Które z poniższych kursów statystycznych są najbardziej odpowiednie i przydatne w branży finansowej / technologicznej? [Zamknięte]

Jestem w trakcie wybierania 3 klas statystyki do wzięcia udziału w moim klastrze kursów matematyki stosowanej (koncentruję się na nauce aktuarialnej lub analizie statystycznej). Które 3 klasy z poniższych są najbardziej przydatne / przydatne w finansach / tech / w połączeniu z informatyką?

• Procesy stochastyczne (losowe spacery, dyskretne łańcuchy Markowa w czasie, procesy Poissona)
• Modelowanie liniowe: teoria i zastosowania
• Wprowadzenie do szeregów czasowych
• Nowoczesne prognozy statystyczne i uczenie maszynowe
• Teoria gry
• Wprowadzenie do analizy ekonometrycznej (rejestracja krzyżowa między statystykami i ekonem)

1. Modelowanie liniowe (podstawy)
2. Wprowadzenie do szeregów czasowych (ważne dla finansów i technologii, gdzie jest wiele okazji do pomiaru)
3. Nowoczesne prognozy statystyczne i uczenie maszynowe (dla nowych, fantazyjnych prognoz, ważne także dla finansów i technologii)

Poleciłbym modelowanie liniowe i wprowadzenie do szeregów czasowych. Jeśli masz tylko trzy przedmioty do wyboru i decydujesz się skoncentrować na nauce aktuarialnej, wziąłbym kurs analizy przetrwania, jeśli jest dostępny.

Pracując jako specjalista ds. Danych w jednej z największych firm konsultingowych na świecie, mogę dać dwa centy, które są przydatne w pracy takiej jak moja. Wszystkie kursy są fajne i mają zastosowanie zarówno w badaniach, rozwoju, jak i doradztwie. Jednak niektóre kursy mogą być ważniejsze dla praktycznego zastosowania. Oświadczenie: To nie odzwierciedla opinii mojego pracodawcy i widziałem tylko kilka działów w Niemczech.

NAJBARDZIEJ PRZYDATNE KURSY:

• Wprowadzenie do szeregów czasowych

Jeśli pracujesz jako Data Scientist, na pewno od czasu do czasu sporządzisz prognozę. Ważne jest, aby zrozumieć wzorce, takie jak trendy, pierwiastki, sezonowość itp.

W praktyce będziesz mieć do czynienia z danymi o różnych częstotliwościach, takimi jak dane miesięczne lub kwartalne.

Przeczytaj zasadę i praktykę prognozowania , aby zrozumieć zastosowania prognozowania.

• Nowoczesne prognozy statystyczne i uczenie maszynowe

Ten kurs zwiększy Twoje szanse na uzyskanie dobrze płatnej pracy. Uczenie maszynowe jest skorelowane z wyższymi wynagrodzeniami niż statystyki klasyczne. Zdecydowanie warto wiedzieć takie rzeczy, jak dane dotyczące treningu i testów. Zawsze zbudujesz model i przetestujesz go.

Ze względu na znaczenie uczenia maszynowego ta strona nazywa się CrossValidated. hahahaha

PRZYDATNE TAKŻE:

• Modelowanie liniowe: teoria i zastosowania
• Wprowadzenie do analizy ekonometrycznej (rejestracja krzyżowa między statystykami i ekonem)

Te kursy wydają mi się bardzo podobne. Zakładam, że oba dotyczą głównie danych podłużnych i danych paneli. Jednak większość problemów związanych z regresją, z jakimi będziesz się borykać, gdy naukowiec zajmujący się danymi zajmuje się szeregami czasowymi. Miałem tylko jeden projekt z modelem selekcji Heckmana / regresją Tobita i kilkoma małymi rzeczami, w których spotkałem Count Data i Survival Analysis. Ogólne zadania klasyfikacyjne są bardziej rozpowszechnione w mojej firmie niż zadania regresyjne.

Najprawdopodobniej będziesz pracować w zespole z matematykami, statystykami i informatykami. Nie będą trzymać się modeli ekonometrycznych. Niemniej jednak solidne zrozumienie modeli liniowych i analiza ekonometryczna pomoże ci poradzić sobie z szeregami czasowymi i problemami z prognozowaniem.

Zależy to również od preferowanego języka programowania. R (a zwłaszcza Stata) są bardzo przydatne w modelach regresji. Python jest raczej przydatny do innych zadań.

Jak już stwierdził Michael Chernick, w ubezpieczeniach szeroko stosuje się zagadnienia mikroekonometryczne. Jeśli pracujesz w dziale ubezpieczeń na życie, kluczowe znaczenie będzie miała analiza przeżycia. Jednak większość badaczy danych nie ma takich zadań.

Możesz przejść przez ten zastosowany kurs podstaw ekonometrycznych przez UCLA i zastanowić się, jak daleko napotkasz takie pytania w swojej przyszłej pracy.

RATHER IRRELEVANT:

• Procesy stochastyczne (losowe spacery, dyskretne łańcuchy Markowa w czasie, procesy Poissona)

Nie będzie to przydatne jako Data Scientist. Być może możesz spotkać się z takimi modelami, jeśli pracujesz w dziale finansów ilościowych banku.

• Teoria gry

Teoria gier jest koncepcją teoretyczną, która praktycznie nie jest bezpośrednio stosowana w praktyce. W badaniach ekonomicznych i psychologicznych może być to pomocne, jednak nie leży to w klasycznym zakresie danych.

Nie wahaj się zapytać, czy powinienem być bardziej szczegółowy na temat niektórych kursów.

Jako ktoś, kto pracuje dla banku w roli ilościowej, nie zgadzam się z innymi odpowiedziami. Procesy stochastyczne są bardzo ważne. Dobra znajomość procesów stochastycznych pozwala zrozumieć intuicję wielu innych klas, o których wspominasz, zwłaszcza modeli szeregów czasowych. Jest to również wyróżnik (z mojego doświadczenia, dobra znajomość procesów stochastycznych jest rzadka).

Wziąłbym

1. Procesy stochastyczne
2. Nowoczesne prognozy statystyczne i uczenie maszynowe
3. Modelowanie liniowe: teoria i zastosowania