没读研究生的同事，生产力往往更强，也更能帮到其他同事。看看招聘要求，很多公司都希望从事机器学习工作的员工有硕士及以上学历。

因为对于机器学习、人工智能之类的技术导向的工作，确实已经有了一些成熟的技术方法，但是这些技术方法还在持续改进发展，几乎每天都有无尽的新论文出现，每过一两个月各种新技术就会跑出来一堆……更何况很多很多领域之前并没有使用这一类AI技术，需要让既有技术适应新的应用目标，这也需要不小的实践与研究能力。

而最简单能用来证明这种研究能力的方式，而且便于HR筛选的方式，就是硕士学历。也就是说，开发型工作、研究性工作，更多的是看重学历。而大多数人在网上学习的机器学习课程，也更多的是针对技术研究型的工作，所以如果没有“大公司”丰富的工作经历加持，仅仅依靠一套机器学习网上教程，或许很难拿到高薪职位。

那么，除了读研就没有更加清晰展现自己能力的方式了么？肯定是有的！kaggle上的一些数据科学比赛，就是很好的切入点，如果在学完吴恩达的机器学习课程之后，如果能积极参赛，和别人交流经验，并且能够拿到名次，你的简历不比一些毕业研究生差。

另外，阿里主办的数学竞赛也已经开始，据爆出来的题目，极大的考察了数学应用能力，而机器学习也比较看重数学的应用。。.。。.不管是读研还是自学，都需要积极上进的心思，当前拥抱最新技术的“姿势”，还是读一些顶会论文，固定的做一些读论文的工作，然后把自己的心得体会开源出来，这对于自己成长的帮助不言而喻。

不读硕士学位也能获得科研能力：读

上面说了这么多，那么读个硕士学位有用么？答案是肯定的，但是考虑到时间成本和金钱成本等具体情况，每个人的选择都会不一样。

例如，吴恩达教授曾在一次采访中说过，不是所有的机器学习都需要硕士、博士背景做支撑，但是如果能有机会去斯坦福，麻省理工的学习背景也是极棒的。

而在国内，能去北大、清华等超一流高校有一份求学经验，能带给你眼界、金钱、机会的激励也会超出你的想象。

那么，不读硕士学位如何快速提升自己的科研能力，答案是读论文：5-20篇论文（在选择的领域，比如语音识别）=》这可能是足够的知识，你可以实现一个语音识别系统，但可能不够研究或让你处于前沿。

50-100篇论文=》你可能会对这个领域的应用（语音识别）有很好的理解。如何高效的读论文？在 CS230 课程中，吴恩达对于研究规划与如何读论文也提出了他的一些建议。

1、阅读文章标题、摘要和图：通过阅读文章标题、摘要、关键网络架构图，或许还有实验部分，你将能够对论文的概念有一个大致的了解。在深度学习中，有很多研究论文都是将整篇论文总结成一两个图形，而不需要费力地通读全文。

2、读介绍+结论+图+略过其他：介绍、结论和摘要是作者试图仔细总结自己工作的地方，以便向审稿人阐明为什么他们的论文应该被接受发表。此外，略过相关的工作部分（如果可能的话），这部分的目的是突出其他人所做的工作，这些工作在某种程度上与作者的工作有关。因此，阅读它可能是有用的，但如果你不熟悉这个主题，有时很难理解。

3、通读全文，但跳过数学部分。

4、通读全文，但略过没有意义的部分：出色的研究意味着我们发表的东西是在我们的知识和理解的边界上。