Quali aree delle statistiche matematiche sono altamente impiegabili?

Sto per finire i miei onori in statistica e voglio davvero fare un dottorato di ricerca perché trovo le statistiche matematiche estremamente interessanti. Aree di ricerca in cui desidero fare un dottorato sono i processi stocastici e le serie temporali.

Tuttavia voglio anche perseguire una carriera nel settore privato dopo il mio dottorato. Mi chiedevo quali settori delle statistiche matematiche sono più utilizzati nel settore privato e in quali tipi di lavori?

Ovviamente non ho intenzione di fare un dottorato solo perché è occupabile, ma sento che è sicuramente qualcosa che devo considerare e quindi vorrei un consiglio.

Sto rispondendo come qualcuno che valuta e assume regolarmente i data scientist.

Come persona che sta passando da uno studio accademico a una carriera nel settore privato, non verrai assunto sulla base di competenze specifiche che possiedi. Il mondo dello studio accademico nelle statistiche e il dominio di una serie di problemi di una determinata azienda sono troppo vasti per essere assunti sulla base di competenze specifiche definite con precisione.

Invece, verrai assunto perché puoi dimostrare un'attitudine generale per un pensiero preciso, una sete e un talento per la risoluzione dei problemi, una capacità di comprendere e comunicare idee astratte e complesse e un insieme diversificato di abilità pratiche e teoriche.

Quindi, il mio consiglio, e io sono solo un ragazzo, fai ciò che ami e sviluppa la sete di problem solving, sfumature e complessità. Impara una serie diversificata di competenze e conosci bene i tuoi fondamenti (meglio del tuo argomento di ricerca)

Oh, e impara a programmare.

Questo ha molto senso, grazie mille per la risposta ponderata. Ci sono dei particolari linguaggi di programmazione che consiglieresti

Domanda difficile a cui rispondere senza essere supponente.

La mia opinione personale è che non ha molta importanza, quindi impara quello che ti piace e che ti motiva a continuare ad imparare. Imparare davvero bene la tua prima lingua è il grande ostacolo. Dopo aver appreso per primo un altro (e un altro, e un altro) è molto, molto più facile perché hai già affrontato le difficili sfide concettuali.

Ma impara bene la lingua , impara come funziona la lingua e perché è stata progettata così com'era. Scrivi un codice pulito a cui non hai paura di tornare. Prendi la scrittura del codice come una seria responsabilità, non una sfortunata realtà. Questo lo rende più gratificante e una vera abilità che puoi pubblicizzare.

Se vuoi ancora un consiglio specifico, vorrei fare eco a @ssdecontrol, preferirei una lingua per scopi generali che può fare statistiche su una lingua di statistiche che può (un po ') fare scopi generali.

Se il tuo interesse è per le abilità "commerciabili", direi di conoscere una varietà di tecniche di modellazione (GLM, modelli di sopravvivenza sia continui che discreti, foreste casuali, alberi potenziati) con un'enfasi sulla previsione piuttosto che sulla stima. Le statistiche matematiche possono occasionalmente impantanarsi troppo nella stima sotto modelli parametrici, cercando di rispondere a domande che diventano irrilevanti quando il modello non è letteralmente vero. Quindi, prima di approfondire troppo un problema, considera se è ancora interessante e applicabile quando il modello non regge, perché non lo farà mai. Dovresti essere in grado di trovare molte di queste domande nel campo delle serie temporali, se è qui che si trova uno dei tuoi interessi.

Apprezzo anche che ci siano sfide nell'analisi dei dati del mondo reale per le quali un'educazione statistica da sola potrebbe non prepararti, quindi prenderei in considerazione l'integrazione della tua istruzione con lo studio di argomenti come i database relazionali e il calcolo generale. Questi campi possono anche essere molto affascinanti e offrire una prospettiva rinfrescante sui dati.

Infine, come già sottolineato da Matthew Drury, è essenziale poter programmare. Lavorerei per diventare forte con R e / o Python e iniziare a conoscere SQL, che incontrerai inevitabilmente. Molte aziende usano ancora SAS, ma vuoi davvero lavorare per uno? Anche un linguaggio compilato come C o Java non fa male, ma questo non è davvero critico.

Come qualcuno che ha trascorso la carriera post-dottorato nel settore, direi questo.

1. La risposta di Matthew Drury è di prim'ordine. Anche le osservazioni di dsaxton sulla previsione e sulla stima sono buone.
2. Impara a programmare usando tutto ciò che ti aiuterà a superare rapidamente la scuola di specializzazione. Diventa bravo. Una volta che parli fluentemente una lingua, altre sono facili da imparare e probabilmente puoi farlo a spese del datore di lavoro.
3. Le basi di dati non si ridurranno e probabilmente non saranno più pulite. Predirei che le tecniche per gestire dati giganteschi, disordinati / mancanti sono una scommessa decente nei prossimi due o tre decenni.

La maggior parte delle risposte attuali sono orientate alla "scienza dei dati", che è sicuramente un'area altamente occupabile. Come il poster originale menzionava un particolare interesse per i processi stocastici e le serie temporali, un'altra area di statistiche matematiche * che può essere rilevante è la stima dello spazio di stato .

Questo è usato per stimare modelli in cui il sistema si evolve a causa del feedback tra processi altamente strutturati (quasi) deterministici e forzatura stocastica. Ad esempio, la stima dello spazio di stato è onnipresente nei veicoli autonomi .

(* Questa area è comunemente considerata parte dell'ingegneria o di altri domini , ma comporta certamente statistiche matematiche.)

Non suggerirei qualcosa di radicalmente nuovo, ma come esperto di raccolta dati vorrei sottolineare alcuni punti.

1. Tutte le abilità commerciabili non sono solo un insieme di singole abilità isolate, ma sono un pacchetto completamente sincronizzato. E per pacchetto, intendo,

2. Un insieme di abilità pratiche, con altissima competenza. Come puoi esprimere un giudizio significativo dato un mucchio di dati. E per un ragazzo di livello di dottorato (o per chiunque venga da loro) i datori di lavoro sarebbero più interessati a portare una corrispondenza cognitiva nel mondo reale che puoi portare con un dato set di dati. Per chiarire, ad esempio,

3. L'insieme di competenze che è possibile utilizzare per l'estrazione dei dati dall'API, la scrittura di codec e driver nel processo se si è riscontrato che il processo è irremovibile nella misura in cui potrebbe non essere possibile sfruttare appieno il proprio potenziale. Quindi utilizzando elementi dell'analisi statistica per una trasformazione dei dati in informazioni. Questo processo è così grezzo e così autentico che più il tuo apprendimento è diversificato e profondo, più informazioni migliori puoi recuperare. Mi è stato detto una volta che la padronanza della matematica che può dare una risposta al problema è una cosa, ma interpretare quella risposta nel mondo reale, è solo un'altra abilità.

4. Infine ed estremamente importante, puoi presentare visualizzazioni delle tue conclusioni affinché tutti possano vederle e comprenderle senza che nessuno che non sia del tuo campo correlato non faccia più di 3 domande di follow-up. Ed è qui che daresti la tua analogia ai processi del mondo reale. È un po 'difficile, ma una volta padroneggiato, di solito paga buoni dividendi, per tutta la carriera.

Per tutti questi, dal mio punto di vista, un consiglio utile è chiedersi costantemente mentre si studiano nuove cose su come può essere impiegato nel mondo reale. Sì, a volte diventa imbarazzante quando si scava in profondità nelle astrazioni, ma tuttavia ne vale la pena un'abitudine, e spesso separa il superoccupabile da quello semplicemente istruito. In bocca al lupo!