수학 통계의 어떤 영역이 많이 사용됩니까?

나는 통계에서 명예를 끝내려고하고 있으며, 수학 통계가 매우 흥미 롭기 때문에 박사 학위를 받고 싶습니다. 내가 박사 학위를 가장하고 싶은 분야는 확률 적 과정과 시계열입니다.

그러나 박사 학위를받은 후 민간 부문에서 경력을 쌓고 싶습니다. 민간 부문에서 어떤 수학 통계 영역이 가장 많이 사용되는지, 어떤 유형의 직업에서 사용되는지 궁금합니다.

분명히 나는 ​​박사 학위를 사용할 수 있기 때문에 박사 학위를하지 않을 것이지만, 나는 그것이 내가 고려해야 할 것이기 때문에 조언이 필요하다고 느낍니다.

데이터 과학자를 일상적으로 평가하고 고용하는 사람으로 대답하고 있습니다.

학업 연구에서 민간 부문 경력으로 전환하는 사람은 자신이 가진 특정 기술의 강점에 고용되지 않습니다. 통계에 관한 학문적 연구의 세계와 특정 회사의 일련의 문제 영역은 매우 정확하게 정의 된 특정 기술을 기반으로 고용하기에는 너무 광범위합니다.

대신, 당신은 정확한 사고에 대한 일반적인 적성, 문제 해결을위한 갈증과 재능, 추상적이고 복잡한 아이디어를 이해하고 의사 소통하는 능력, 다양한 실용적이고 이론적 인 기술을 보여줄 수 있기 때문에 고용 될 것입니다.

제 조언과 저는 단지 한 사람입니다. 당신이 사랑하는 것을하고 문제 해결, 뉘앙스 및 복잡성에 대한 갈증을 개발하십시오. 다양한 기술을 배우고 기초를 잘 파악하십시오 (연구 주제보다 낫습니다)

아, 그리고 프로그래밍하는 법을 배웁니다.

사려 깊은 답장을 보내 주셔서 감사합니다. 추천 할 특정 프로그래밍 언어가 있습니까?

의견을 묻지 않고 대답하기 어려운 질문.

제 개인적 의견은 그것이 중요하지 않다는 것입니다. 그러므로 당신이 좋아하고 계속 배우도록 동기를 부여하는 것을 배우십시오. 모국어를 잘 배우는 것이 큰 장애물입니다. 처음에는 다른 개념을 배우고 나서 다른 개념을 배우는 것이 훨씬 쉽습니다. 이미 어려운 개념 문제를 해결했기 때문입니다.

그러나 언어를 잘 배우고 언어의 작동 방식과 언어가 왜 그렇게 설계되었는지 배웁니다. 돌아올 수없는 깨끗한 코드를 작성하십시오. 불행한 현실이 아니라 코드를 심각한 책임으로 작성하십시오. 이것은 더 보람 있고 광고 할 수있는 진정한 기술입니다.

여전히 구체적인 조언을 원한다면 @ssdecontrol을 에코하고 일반적인 언어를 사용할 수있는 통계 언어보다 통계를 수행 할 수있는 범용 언어를 선호합니다.

"시장성있는"기술에 관심이 있다면, 추정보다 예측에 중점을 둔 다양한 모델링 기법 (GLM, 연속 및 이산, 랜덤 포레스트, 부스트 트리, 부스트 트리)에 대해 배우고 싶습니다. 수학적 통계는 때때로 파라 메트릭 모델에서 추정에 너무 혼란스러워 모델이 실제로 사실이 아닐 때 관련이없는 질문에 답하려고합니다. 따라서 문제를 너무 깊이 파고 들기 전에는 모델이 보유하지 않을 때 여전히 흥미롭고 적용 가능한지 여부를 고려하십시오. 관심 분야 중 하나가 시계열 분야에서 그러한 많은 질문을 찾을 수 있어야합니다.

또한 통계 교육만으로는 준비 할 수없는 실제 데이터 분석과 관련된 문제가 있으므로 관계형 데이터베이스 및 일반 계산과 같은 주제에 대한 연구를 통해 교육을 보완하는 것이 좋습니다. 이 필드는 매우 매혹적 일 수 있으며 데이터에 대한 새로운 관점을 제공합니다.

마지막으로 Matthew Drury가 이미 지적했듯이 프로그래밍 할 수 있어야합니다. 나는 R 및 / 또는 Python으로 강해지기 위해 노력하고 필연적으로 만날 SQL에 대해 배우기 시작합니다. 많은 회사들이 여전히 SAS를 사용하고 있지만 실제로 SAS를 위해 일하고 싶습니까? C 또는 Java와 같은 컴파일 된 언어도 문제가되지 않지만 실제로 중요하지는 않습니다.

박사 후 산업 경력을 쌓은 사람으로서 나는 이것을 말할 것입니다.

1. Matthew Drury의 답변이 첫 번째입니다. 예측 대 추정에 대한 dsaxton의 언급도 좋습니다.
2. 대학원 진학에 도움이되는 모든 것을 사용하여 프로그래밍하는 방법을 배웁니다. 잘 활용하십시오. 한 언어에 능통하면 다른 언어도 쉽게 구할 수 있으며 고용주가 비용을 부담 할 수 있습니다.
3. 데이터베이스는 더 작아지지 않을 것이며 아마도 더 깨끗하지 않을 것입니다. 거대하고 혼란스럽고 누락 된 데이터를 처리하는 기술은 향후 2 ~ 30 년 동안 괜찮은 내기 일 것으로 예상됩니다.

현재 답변의 대부분은 "데이터 과학"을 지향하고 있으며, 이는 확실히 높은 채용 영역입니다. 원래의 포스터가 확률 과정과 시계열에 대한 특별한 관심을 언급했듯이, 관련 될 수있는 수학 통계 *의 또 다른 영역은 상태 공간 추정 입니다.

이는 고도로 구조화 된 (결정적) 결정적 프로세스와 확률 적 강제 간의 피드백으로 인해 시스템이 발전하는 모델을 추정하는 데 사용됩니다. 예를 들어, 상태 공간 추정은 자율 주행 차량 에서 어디에나 존재한다 .

(*이 영역은 일반적으로 공학 또는 기타 영역의 일부로 간주 되지만 수학적 통계와 관련이 있습니다.)

나는 근본적으로 새로운 것을 제안하지는 않지만 전문적인 데이터 스 캐빈 저 자신으로서 몇 가지 점을 강조하고 싶습니다.

1. 모든 마케팅 가능한 기술은 단일 격리 된 기술의 번들 일뿐 아니라 완전히 동기화 된 패키지입니다. 그리고 패키지별로

2. 실력이 뛰어나고 실무 능력이 뛰어납니다. 데이터 더미가 주어지면 의미있는 판단을 할 수 있습니다. 그리고 박사 수준의 사람 (또는 그들에게 오는 사람)의 경우 고용주는 주어진 데이터 세트로 가져올 수있는 실제인지 적 일치를 얻는 데 더 관심이 있습니다. 예를 들어 명확히하기 위해

3. 프로세스가 완전히 잠재력을 발휘할 수 없을 정도로 프로세스를 찾을 수없는 경우 프로세스에서 코덱 및 드라이버를 작성하고 API에서 데이터를 추출하는 데 사용할 수있는 기술 세트. 그런 다음 데이터를 정보로 변환하기 위해 통계 분석 요소를 사용합니다. 이 과정은 매우 생생하고 확실하므로 학습이 다양하고 심층적 일수록 더 나은 정보를 얻을 수 있습니다. 나는 문제에 대한 답을 줄 수있는 마스터 링 수학은 한 가지 일이지만 실제 세계에서 그 답을 해석하는 것은 또 다른 기술이라고 한 번 들었습니다.

4. 마지막으로 매우 중요하게, 관련 분야에 속하지 않은 사람이없이 3 개의 후속 질문을하지 않으면 서 모든 사람이보고 이해할 수 있도록 결론을 시각화 할 수 있습니다. 그리고 이것이 실제 프로세스에 비유 할 곳입니다. 조금 어렵지만 일단 숙달되면 일반적으로 경력 전체에 걸쳐 좋은 배당금을 지불합니다.

이러한 관점에서 볼 때 유용한 팁은 현실 세계에서 어떻게 활용 될 수 있는지에 대한 새로운 것을 연구하면서 일관되게 질문하는 것입니다. 그렇습니다. 추상화에 깊이 빠져 들어가면 어색해 지지만 그럼에도 불구하고 그것은 매우 가치있는 습관이며 종종 초 고용자와 단순히 교육을 많이받은 사람들을 분리시킵니다. 행운을 빕니다!