先说一点个人背景，我本科是在国内读了工业工程和数学，然后在美国先拿了两个MS，一个是EECS（我们学校也叫Course 6, 这边上过学的肯定懂）另一个是交通工程（Course 1）。

现在继续留在这边学校里读PhD，也是一个交叉方向的计算科学与工程（Computational Science and Engineering）的PhD。

目前跟的老板就是做OR的老板，然而实际上我们的研究就是在做将OR问题结合机器学习的理论。

我的背景算是比较复合了，可能也比较适合题主设想的几个情形，所以感觉可以来这边稍微谈谈我自己的体会（主要感觉目前很多答主不太了解OR，Stats的情况，现在北美学术界OR, Stats的形势，这几年以来也早就被ML严重侵袭了，比如MIT ORC/IDSS, Princeton ORFE, Stanford MS&E/Stats, Cornell ORIE, Columbia IEOR/Stats等基本这几年主要的prof也都在做ML了...）。

ONE

题主可能还是本科生，想做机器学习。对于申请北美PhD目前的情况来看，确实以数学/CS的本科背景和论文去申请OR和统计的PhD，竞争难度要远低于申请CS PhD项目下的ML track（只比较同等top school的这些不同院系的program）。

所以，如果只看申请难度，这些背景的学生申请一些OR/stats的PhD可能是一个比较有性价比的选择。

TWO

越是北美的top school，其实往往不同院系的区别没那么大。一是本来faculty就可以在不同院系带PhD学生，二是不同院系都会有做ML比较好的faculty。

以MIT来说，比如ORC（Operations Research Center）下面的PhD program有一个track叫做analytics，这就是OR人喜欢叫ML的叫法，“data analytics”，当然这是因为OR的人往往更偏重ML里面optimization的这一块。同样，IDSS(Institute for Data, Systems, Society)下面也有统计PhD program，然后不少老师也同样是做ML的。

具体来说，因为IDSS和ORC不少老师本身就是Course 6的，所以，这些EECS做ML的老师本来就会带除了一些CS PhD，组里也会收一些OR，Stats的PhD，而根据我的了解这些学生的出路区别并不大，关键还是看他们个人的学术水平。

我老板呢，也是同时属于ORC, IDSS，然后他组里的学生也是横跨多个院系，除了OR, stats PhD,也有EECS PhD，CEE PhD, Aero&Astro PhD等等。

THREE

本身ML在工业界的应用就是很广泛的，关键点还是找到你自己最感兴趣的方向。

前面提到，OR背景的人做ML，往往就是搞optimization theory了。Stats的人搞ML，好吧其实他们往往认为ML的理论都来自于统计（所谓statistical learning），自然也是有一套很深刻的统计学理论作为根基的。不过这两类人往往不会做太多hands on的东西，比如现在很流行的深度学习，深度强化学习，图像/模式识别，自然语言处理等等。而EECS背景的人因为往往有比较好的coding背景和工程经验，是可以参与不少这样的项目的（OR/Stats PhD毕竟数学背景的人居多）。

因此，像OR/Stats的组一般还是发期刊（journal paper，这是数学工作者的习惯），而不像EECS的组主流都是发会议文章（conference proceedings，这是更有利于工程科学的习惯)。当然这也不是说OR, Stats的人在工业界就完全没用了，比如OR最早就是提出来解决工业界问题的，举例如航空业里面有很多独特的需要结合OR和ML的问题，如大规模的航线规划排班，实时机票定价，舱位划分等等，都是需要特殊的数学建模加上对数据的合理运用才能做好的；类似的，统计学在医疗、制药等行业里面的传统应用，现在也需要利用ML工程领域所研发的新工具，或许能有更好的效果。

所以，具体要申请哪个PhD program, 找哪个prof的组去读PhD，要结合你的个人背景，和未来的发展兴趣再来做决定。

FOUR

你提到了工业界research lab；科技业；金融业(quant)。我再结合我自己之前在公司实习，和从一些朋友了解到的信息谈一谈我的体会（毕竟我个人的经验也没有很丰富）。

Research lab，现在真的大规模培养研究人员做ML（MSR, FAIR, Google DeepMind）的目前基本清一色招的都是EECS的PhD。但我个人认为这里面其实是有bias在里面的，原因一是因为EECS PhD program本身相比OR, Stats体量大很多，教职市场也更加严峻，所以本来就会有大量PhD流入工业界。

而OR, Stats PhD本身体量小，教职市场情况也还行（OR去学术界基本不需要做Postdoc，统计不是特别清楚，可能会略差一些），工业界你自然看不到太多人，但也是有人的（当然如果你之后要找教职，教职市场的情况你也是要考虑的。找OR/Stats教职按照你题目描述即使5~8篇顶会也可能会有问题的，就比如我知道的一个MIT CS PhD手里几十篇顶会，做优化理论，跑到某top OR school对面committee就表示你怎么一篇journal都不发，你确定你是做OR的？。。。）。比如我自己就认识在MSR和DeepMind做研究员的好几个OR PhD。

至于IT行业和Finance行业，就更不用担心了，他们对于你是从什么PhD program出来的就更不在乎了，他们在乎的是你是否足够努力聪明，以及能不能快速地上手，有质量地解决实际的业务问题。不要说这几个相关专业的PhD了，即使是其它什么基础学科的PhD，化工机械生物PhD，都有很多能在这些公司干的很不错的。

因此，这边的建议就是你不用担心做ML目前在业界的出路，需求量是非常大的（虽然像金融行业目前要大规模运用ML可能还有点难度）。

FIVE

当然，第4点我说的似乎ML已经无敌于天下了。现实如此，目前这几年，无论国内国外，各种风投听到AI，ML就两眼发光，不少startup趁势起飞，看起来一片欣欣向荣。IT行业的巨头公司也都纷纷跟进，砸重金去投资AI/ML的项目。

然而，这边也要稍微泼点冷水，这个也是最近一段时间我跟BAT，FLAG这些巨头公司的一些技术主管偶然聊天所普遍得到的印象：实际上他们自己也认为现在AL和ML的泡沫在业界太多了，“可能2~3年内bubble有破灭的危险”。

因此，这边我对于“赶时髦”也还是持一个比较谨慎的态度。读PhD，将花费你人生中最宝贵的好几年的岁月，如果只是以一颗功利的心作为出发点，那肯定是不值得的，至少，你所选择的PhD方向和老板的研究内容，总是要让你在这么多年的时光里，偶尔能感到一些乐趣的吧？

祝愿年轻的新一代对ML有兴趣的孩子们能不为时代的洪流所蒙蔽，真正找到自己未来想做的事情呢。

本文转载自：