Які з наведених нижче курсів статистики є найбільш застосовними та корисними у галузі фінансів / технологій? [зачинено]

Я зараз вибираю 3 класи статистики для участі в моєму кластері курсу «Прикладна математика» (роблячи мою концентрацію в актуарній науці або статистичному аналізі). Які 3 класи з наведених нижче, на вашу думку, є найбільш корисними / застосовними у галузі фінансів / технологій / в парі з інформатикою?

• Стохастичні процеси (випадкові прогулянки, дискретні часові ланцюги Маркова, процеси Пуассона)
• Лінійне моделювання: теорія та застосування
• Вступ до часових рядів
• Сучасне статистичне прогнозування та машинне навчання
• Теорія ігор
• Вступ до економетричного аналізу (перехресне зарахування статистики та Econ)

1. Лінійне моделювання (основи)
2. Вступ до часових рядів (важливо для фінансів та технологій, де є багато і багато випадків вимірювань)
3. Сучасне статистичне передбачення та машинне навчання (для нових фантазійних прогнозів, важливих також для фінансів та технологій)

Я б рекомендував лінійне моделювання та вступ до часових рядів. Якщо у вас є лише три факультативи, і ви вирішили зосередитись на актуарній науці, я б взяв курс на аналіз виживання, якщо такий є.

Працюючи науковцем даних в одній з найбільших консультацій у світі, я можу просто дати свої два центи, один з яких корисний для такої роботи, як моя. Всі курси є класними та мають додатки як у дослідженні, розробці, так і в консалтингу. Однак деякі курси можуть бути важливішими для практичного застосування. Відмова: Це не відображає думку мого роботодавця, і я також бачив лише кілька департаментів у Німеччині.

НАЙБІЛЬШІ КУРСИ:

• Вступ до часових рядів

Якщо ви працюєте науковцем даних, ви обов'язково час від часу робите прогноз. Важливо, щоб ви розуміли такі моделі, як тенденції, коріння одиниць, сезонність тощо.

На практиці ви будете стикатися з даними з різними частотами, такими як щомісячні або щоквартальні дані.

Прочитайте принцип і практику прогнозування , щоб зрозуміти застосування прогнозування.

• Сучасне статистичне прогнозування та машинне навчання

Цей курс підвищить ваші шанси отримати високооплачувану роботу. Машинне навчання корелює з вищими зарплатами, ніж класична статистика. Однозначно варто знати такі речі, як дані про навчання та тести. Ви завжди будете будувати модель і тестувати її.

Через важливість машинного навчання ця сторінка називається CrossValidated. хахахаха

ТАКОЖ КОРИСНО:

• Лінійне моделювання: теорія та застосування
• Вступ до економетричного аналізу (перехресне зарахування статистики та Econ)

Ці курси здаються мені дуже схожими. Я припускаю, що обидва в основному мають справу з поздовжніми даними та даними Панелі. Однак більшість проблем з регресією, з якими ви зіткнетеся в якості даних вченого, що займається часовими рядами. У мене був лише один проект з моделюванням регресії Heckman modell / Tobit та деякими невеликими речами, де я зіткнувся з аналізом даних Count and Survival Analysis. Загальні завдання з класифікації в моїй компанії більш поширені, ніж регресійні.

Ви, швидше за все, працюєте в команді з математиками, статистиками та вченими-комп’ютерами. Вони не будуть дотримуватися економетричних моделей. Тим не менш, чітке розуміння лінійних моделей та економетричний аналіз допоможуть вам розібратися з часовими рядами та проблемами прогнозування.

Це також залежить від мови програмування, яку ви віддаєте перевагу. R (і навіть особливо Stata) дуже зручні для регресійних моделей. Python досить корисний для інших завдань.

Як уже заявив Майкл Черник, мікроекономічні питання широко застосовуються при страхуванні. Якщо ви працюєте у відділі страхування життя, аналіз виживання буде мати вирішальне значення. Однак більшість даних вченого не стикаються з такими завданнями.

Ви можете пройти цей застосований економетричний курс з курсу UCLA та задуматися над тим, як далеко ви зіткнетеся з подібними питаннями у своїй майбутній роботі.

РІДНИЙ ІРЕЛЕВАНТ:

• Стохастичні процеси (випадкові прогулянки, дискретні часові ланцюги Маркова, процеси Пуассона)

Це буде навряд чи корисним для Data Scientist. Можливо, ви можете зіткнутися з такими моделями, якщо працюєте у відділі кількісних фінансів банку.

• Теорія ігор

Теорія ігор - теоретичне поняття, яке ледве безпосередньо застосовується на практиці. В економічних та психологічних дослідженнях це може бути корисним, однак це не в класичному масштабі науковця даних.

Будь ласка, не соромтеся запитати, чи варто мені бути більш конкретним щодо деяких курсів.

Як хтось, хто працює в банку в кількісній ролі, я не погоджуюся з іншими відповідями. Стохастичні процеси дуже важливі. Добре знання стохастичних процесів дозволяє зрозуміти інтуїцію багатьох інших класів, про які ви згадуєте, особливо моделей часових рядів. Це також диференціатор (на моєму досвіді хороші знання стохастичних процесів трапляються рідко).

Я б узяв

1. Стохастичні процеси
2. Сучасне статистичне прогнозування та машинне навчання
3. Лінійне моделювання: теорія та застосування