หลักสูตรสถิติใดต่อไปนี้มีความเหมาะสมและมีประโยชน์มากที่สุดในอุตสาหกรรมการเงิน / เทคโนโลยี [ปิด]

ฉันอยู่ในขั้นตอนการเลือก 3 วิชาสถิติเพื่อใช้สำหรับกลุ่มหลักสูตรคณิตศาสตร์ประยุกต์ของฉัน (ทำสมาธิในวิทยาศาสตร์คณิตศาสตร์ประกันภัยหรือการวิเคราะห์เชิงสถิติ) คุณคิดว่า 3 คลาสใดต่อไปนี้มีประโยชน์มากที่สุด / ใช้ในด้านการเงิน / เทคโนโลยี / จับคู่กับวิทยาการคอมพิวเตอร์?

• กระบวนการ Stochastic (การเดินแบบสุ่ม, โซ่มาร์คอฟแบบแยกเวลา, กระบวนการปัวซง)
• การสร้างแบบจำลองเชิงเส้น: ทฤษฎีและการประยุกต์
• รู้เบื้องต้นเกี่ยวกับอนุกรมเวลา
• การทำนายสถิติสมัยใหม่และการเรียนรู้ของเครื่อง
• ทฤษฎีเกม
• การวิเคราะห์เศรษฐมิติเบื้องต้น (การลงทะเบียนข้ามระหว่างสถิติและ Econ)

1. การสร้างแบบจำลองเชิงเส้น (พื้นฐาน)
2. รู้เบื้องต้นเกี่ยวกับซีรี่ส์เวลา (สำคัญสำหรับการเงินและเทคโนโลยีที่มีโอกาสมากมายในการวัด)
3. การทำนายสถิติสมัยใหม่และการเรียนรู้ของเครื่อง (สำหรับสิ่งที่คาดการณ์ใหม่ที่มีความสำคัญสำหรับการเงินและเทคโนโลยี)

ฉันจะแนะนำ Linear Modeling และ Introduction to Time Series หากคุณมีวิชาเลือกเพียงสามวิชาและคุณตัดสินใจที่จะมีสมาธิกับวิทยาศาสตร์คณิตศาสตร์ประกันภัยฉันจะเรียนหลักสูตรการวิเคราะห์การอยู่รอดหากมีอยู่

ทำงานเป็นนักวิทยาศาสตร์ข้อมูลที่หนึ่งในที่ปรึกษาที่ใหญ่ที่สุดของโลกฉันสามารถให้สองเซ็นต์ของฉันซึ่งเป็นประโยชน์สำหรับงานเช่นเดียวกับฉัน ทุกหลักสูตรนั้นเจ๋งและมีแอพพลิเคชั่นทั้งในด้านการวิจัยการพัฒนาและการให้คำปรึกษา อย่างไรก็ตามบางหลักสูตรอาจมีความสำคัญมากกว่าสำหรับการใช้งานจริง ข้อจำกัดความรับผิดชอบ: สิ่งนี้ไม่ได้สะท้อนความเห็นของนายจ้างของฉันและฉันยังเห็นแผนกต่าง ๆ ในเยอรมนีเท่านั้น

หลักสูตรที่มีประโยชน์ที่สุด:

• รู้เบื้องต้นเกี่ยวกับอนุกรมเวลา

หากคุณทำงานเป็นนักวิทยาศาสตร์ด้านข้อมูลคุณจะคาดการณ์ได้เป็นครั้งคราว เป็นสิ่งสำคัญที่คุณจะต้องเข้าใจรูปแบบเช่นเทรนด์รากของยูนิตฤดูกาลและอื่น ๆ

ในทางปฏิบัติคุณจะต้องเผชิญกับข้อมูลที่มีความถี่แตกต่างกันเช่นข้อมูลรายเดือนหรือข้อมูลที่ไม่ครบ

อ่านหลักการพยากรณ์และฝึกหัดเพื่อให้เข้าใจการประยุกต์ใช้การพยากรณ์

• การทำนายสถิติสมัยใหม่และการเรียนรู้ของเครื่อง

หลักสูตรนี้จะเพิ่มโอกาสในการได้งานที่มีรายได้สูง การเรียนรู้ของเครื่องมีความสัมพันธ์กับเงินเดือนที่สูงกว่าสถิติแบบดั้งเดิม มันคุ้มค่าที่จะรู้สิ่งต่าง ๆ เช่นการฝึกอบรมและการทดสอบข้อมูล คุณจะสร้างแบบจำลองและทดสอบเสมอ

เป็นเพราะความสำคัญของการเรียนรู้ของเครื่องว่าหน้านี้เรียกว่า CrossValidated ฮ่า ๆ ๆ ๆ

ยังมีประโยชน์:

• การสร้างแบบจำลองเชิงเส้น: ทฤษฎีและการประยุกต์
• การวิเคราะห์เศรษฐมิติเบื้องต้น (การลงทะเบียนข้ามระหว่างสถิติและ Econ)

หลักสูตรเหล่านี้ดูคล้ายกับฉันมาก ฉันคิดว่าทั้งสองส่วนใหญ่เกี่ยวข้องกับข้อมูลระยะยาวและข้อมูล Pannel อย่างไรก็ตามปัญหาการถดถอยส่วนใหญ่คุณจะเผชิญในฐานะนักวิทยาศาสตร์ข้อมูลที่จัดการกับอนุกรมเวลา ฉันเพิ่งมีหนึ่งโครงการที่มี Heckman Selection modell / Tobit regression และบางสิ่งเล็ก ๆ ที่ฉันเผชิญกับ Count Data และ Survival Analysis บริษัท ของฉันมีงานการจำแนกโดยรวมมากกว่างานการถดถอย

คุณมักจะทำงานเป็นทีมกับนักคณิตศาสตร์นักสถิติและนักวิทยาศาสตร์คอมพิวเตอร์ พวกเขาจะไม่ยึดติดกับแบบจำลองทางเศรษฐมิติ อย่างไรก็ตามความเข้าใจที่มั่นคงของตัวแบบเชิงเส้นและการวิเคราะห์ทางเศรษฐมิติจะช่วยให้คุณจัดการกับอนุกรมเวลาและปัญหาการพยากรณ์

นอกจากนี้ยังขึ้นอยู่กับภาษาการเขียนโปรแกรมที่คุณต้องการ R (และยิ่งกว่านั้นโดยเฉพาะ Stata) มีประโยชน์มากสำหรับแบบจำลองการถดถอย Python ค่อนข้างมีประโยชน์สำหรับงานอื่น ๆ

ในฐานะที่เป็นไมเคิลเชอร์นิคได้กล่าวถึงประเด็นเรื่อง Microeconometric ที่ใช้กันอย่างแพร่หลายในการประกัน หากคุณทำงานในการวิเคราะห์ความอยู่รอดของแผนกประกันชีวิตจะมีความสำคัญ อย่างไรก็ตามนักวิทยาศาสตร์ด้านข้อมูลส่วนใหญ่ไม่ได้เผชิญกับงานดังกล่าว

คุณสามารถผ่านหลักสูตรพื้นฐานทางเศรษฐมิติที่ประยุกต์ใช้โดย UCLAและไตร่ตรองว่าคุณจะต้องเผชิญกับคำถามเหล่านี้ในงานของคุณในอนาคต

RATHER IRRELEVANT:

• กระบวนการ Stochastic (การเดินแบบสุ่ม, โซ่มาร์คอฟแบบแยกเวลา, กระบวนการปัวซง)

สิ่งนี้จะมีประโยชน์น้อยมากในฐานะนักวิทยาศาสตร์ข้อมูล บางทีคุณอาจต้องเผชิญกับโมเดลดังกล่าวหากคุณทำงานในแผนกการเงินเชิงปริมาณของธนาคาร

• ทฤษฎีเกม

ทฤษฎีเกมเป็นแนวคิดทางทฤษฎีที่แทบจะนำมาใช้โดยตรงในทางปฏิบัติ ในการวิจัยทางเศรษฐกิจและจิตวิทยาอาจเป็นประโยชน์ แต่ไม่ได้อยู่ในขอบเขตดั้งเดิมของนักวิทยาศาสตร์ด้านข้อมูล

โปรดอย่าลังเลที่จะถามว่าฉันควรจะเจาะจงมากขึ้นเกี่ยวกับบางหลักสูตรหรือไม่

ในฐานะคนที่ทำงานให้กับธนาคารในบทบาทเชิงปริมาณฉันไม่เห็นด้วยกับคำตอบอื่น ๆ กระบวนการ Stochastic มีความสำคัญมาก ความรู้ที่ดีเกี่ยวกับกระบวนการสุ่มช่วยให้คุณเข้าใจสัญชาตญาณที่อยู่เบื้องหลังคลาสอื่น ๆ ที่คุณพูดถึง มันเป็นสิ่งที่แตกต่าง (ในประสบการณ์ของฉันความรู้ที่ดีเกี่ยวกับกระบวนการสุ่มนั้นหายาก)

ฉันจะเอา

1. กระบวนการสโตแคสติก
2. การทำนายสถิติสมัยใหม่และการเรียนรู้ของเครื่อง
3. การสร้างแบบจำลองเชิงเส้น: ทฤษฎีและการประยุกต์