在新加坡读在职博士是一种怎样的体验
所在版块：心情闲聊 发贴时间：2019-07-17 10:35  评分:  更多评分:

用户信息
复制本帖HTML代码
高亮: 今天贴 X 昨天贴 X 前天贴 X 
前言

从2014年7月第一次来到新加坡求学，转眼已经满五年了。记得我当时还在美国、香港和新加坡留学之间犹豫，现在反而觉得，新加坡无疑是集学习、工作和家庭的最佳平衡点。我在新加坡国立大学完成了一年了商业分析（business analytics）硕士学习，进入本地职场工作了一年后，又开始了在职的统计与应用概率（statistics and applied probability）博士学习。由于新加坡的在职博士少之又少，我便借着本次分享，以小样本的视角聊聊以下几个方面的内容，具体包括：新加坡博士和硕士项目的区别有哪些？在职博士相比全职博士的优势和劣势有哪些？我为何选择读在职博士？在职博士的时间和费用投入是多少？拥有博士学位对就业起薪和长期发展有何影响？希望看完这篇文章，能帮助你对本地在职博士有更加深入的了解。在数据分析这行，技术日新月异，从业者不得不抱着终身学习的态度来保持自己的竞争力。而获得更高的学位，从统计学上来讲，又会让你处于更高的起点，在职场上多些发展机会。

新加坡博士和硕士项目的区别有哪些？

在课程设置上，从课程数量来看，硕士项目需要全职学生在一年内修满十门课，分两学期，每学期修五门课，这样就意味着每天都有课要上。而博士课程仅要求在五年内修满六门必修课即可。相比而言，硕士课程的设置更加偏应用，主要旨在向各大企业推出熟悉常用大数据建模理论和实践的综合性人才，也因此往往涵盖较多的主题，每块内容差不多点到为止。学生也可以选择自己想要专注的领域，比如金融，以便毕业之际更好的进入银行等金融机构。博士项目虽然只有六门课，但每门课的难度要大得多，具体体现在几乎全盘的理论教学、定理推导与证明。比如很常见的logistic regression，硕士课程一般最多会涉及到它本质上的maximum likelihood estimation求解方法，而博士课程会要求学生理解该方法的理论特性，比如在极限情况下（即样本量趋于无穷大）该estimator的性质如何，能不能给出最准确的估算，偏差是多少，如何证明等等。打个比方，我要从家里到公司上班，硕士课程会教我如何利用谷歌地图来搜索，选择最适合自己的路线，而博士课程会要求我理解并证明为什么搜索出来的结果是最佳或者最短路线，并且把包括交通拥堵和天气情况在内的各种因素考虑在内。因此，博士生需要用到比研究生更宽更远的视角来看待各类方法的理论特性。
我记得刚开始读博第一年的时候不知道难度这么大，就索性在第一个学期选了三门课，想着早修完早完事，结果被各种理论证明绕得团团转。上课的时候大部分都是听不懂的状态，以致于有些课就干脆不去，自己看书，结果可想而知。我从课堂和教材本身学到的知识很少，因为实在太难懂了，反而是课后请教同学把不懂的题目从零开始帮我疏导一遍，有时甚至是好几遍。这种从试题本身出发再回归理论的方法也是我一直以来的应试策略，对于意会知识的本质没多大用处，但在考试过关方面确实好使。就这样在同学的热心帮助和阅卷老师的仁慈下，我在第一年就顺利通过了博士资格考试。

在期末备考方面，博士课程更加注重考察对理论知识的理解和推导，题型也相对固定，这样对于以及格为目的的学生来说其实是个优势，因为只要掌握了主流题型的解题思路就不会差到哪儿去。相比之下，很多硕士课程的期末考试以做项目为主，几个人组成一个团队，开展小组讨论和写项目报告。在与同学和老师的日常交流方面，硕士课程普遍更加活跃，而有些博士课程里的老师讲完课就有人，在学生吸收程度方面不会下多少功夫，因此对于基础薄弱的同学来说跟上进度很费力。

总的来讲，硕士旨在培养学生的实践应用和团队协作能力，毕竟这两点在实际工作当中很重要。而博士主要考察学生的硬核理论知识，以便在日后更好的开展独立学术研究工作。

在职博士相比全职博士的优势和劣势有哪些？

在职博士与全职博士的毕业要求和学费完全一样，除了需要支出为数不少的学费，对单位时间内的产出也要求更高。全职博士在前四年每个月会有两千到三千新币的补助，当然也需要完成一定的助教工作。等到第五年没有学校补助了，一般会通过导师的项目经费来拿到资助，作为助理研究员来完成最后的学业。与全职博士能够在实验室做一整天研究相比，在职博士由于白天有全职工作，留出来做研究的时间其实并不多。比如很多时候我都要在工作和研究之间随时切换，这样就难以保证思考的连续性。很多感兴趣的论文也没太多时间去读，只能找准方向在一个点上面用力。导师对全职和在职博士的日常管理也不太一样，对全职学生来说更像是老板，而对有工作的在职同学会放松些，只要求定期汇报一下研究进度。

从我过去四年的经验来看，在职博士的自我管理能力直接决定了研究的进度与质量。往好的方面讲，读博期间工作也没耽误，虽然累一点，但能一石二鸟，和全职博士相比就多出来了五年的工作经验。但从学习效果上来看，由于无法在白天参加系里的学术交流会，和同学和老师的接触也很少，导致作为一个博士生的感觉不是很强。当然，工作可以作为无法参与学术活动的理由，但是在不能充分保证学习时间的前提下，整个过程其实是效率很低。有个同学刚开始也是读的在职，后来就直接转全职了。在羡慕之余，我也只能是心有余而力不足了，毕竟家里还有两个小宝宝要陪着玩。在家庭和工作面前，学习的质量只能受到妥协，毕竟一天的时间是有限的。

另外一点区别是，全职博士往往注重理论的延伸和创新，但在具体实践方面有所欠缺。比如之前的logistic regression的例子，除了它的理论特性，我会更加注重它在代码上面的实践，以一种工程师的眼光来看待问题。这点可能和我本科工程背景有关，但在学习数学和统计理论方面其实会很吃力，因为我总觉得，只有把某个算法的底层逻辑和实践弄清楚了，才算真正掌握，虽然很多时候忽略了大的理论框架。这也是我做研究比较慢的原因，太过纠结操作细节，以致于经常忘记对大局的考虑。

所以总结来看，如果你考虑读在职博士，最好能保证至少一天三四个小时的独立学习时间，工作上也比较轻松，而且最好是单身:)

我为何选择读在职博士？

在我硕士毕业工作一年，工作慢慢稳定后，突然觉得应该继续学点什么，毕竟工作的大部分内容对个人提升是没多大帮助的。加上当时比较闲，我就开始搜索跟数据分析相关并且提供在职选项的博士项目。在锁定目标项目之后，我便给感兴趣的老师一一发邮件，进而确定导师人选。这点与全职博士不太一样，需要在第二年考过资格考试之后才开始选导师。
在申请阶段还出现过一个小插曲，导致我差点没申请上。由于我的申请时间比较晚，而且本科学校不算太好，虽然拿了国大本校的硕士学位，但在博士申请上面我估计还是更看重本科的学校排名和专业。根据这点逻辑出发，也就比较好解释我的初次申请被拒了。不过我并没就此放弃，与其把命运交给黑盒子，倒不如自己去追根究底，找到可能的原因，以便日后加以改善。于是我便给系里的招生主任写了封措辞委婉的邮件，仔细阐述我的情况。在来回几次交流后，我惊讶地发现网上的申请状态从rejected变成了accepted。努力的人总会在某些事情上比别人更加幸运。所以如果我能把整个博士读下来，除了自身必要的努力外，其中的运气成分占有很大的比重，当然还包括老师的指点和家里的支持。

后来我遇到了跟我同导师的其他两位在职博士，发现我们都有几个共同点：都在国大读过跟统计相关的硕士课程（其中一位是我的学弟，后来进到系里才认识），而且都是自费型的在职博士。另外一点就是，虽然在新加坡进入职场（非研发机构）的博士生比较少见，在数据分析领域的更是为数不多，但在这行的本科和硕士生供给量不断增多的情况下（我之前读的硕士项目后来就扩招了一倍），读博反而成为增加个人竞争力的筹码。从数据上来看，数据分析职场上的博士生往往比硕士生更有优势，具体反应在工作机会和起薪上面，虽然差异不会跟拿学位所需要的时间投入成正比。不得不说，我能拿到现在的工作机会，也是跟我的在职博士身份有关。

所以如果你也想读在职博士的话，这里有几点建议。第一，确保自己工作上有充分的时间和自由，至少是读博的第一年。我之所以能在第一年就考过资格考试，很大程度上是因为当时老板的支持和我工作的性质。基本上只要我完成相应的工作，在确保我的利益相关方满意的前提下就可以做自己的研究了。这里顺便强调下，好的老板、同事和工作环境是提升个人能力的基础，好的基础就为个人发展提供了好的平台。如果平台不好而又想提升自己，那就要在近期换个更好的平台。对于如何判断一份工作是不是好的平台，看整个团队的离职率和员工在那的工作年限就知道了。

在职博士的时间和费用投入是多少？

在职博士的时间最长是五年，不能拖延，当然可以提前毕业。不同导师对毕业的要求不尽相同，主要是发论文的数量和质量。对于还未拿到PR的国际学生（我前两年就是），每年学费是32000新币左右。由于这是一笔不小的支出，学生可以签一份补助协议，这样可以学费减半，要求是毕业后在新加坡任何一个公司内任职三年即可。PR的学费是每年12000左右，而公民是最低的9000新币。虽然是一笔不小的开支，但是在报税的时候能有最高5000新币的学费减免。

拥有博士学位对就业起薪和长期发展有何影响？

据我观察，和数据分析相关的博士起薪应该在6000以上，银行可能会多一些。某些研发类的职位会更多，比如据说新加坡某打车软件公司能给到8000的起薪。虽然这个数字相当于博士毕业后工作三到五年能拿到的，但不可否认的是，总会有一批处于收入分布曲线上层的牛人把平均值拉高。

虽然从起薪上来看博士的投入产出比要比硕士少很多，但从长期来看还是很有竞争力的，具体表现在三个方面。

第一，拿到好工作的几率更大。很多职场青年人士在工作两三年就开始考虑跳槽，那么在考虑换工作的时候就会大概率拿到更多的面试机会，特别是很多大公司的数据研发平台，更多优先考虑博士。另外，如果能同时拿到两个竞争对手的offer，那多出来的薪水涨幅甚至能达到十个百分点以上。

第二，晋升到管理层的机会更多，特别是对技术要求高的管理职位。不过，在职业发展选择上面要格外小心。有些职位虽说要管人，但会涉及很多非技术的协调与后勤工作，结果就是花很多时间在对个人提升没多大用处的地方上，拿到的薪水也不会多出很多。银行业的裁员也是普遍从管理层开始，而做技术的一般不会有这种忧虑。这样看来，有技术路线，在不管人的前提下让拿到手的薪水稳步增长，似乎是非常好的一条路，至少在提升个人能力的同时需要涉及的杂事也少。但这点也并非一直如此，因为这行本身就包括很多探索性研究，数据本身千差万别，很多事情只有试了才知道。因此如果在四十岁以后每天还在为如何处理某个数据的问题上发愁的话，其实是非常累的。另外，工作的稳定性也会随着年龄增长而变弱，因为公司很有可能会为了省成本而裁掉昂贵的技术老兵，换成毕业不久的新人，比如最近处于风口浪尖的波音公司。但如果这时候有带团队的话就另当别论了。综合考虑以上因素，我的结论是，趁年轻的时候多积攒个人能力，走技术路线，把薪水提高，等到合适的时候就把握住机会，过渡到管理岗位。

第三，博士教育有助于培养理性推理、独立研究的能力。试想下，我们有多少机会能在一个事情、一个领域上面深入钻研的？博士五年是一场围绕耐力和坚定的长跑赛，在兼顾工作的情况下更是如此。虽然我们没有全职同学的速度与激情，只能按照自己的速度前进，但能够把整场比赛跑下来本身就是一件令人骄傲的事。不求对科研有多大贡献，只求能够顺利毕业，不忘初心，给自己一个完整的交代，这就是我目前的学术追求。

本期分享就先说到这里。如果你有任何疑问或者想进一步交流，欢迎留言或在后台与我交流。
---
该帖荣获当日十大第1，奖励楼主25分以及37华新币，时间：2019-07-17 22:00:01。
.
欢迎来到华新中文网，踊跃发帖是支持我们的最好方法!

　相关帖子 我要回复↙ ↗回到正文
在新加坡读在职博士是一种怎样的体验 － JackLiu123 　2019-07-17 10:35 (9332 bytes , 4030reads )
楼主很厉害 － amyray 　2019-07-18 09:02 (18 bytes , 24reads )
手动留名点赞 － asdf123 　2019-07-17 22:45 (58 bytes , 34reads )
写得很好 － 喜欢吃火锅 　2019-07-17 19:02 (56 bytes , 30reads )
系里规定的最多五年 － JackLiu123 　2019-07-17 19:48 (38 bytes , 47reads )
看来每个系的规定有区别 － 喜欢吃火锅 　2019-07-17 22:43 (100 bytes , 42reads )
这个让我想到了我博士期间买的一本书 － 滚雪球 　2019-07-17 17:47 (176 bytes , 54reads )
同感！ － JackLiu123 　2019-07-17 19:44 (49 bytes , 46reads )
统计PHD 在人工智能时代 － whoiamhere 　2019-07-17 13:52 (70 bytes , 73reads )
佩服～ － Ke33 　2019-07-17 12:45 (125 bytes , 34reads )
为时不晚 － JackLiu123 　2019-07-17 17:15 (58 bytes , 43reads )
你们专业博士的毕业要求是啥？ － 迷途小书童 　2019-07-17 11:07 (0 bytes , 62reads )
明白人 － 水墨 　2019-07-17 13:00 (64 bytes , 30reads )
的确 － JackLiu123 　2019-07-17 17:17 (68 bytes , 31reads )
系里的没啥硬性要求，不过导师要求发论文。。 － JackLiu123 　2019-07-17 11:10 (0 bytes , 30reads )
论文也有档次的啊 － 迷途小书童 　2019-07-17 13:08 (192 bytes , 45reads )
赞同 － JackLiu123 　2019-07-17 17:27 (178 bytes , 33reads )
他说的是statistics and applied probability － icky 　2019-07-17 13:16 (53 bytes , 109reads )
没错 － JackLiu123 　2019-07-17 17:31 (36 bytes , 43reads )
向熊猫建议给本帖加红心 － nevermoi 　2019-07-17 10:56 (33 bytes , 43reads )
你这回复够及时的呀！ － JackLiu123 　2019-07-17 11:09 (0 bytes , 41reads )