Які сфери математичної статистики є високозайнятими?

Я збираюся закінчити свою відзнаку статистикою, і мені дуже хочеться зробити докторську ступінь, тому що вважаю математичну статистику надзвичайно цікавою. Сфери досліджень, які я найбільше хочу зробити докторантом, - це стохастичні процеси та часові ряди.

Однак я також хочу продовжити кар'єру в приватному секторі після закінчення доктора наук. Мені було цікаво, які сфери математичної статистики найбільше використовуються в приватному секторі та в яких видах робіт?

Очевидно, що я не збираюся робити докторську ступінь лише тому, що це є працездатним, але я відчуваю, що це, безумовно, щось, що мені потрібно розглянути, і тому я хотів би поради.

Я відповідаю як людина, яка регулярно оцінює та наймає науковців.

Як людина, яка переходить від академічного навчання до приватної кар'єри, ви не збираєтеся найматись на основі будь-яких конкретних навичок. Світ академічного вивчення статистики та область будь-якої проблеми будь-якої компанії є надто обширною, щоб її найняти на основі дуже точно визначених наборів навичок.

Натомість ви приймете на роботу, тому що можете проявити загальну здатність до точного мислення, спрагу та талант до вирішення проблем, вміння розуміти та спілкуватись абстрактні та складні ідеї та різноманітний набір практичних та теоретичних навичок.

Отже, моя порада, і я просто один хлопець, займайтеся тим, що любите, і розвивайте жагу до вирішення проблем, нюансів та складності. Вивчіть різноманітний набір навичок та добре знайте основи (краще, ніж ваша тема дослідження)

О, і навчись програмувати.

Це має багато сенсу, велике спасибі за продуману відповідь. Чи є якісь мови програмування, які ви б рекомендували

Важко відповісти, не викликаючи сумнівів.

Моя особиста думка полягає в тому, що це насправді не має значення, тому вивчіть той, який вам подобається, і який спонукає вас продовжувати вчитися. Вивчення вашої першої мови дуже добре - це велика перешкода. Після першого вивчення іншого (і іншого, і іншого) набагато, набагато простіше, тому що ви вже вирішили важкі концептуальні виклики.

Але вивчити мову добре , дізнатися , як працює мова і чому він був розроблений так , як це було. Напишіть чистий код, до якого ви не боїтеся повернутися. Прийміть письмовий код як серйозну відповідальність, а не нещасливу реальність. Це робить його і більш корисним, і справжнім навиком, який ви можете рекламувати.

Якщо ви все ще хочете конкретних порад, я б відгукнув @ssdecontrol, віддаю перевагу мові загального призначення, яка може робити статистику над мовою статистики, яка може (щось на зразок) робити загальне призначення.

Якщо ви зацікавлені в навичках, які є "товарними", я б сказав, дізнайтеся про різноманітні методи моделювання (ГЛМ, моделі виживання як безперервні, так і дискретні, випадкові ліси, підсилені дерева) з акцентом на прогнозування над оцінкою. Математична статистика може періодично занадто забиватися в оцінці за параметричними моделями, намагаючись відповісти на запитання, які стають неактуальними, коли модель не є буквально правдивою. Отже, перш ніж надто глибоко заглиблюватися в проблему, подумайте, чи це все-таки цікаво і застосовно, коли модель не дотримується, бо вона ніколи не буде. Ви повинні мати можливість знайти багато таких питань у галузі часових рядів, якщо саме тут лежить один із ваших інтересів.

Також ви враховуєте, що в аналізі реальних даних виникають проблеми, до яких одна підготовка статистики може не підготувати вас, тому я б розглядав доповнення вашої освіти вивченням таких тем, як реляційні бази даних та загальні обчислення. Ці поля також можуть бути дуже захоплюючими та пропонують оновити погляд на дані.

Нарешті, як Метью Дрюрі вже зазначав, що необхідно програмувати. Я би працював над тим, щоб стати сильним з R та / або Python, і почати дізнаватися про SQL, з яким ви неминуче зіткнетесь. Дуже багато компаній все ще використовують SAS, але чи справді ви хочете працювати на одному? Складена мова, така як C або Java, також не шкодить, але це не дуже важливо.

Як хтось, хто провів свою докторантуру в галузі, я би сказав це.

1. Відповідь Меттью Друрі - це перша оцінка. Зауваження dsaxton щодо прогнозування та оцінки також хороші.
2. Навчіться програмувати, використовуючи все, що допоможе вам швидко пройти школу. Будь добре в цьому. Після того, як ви дуже добре володієте однією мовою, інші легко підібрати, і ви, ймовірно, можете це зробити за рахунок свого роботодавця.
3. Бази даних не стануть меншими і, ймовірно, не отримають будь-якого очисника. Я б прогнозував, що методи боротьби з гігантськими, брудними / відсутніми даними є гідною ставкою протягом наступних двох-трьох десятиліть.

Більшість сучасних відповідей орієнтовані на "науку даних", що, безумовно, є високозайнятим напрямом. Оскільки в оригінальному плакаті було зазначено особливий інтерес до стохастичних процесів та часових рядів, інша область математичної статистики *, яка може бути актуальною, - це оцінка простору стану .

Це використовується для оцінки моделей, коли система розвивається завдяки зворотній зв'язку між високоструктурованими (квазі-) детермінованими процесами та стохастичним форсуванням. Наприклад, оцінка простору стану є всюдисущою в автономних транспортних засобах .

(* Ця область зазвичай вважається частиною інженерних чи інших областей , але, безумовно, включає математичну статистику.)

Я б не запропонував щось радикально нове, але я, як професіонал, що займається захопленням даних, наголошу на кількох моментах.

1. Усі торгові навички - це не лише пакет одиничних ізольованих навичок, але це цілий пакет синхронізованих. І під пакетом, я маю на увазі,

2. Набір практичних навичок з надзвичайно високим рівнем володіння. Можливо, ви можете сформулювати змістовне судження за цілою групою даних. А для хлопця рівня доктора наук (або для тих, хто приходить до них) роботодавці будуть більш зацікавлені в тому, щоб довести когнітивний збіг у реальному світі, який ви можете отримати із заданим набором даних. Щоб уточнити, як приклад,

3. Набір навичок, які ви можете використати для вилучення даних з API, написання кодеків і драйверів у процесі, якщо ви виявили, що процес не захищається в тій мірі, в якій ви, можливо, не зможете залучити до нього весь свій потенціал. Потім використовують елементи статистичного аналізу для перетворення даних у інформацію. Цей процес настільки сирий і настільки автентичний, що чим більш різноманітним і глибоким є ваше навчання, тим набагато кращою інформацією (іми) ви можете отримати. Мені одного разу сказали, що оволодіння математикою, яка може дати відповідь на проблему, - це одне, але інтерпретувати цю відповідь у реальному світі - лише інша навичка.

4. Нарешті, і надзвичайно важливо, чи можете ви представити візуалізацію своїх висновків для того, щоб усі бачили та розуміли, без того, хто, хто не є у вашій суміжній галузі, не задав більше 3-х наступних питань. І саме тут ви б давали свою аналогію процесам у реальному світі. Це трохи складно, але колись освоїтись, він, як правило, виплачує хороші дивіденди протягом усієї вашої кар’єри.

З усього мого, з моєї точки зору, корисна порада - послідовно запитувати себе, вивчаючи нові речі, як це можна використовувати в реальному світі. Так, це стає незручно в ті часи, коли хтось заглиблюється в абстракції, але, тим не менш, це звично дуже вартує цього, і часто воно відокремлює суперзайнятих від просто високоосвічених. Щасти!