Я собираюсь закончить свои отличия в области статистики, и я действительно хочу получить докторскую степень, потому что я нахожу математическую статистику чрезвычайно интересной. Области исследований, в которых я больше всего хочу получить докторскую степень, - это случайные процессы и временные ряды.
Однако я также хочу продолжить карьеру в частном секторе после получения степени доктора философии. Мне было интересно, какие области математической статистики наиболее часто используются в частном секторе и на каких типах рабочих мест?
Очевидно, что я не собираюсь защищать докторскую диссертацию только потому, что она может быть принята на работу, но я чувствую, что это определенно то, что мне нужно рассмотреть, и поэтому я хотел бы получить совет.
Ответы:
Я отвечаю как человек, который регулярно оценивает и нанимает ученых данных.
Как человек, переходящий от академического образования к карьере в частном секторе, вы не будете наняты на основании каких-либо конкретных навыков, которые у вас есть. Мир академических исследований в области статистики и область проблем любой конкретной компании слишком обширны, чтобы их нанимать на основе очень точно определенных специфических навыков.
Вместо этого вас нанимают, потому что вы можете продемонстрировать общую склонность к точному мышлению, жажду и талант к решению проблем, способность понимать и передавать абстрактные и сложные идеи, а также разнообразный набор практических и теоретических навыков.
Итак, мой совет, и я всего лишь один парень, делайте то, что вы любите, и развивайте жажду решения проблем, нюансов и сложности. Изучите разнообразные навыки и хорошо изучите основы (лучше, чем тема исследования)
Ох, и научиться программировать.
Трудно ответить на вопрос, не будучи самоуверенным.
Мое личное мнение таково, что это на самом деле не имеет значения, поэтому изучайте то, что вам нравится, и это побуждает вас продолжать учиться. Очень хорошо выучить свой родной язык - это большое препятствие. После первого изучения другого (и другого, и другого) становится намного, намного легче, потому что вы уже столкнулись с трудными концептуальными проблемами.
Но выучите язык хорошо , изучите, как работает язык и почему он был разработан таким, каким он был. Напишите чистый код, к которому вы не боитесь возвращаться. Воспринимайте написание кода как серьезную ответственность, а не как печальную реальность. Это делает его более полезным и реальным навыком, который вы можете рекламировать.
Если вам все еще нужен конкретный совет, я бы повторил @ssdecontrol, предпочитая язык общего назначения, который может выполнять статистику, а не язык статистики, который может (своего рода) делать общее назначение.
источник
Если вы интересуетесь навыками, которые «пригодны для продажи», я бы сказал, что вы узнаете о различных методах моделирования (GLM, модели выживания, как непрерывных, так и дискретных, случайные леса, повышенные деревья) с акцентом на прогнозирование по сравнению с оценкой. Математическая статистика может иногда слишком увязать в оценках в параметрических моделях, пытаясь ответить на вопросы, которые становятся неактуальными, когда модель буквально не соответствует действительности. Поэтому, прежде чем углубляться в проблему, подумайте, действительно ли она все еще интересна и применима, когда модель не подходит, потому что она никогда не будет. Вы должны быть в состоянии найти много таких вопросов в области временных рядов, если в этом и заключается один из ваших интересов.
Также учтите, что в анализе реальных данных существуют проблемы, к которым может не подготовить вас само статистическое образование, поэтому я хотел бы рассмотреть возможность дополнения вашего образования изучением таких тем, как реляционные базы данных и общие вычисления. Эти поля также могут быть очень увлекательными и предлагают свежий взгляд на данные.
Наконец, как уже указывал Мэтью Друри, важно уметь программировать. Я хотел бы стать сильным с R и / или Python и начать изучать SQL, с которым вы неизбежно столкнетесь. Многие компании все еще используют SAS, но вы действительно хотите работать на одну? Скомпилированный язык, такой как C или Java, также не повредит, но это не очень важно.
источник
Как человек, который провел свою постдокторскую карьеру в промышленности, я бы сказал это.
источник
Большинство текущих ответов ориентированы на «науку о данных», которая определенно является областью с высокой степенью занятости. Поскольку в первоначальном плакате упоминается особый интерес к случайным процессам и временным рядам, еще одной областью математической статистики *, которая может иметь значение, является оценка в пространстве состояний .
Это используется для оценки моделей, в которых система развивается благодаря обратной связи между высоко структурированными (квази) детерминированными процессами и стохастическим воздействием. Например, оценка состояния пространства вездесуща в автономных транспортных средствах .
(* Эта область обычно считается частью инженерной или других областей , но, безусловно, включает математическую статистику.)
источник
Я бы не стал предлагать что-то принципиально новое, но я, как профессиональный сборщик данных, хотел бы подчеркнуть несколько моментов.
Все рыночные навыки - это не просто набор отдельных изолированных навыков, но они представляют собой целый синхронизированный пакет. И под пакетом, я имею в виду,
Набор практических навыков, с чрезвычайно высоким уровнем мастерства. Как вы можете сформировать осмысленное суждение, учитывая кучу данных. А для парня с уровнем PhD (или для любого, кто приходит к ним) работодатели были бы более заинтересованы в обеспечении реального когнитивного соответствия, которое вы можете привести с данным набором данных. Чтобы уточнить, в качестве примера,
Набор навыков, которые вы можете использовать для извлечения данных из API, написания кодеков и драйверов в процессе, если вы обнаружили, что процесс неприступен до такой степени, что вы не сможете задействовать весь свой потенциал для этого. Затем используются элементы статистического анализа для преобразования данных в информацию. Этот процесс настолько сырой и настолько аутентичный, что чем разнообразнее и глубже вы изучаете, тем лучше информацию (ы) вы можете извлечь. Однажды мне сказали, что овладеть математикой, которая может дать ответ на проблему, - это одно, а интерпретировать этот ответ в реальном мире - это просто еще один навык.
И, наконец, что чрезвычайно важно, можете ли вы представить визуализации своих выводов, чтобы все могли их увидеть и понять без того, чтобы кто-либо, не относящийся к вашей области, не задавал более 3 дополнительных вопросов. И именно здесь вы будете приводить свою аналогию с реальными процессами. Это немного сложно, но когда-то освоено, оно обычно приносит хорошие дивиденды на протяжении всей вашей карьеры.
Для всего этого, с моей точки зрения, полезный совет - постоянно спрашивать себя при изучении новых вещей, как это можно использовать в реальном мире. Да, иногда становится неловко, когда кто-то углубляется в абстракции, но, тем не менее, эта привычка очень стоит того, и часто она отделяет сверхработоспособного от просто высокообразованного. Удачи!
источник