Quali dei seguenti corsi di statistica sono i più applicabili e utili nel settore finanziario / tecnologico? [chiuso]

Sono in procinto di selezionare 3 lezioni di statistica da prendere per il mio gruppo di corsi di matematica applicata (facendo la mia concentrazione nella scienza attuariale o nell'analisi statistica). Quali sono le 3 classi tra le seguenti che ritieni più utili / applicabili in finanza / tecnologia / abbinate a Informatica?

• Processi stocastici (passeggiate casuali, catene di Markov a tempo discreto, processi di Poisson)
• Modellazione lineare: teoria e applicazioni
• Introduzione alle serie storiche
• Previsione statistica moderna e apprendimento automatico
• Teoria del gioco
• Introduzione all'analisi econometrica (iscrizione incrociata tra statistiche ed econ)

1. Modellazione lineare (le basi)
2. Introduzione alle serie storiche (importante per la finanza e la tecnologia, dove ci sono molte e molte occasioni di misurazione)
3. Previsione statistica moderna e apprendimento automatico (per le nuove fantasiose previsioni, importanti anche per la finanza e la tecnologia)

Consiglierei la modellazione lineare e l'introduzione alle serie storiche. Se hai solo tre elettivi e decidi di concentrarti sulla scienza attuariale, farei un corso di analisi di sopravvivenza se disponibile.

Lavorando come Data Scientist presso una delle più grandi società di consulenza del mondo, posso semplicemente dare i miei due centesimi, uno dei quali è utile per un lavoro come il mio. Tutti i corsi sono interessanti e hanno applicazioni sia nella ricerca, nello sviluppo che nella consulenza. Tuttavia, alcuni corsi potrebbero essere più importanti per l'applicazione pratica. Disclaimer: questo non riflette l'opinione del mio datore di lavoro e ho visto anche solo diversi dipartimenti in Germania.

I CORSI PIÙ UTILI:

• Introduzione alle serie storiche

Se stai lavorando come Data Scientist, effettuerai sicuramente delle previsioni occasionalmente. È importante comprendere modelli come tendenze, radici delle unità, stagionalità, ecc.

In pratica dovrai affrontare dati con frequenze diverse come dati mensili o trimestrali.

Leggi il principio e la pratica di previsione al fine di comprendere le applicazioni della previsione.

• Previsione statistica moderna e apprendimento automatico

Questo corso aumenterà le tue possibilità di ottenere un lavoro altamente retribuito. L'apprendimento automatico è correlato a stipendi più elevati rispetto alle statistiche classiche. Vale sicuramente la pena conoscere cose come la formazione e i dati dei test. Costruirai sempre un modello e lo testerai.

È anche a causa dell'importanza di Machine Learning che questa pagina è chiamata CrossValidated. hahahaha

ANCHE UTILE:

• Modellazione lineare: teoria e applicazioni
• Introduzione all'analisi econometrica (iscrizione incrociata tra statistiche ed econ)

Questi corsi sembrano abbastanza simili a me. Presumo che entrambi si occupino principalmente di dati longitudinali e dati del pannello. Tuttavia, la maggior parte dei problemi di regressione che affronterai come Data Scientist affronterà le serie temporali. Ho appena avuto un progetto con il modello di selezione Heckman / regressione Tobit e alcune piccole cose in cui ho affrontato Count Data e Survival Analysis. I compiti di classificazione generale sono più diffusi nella mia azienda rispetto ai compiti di regressione.

È molto probabile che tu lavori in una squadra con matematici, statistici e informatici. Non si attaccheranno ai modelli econometrici. Tuttavia, una solida conoscenza dei modelli lineari e dell'analisi econometrica ti aiuterà a gestire le serie temporali e i problemi di previsione.

Dipende anche dal linguaggio di programmazione che preferisci. R (e ancor più particolarmente Stata) sono molto utili per i modelli di regressione. Python è piuttosto utile per altre attività.

Come già affermato da Michael Chernick, le problematiche microeconomiche sono ampiamente utilizzate nelle assicurazioni. Se lavori in un dipartimento di assicurazione sulla vita, l'analisi della sopravvivenza sarà cruciale. Tuttavia, la maggior parte dei data scientist non deve affrontare tali compiti.

Puoi seguire questo corso di fondazione econometrica applicata dell'UCLA e riflettere su quanto dovrai affrontare tali domande nel tuo futuro lavoro.

IRRELEVANT RATHER:

• Processi stocastici (passeggiate casuali, catene di Markov a tempo discreto, processi di Poisson)

Questo non sarà utile come Data Scientist. Forse puoi affrontare tali modelli se stai lavorando in un dipartimento di finanza quantitativa di una banca.

• Teoria del gioco

La teoria dei giochi è un concetto teorico che viene applicato a malapena direttamente nella pratica. Nella ricerca economica e psicologica potrebbe essere utile, tuttavia non rientra nell'ambito classico di un data scientist.

Non esitate a chiedere se dovrei essere più specifico su alcuni corsi.

Come persona che lavora per una banca in un ruolo quantitativo, non sono d'accordo con le altre risposte. I processi stocastici sono molto importanti. Una buona conoscenza dei processi stocastici ti consente di comprendere l'intuizione dietro molte delle altre classi che menzioni, in particolare i modelli di serie storiche. È anche un differenziatore (nella mia esperienza è rara una buona conoscenza dei processi stocastici).

prenderei

1. Processi stocastici
2. Previsione statistica moderna e apprendimento automatico
3. Modellazione lineare: teoria e applicazioni