Apa bidang statistik matematika yang dapat dipekerjakan?

13

Saya akan menyelesaikan kehormatan saya dalam statistik, dan saya benar-benar ingin melakukan PhD karena saya menemukan statistik matematika sangat menarik. Bidang penelitian yang paling ingin saya lakukan PhD adalah proses stokastik dan deret waktu.

Namun saya juga ingin mengejar karir di sektor swasta setelah PhD saya. Saya bertanya-tanya bidang apa dari statistik matematika yang paling banyak digunakan di sektor swasta, dan dalam jenis pekerjaan apa?

Jelas saya tidak akan mengambil gelar PhD hanya karena dapat dipekerjakan, tapi saya merasa itu pasti sesuatu yang perlu saya pertimbangkan dan saya juga ingin saran.

mathematical-statistics careers phd

— Patty
sumber

4

Selamat datang di CV! Di situs ini, Anda tidak perlu mengucapkan "terima kasih" di akhir posting Anda - mungkin terlihat tidak sopan pada awalnya, tetapi itu adalah bagian dari filosofi situs ini ( tur ) untuk "Ajukan pertanyaan, dapatkan jawaban, tanpa gangguan" dan itu berarti pembaca pertanyaan Anda di masa depan tidak perlu membaca basa-basi. Demikian pula tidak perlu untuk menandatangani nama Anda - nama pengguna Anda dan tautan ke halaman pengguna Anda muncul secara otomatis di bagian bawah setiap posting

— Silverfish

6

Pertanyaan yang harus Anda tanyakan adalah "bidang apa yang akan diminati dalam 5-6 tahun?" Jawaban yang benar adalah: "Kami tidak memiliki petunjuk."

— Aksakal

@ Aksakal, pertanyaan itu tidak boleh diizinkan di CV karena itu akan didasarkan pada pendapat seperti yang telah Anda tunjukkan dengan benar. Jawaban atas pertanyaan ini harus objektif dan didasarkan pada statistik ketenagakerjaan jika memungkinkan. Biro Statistik Tenaga Kerja di AS mungkin merupakan tempat yang baik bagi OP untuk memulai.

— StatsStudent

2

Saya memperhatikan ada sedikit keterputusan di sini antara pertanyaan yang tampaknya berfokus pada topik statistik matematika dan jawaban yang sebagian besar berfokus pada keterampilan . Saya tidak yakin apakah itu karena pertanyaannya tidak begitu jelas tentang apa yang diinginkannya, orang tidak membaca pertanyaan, atau ini adalah cara orang mengatakan bahwa keterampilan lebih penting daripada topik!

— Silverfish,

2

@ Silverfish, bagaimana jika jawabannya salah? OP akan kehilangan 6 tahun hidupnya sebagai konsekuensinya kemudian. Itu harga yang sangat mahal sehingga saya bahkan tidak akan mencoba menjawabnya. Ini juga harus memberitahunya bahwa mungkin dia seharusnya tidak menanyakan pertanyaan ini sama sekali. Mungkin dia harus memilih area yang paling menarik baginya. Hidupnya tidak akan berhenti selama 6 tahun PhD. Sangat penting bahwa dia hidup tahun ini, menikmati apa yang dia lakukan. Siapa yang tahu berapa lama kita miliki di Bumi ini, setiap saat diperhitungkan

— Aksakal

22

Saya menjawab sebagai seseorang yang secara rutin mengevaluasi dan merekrut ilmuwan data.

Sebagai orang yang beralih dari studi akademis ke karir sektor swasta, Anda tidak akan disewa dengan kekuatan keterampilan khusus apa pun yang Anda miliki. Dunia studi akademis dalam statistik, dan bidang masalah perusahaan mana pun terlalu luas untuk dipekerjakan berdasarkan keahlian khusus yang didefinisikan dengan sangat tepat.

Sebaliknya, Anda akan dipekerjakan karena Anda dapat menunjukkan kecakapan umum untuk berpikir secara tepat, kehausan dan bakat untuk pemecahan masalah, kemampuan untuk memahami dan mengkomunikasikan ide-ide abstrak dan kompleks, dan beragam keterampilan praktis dan teoritis.

Jadi, saran saya, dan saya hanya seorang pria, lakukan apa yang Anda sukai dan kembangkan rasa haus untuk pemecahan masalah, nuansa, dan kompleksitas. Pelajari beragam keterampilan, dan kenali dasar-dasar Anda dengan baik (lebih baik daripada topik penelitian Anda)

Oh, dan belajarlah memprogram.

Itu masuk akal, terima kasih banyak atas jawaban yang bijaksana. Apakah ada bahasa pemrograman tertentu yang akan Anda rekomendasikan

Pertanyaan sulit dijawab tanpa ada pendapat.

Pendapat pribadi saya adalah bahwa itu tidak terlalu penting, jadi pelajarilah yang Anda sukai dan yang memotivasi Anda untuk terus belajar. Mempelajari bahasa pertama Anda dengan sangat baik adalah rintangan besar. Setelah yang pertama belajar yang lain (dan yang lain, dan yang lain) jauh, jauh lebih mudah karena Anda telah menghadapi tantangan konseptual yang sulit.

Tapi pelajari bahasanya dengan baik , pelajari bagaimana bahasa itu bekerja dan mengapa ia dirancang seperti itu. Tulis kode bersih yang Anda tidak takut untuk kembali. Ambil kode penulisan sebagai tanggung jawab serius, bukan kenyataan yang tidak menguntungkan. Ini membuatnya lebih bermanfaat, dan keterampilan nyata yang dapat Anda iklankan.

Jika Anda masih menginginkan saran khusus, saya akan menggemakan @ssdecontrol, lebih memilih bahasa tujuan umum yang dapat melakukan statistik daripada bahasa statistik yang dapat (agak) melakukan tujuan umum.

— Matthew Drury
sumber

3

@Patty Mengetahui bahasa tujuan umum adalah aset besar di perusahaan teknologi karena memungkinkan Anda "berbicara dalam bahasa yang sama" dengan pengembang. Python adalah pilihan yang bagus karena Anda juga dapat menggunakannya untuk analisis data, dan ini merupakan pengantar yang bagus untuk pemrograman "nyata". SAS tidak akan berharga di luar perusahaan besar. Dan ke mana pun Anda pergi, Anda mungkin perlu mengetahui beberapa SQL. Script Shell juga merupakan alat yang baik untuk setidaknya disadari.

— shadowtalker

4

Terkait dengan pemrograman dan penyelesaian masalah di dunia nyata, satu rekomendasi adalah memastikan Anda dapat menangani beberapa proyek dengan data "mentah" (yaitu tidak semua dikumpulkan & pra-diproses untuk Anda). Jika Anda dapat melakukan sintesis data / pembersihan / kontrol kualitas sesuai kebutuhan, maka keterampilan pemrograman Anda akan dipersiapkan dengan baik, apa pun bahasa yang Anda pilih.

— GeoMatt22

2

"Dunia studi akademik dalam statistik, dan bidang masalah perusahaan mana pun terlalu luas untuk dipekerjakan berdasarkan keahlian khusus yang didefinisikan dengan sangat tepat." Iya dan tidak. Anda pasti bisa mendapatkan pekerjaan tanpa keahlian statistik tertentu (yaitu gelar PhD sudah cukup, terlepas dari topik penelitian), tetapi Anda juga dapat direkrut secara agresif untuk serangkaian keterampilan tertentu. Sebagai anekdot, saya tahu seseorang yang telah menolak 4 penawaran terpisah dari Google karena mereka tertarik dengan karyanya.

— Cliff AB

2

@CliffAB Itu adil. Tetapi saya pikir itu adalah suatu kesalahan untuk melakukan studi mendalam tentang sesuatu hanya agar suatu perusahaan secara agresif merekrut Anda.

— Matthew Drury

2

Haha tentang "studi mendalam", Matthew: Saya yakin orang @CliffAB tahu siapa yang mendapat empat penawaran dari Google sedang mengerjakan pembelajaran yang mendalam.

— Amuba mengatakan Reinstate Monica

4

Jika minat Anda pada keterampilan yang "dapat dipasarkan," saya akan mengatakan belajar tentang berbagai teknik pemodelan (GLM, model bertahan hidup baik yang berkelanjutan dan terpisah, hutan acak, pohon-pohon yang dikuatkan) dengan penekanan pada prediksi atas estimasi. Statistik matematika kadang-kadang bisa terlalu macet dalam estimasi di bawah model parametrik, mencoba menjawab pertanyaan yang menjadi tidak relevan ketika model itu tidak benar secara harfiah. Jadi sebelum menggali terlalu dalam masalah pertimbangkan apakah itu masih menarik dan berlaku ketika model tidak berlaku, karena itu tidak akan pernah terjadi. Anda harus dapat menemukan banyak pertanyaan seperti itu di bidang deret waktu, jika di situlah letak salah satu minat Anda.

Juga menghargai bahwa ada tantangan yang terlibat dalam analisis data dunia nyata bahwa pendidikan statistik saja mungkin tidak mempersiapkan Anda, jadi saya akan mempertimbangkan melengkapi pendidikan Anda dengan mempelajari topik-topik seperti basis data relasional dan perhitungan umum. Bidang-bidang ini juga bisa sangat menarik dan menawarkan perspektif yang menyegarkan tentang data.

Akhirnya, seperti yang sudah ditunjukkan oleh Matthew Drury, penting untuk bisa memprogram. Saya akan berusaha menjadi kuat dengan R dan / atau Python, dan mulai belajar tentang SQL, yang pasti akan Anda temui. Banyak perusahaan masih menggunakan SAS, tetapi apakah Anda benar-benar ingin bekerja untuk SAS? Bahasa yang dikompilasi seperti C atau Java juga tidak sakit, tetapi ini tidak terlalu kritis.

— dsaxton
sumber

1

Saya setuju bahwa "Semua model salah, beberapa model berguna". Namun apakah Anda setuju akan ada nilai dalam merumuskan model penjelas (generatif) mekanistik, yang mungkin termasuk parameter laten (tidak teramati)? Misalnya, dalam menentukan strategi pengumpulan / pengumpulan data. Kesan saya adalah bahwa ini mungkin merupakan pembagian (lunak?) Antara statistik dan pembelajaran mesin. Atau saya bisa saja salah. (Saya di industri, tetapi secara teknis bukan "ilmuwan data".)

— GeoMatt22

3

Sebagai seseorang yang menghabiskan karir pasca-doktoral mereka di industri, saya akan mengatakan ini.

Tanggapan Matthew Drury adalah tingkat pertama. Pernyataan dsaxton tentang prediksi vs estimasi juga bagus.
Belajar memprogram menggunakan apa pun yang akan membantu Anda melewati sekolah pascasarjana dengan cepat. Jadilah ahli dalam hal itu. Setelah Anda sangat fasih dalam satu bahasa, yang lain mudah diambil dan Anda mungkin bisa melakukannya atas biaya majikan Anda.
Basis data tidak akan menjadi lebih kecil, dan mungkin tidak akan mendapatkan pembersih apa pun. Saya memperkirakan bahwa teknik untuk menangani data yang besar, berantakan / hilang adalah taruhan yang layak selama dua atau tiga dekade ke depan.

— zbicyclist
sumber

2

Sebagian besar jawaban saat ini berorientasi "ilmu data", yang jelas merupakan bidang yang sangat mudah dipekerjakan. Seperti poster asli menyebutkan minat khusus dalam proses stokastik dan deret waktu, bidang lain dari statistik matematika * yang mungkin relevan adalah estimasi ruang-negara .

Ini digunakan untuk memperkirakan model di mana sistem berevolusi karena umpan balik antara proses deterministik yang sangat terstruktur (kuasi-) dan pemaksaan stokastik. Misalnya estimasi ruang-negara di mana-mana dalam kendaraan otonom .

(* Area ini umumnya dianggap sebagai bagian dari teknik, atau lainnya domain , tetapi tentu saja melibatkan statistik matematika.)

— GeoMatt22
sumber

1

Saya tidak akan menyarankan sesuatu yang baru secara radikal, tetapi sebagai pemulung data profesional sendiri, saya ingin menekankan beberapa poin.

Semua keterampilan yang dapat dipasarkan bukan hanya kumpulan keterampilan tunggal yang terisolasi, tetapi semuanya merupakan paket yang disinkronkan. Dan dengan paket, maksud saya,
Seperangkat keterampilan praktis, dengan kemampuan sangat tinggi. Seperti Anda dapat membentuk penilaian yang berarti mengingat setumpuk data. Dan untuk pria level PhD (atau untuk siapa pun yang datang kepada mereka), majikan akan lebih tertarik untuk membawa kecocokan kognitif dunia nyata yang dapat Anda bawa dengan sekumpulan data. Untuk mengklarifikasi, sebagai contoh,
Serangkaian keterampilan yang Anda dapat gunakan untuk ekstraksi data dari API, menulis codec dan driver dalam proses jika Anda menemukan proses pantang menyerah sejauh Anda mungkin tidak dapat melibatkan potensi penuh Anda untuk itu. Kemudian menggunakan elemen analisis statistik untuk transformasi data menjadi informasi. Proses ini sangat mentah dan otentik sehingga semakin beragam dan dalam pembelajaran Anda, semakin banyak informasi yang dapat Anda ambil. Saya pernah diberitahu, bahwa menguasai matematika yang dapat memberikan jawaban untuk masalah adalah satu hal tetapi untuk menafsirkan jawaban itu di dunia nyata, hanyalah keterampilan lain.
Terakhir dan sangat penting, dapatkah Anda menyajikan visualisasi kesimpulan Anda agar semua orang dapat melihat dan memahami tanpa ada orang yang bukan dari bidang terkait Anda yang tidak mengajukan lebih dari 3 pertanyaan tindak lanjut. Dan di sinilah Anda akan memberikan analogi Anda pada proses dunia nyata. Ini agak sulit tetapi setelah dikuasai, biasanya membayar dividen yang baik, sepanjang karier Anda.

Untuk semua ini, dari sudut pandang saya, tip yang berguna adalah bertanya pada diri sendiri secara konsisten sambil mempelajari hal-hal baru bagaimana cara itu dapat digunakan di dunia nyata. Ya, itu memang canggung pada saat-saat ketika seseorang menggali jauh ke dalam abstraksi, tetapi bagaimanapun, itu adalah kebiasaan yang sangat berharga, dan sering kali memisahkan pekerja super dari yang hanya berpendidikan tinggi. Semoga berhasil!

— Madhur
sumber