Estou no processo de selecionar três aulas de estatística para o meu grupo de cursos de Matemática Aplicada (fazendo minha concentração em ciências atuariais ou análise estatística). Quais das 3 classes a seguir você considera mais úteis / aplicáveis em finanças / tecnologia / emparelhadas com Ciência da Computação?
- Processos estocásticos (passeios aleatórios, cadeias de Markov com tempo discreto, processos de Poisson)
- Modelagem Linear: Teoria e Aplicações
- Introdução às Séries Temporais
- Previsão Estatística Moderna e Aprendizado de Máquina
- Teoria do jogo
- Introdução à análise econométrica (inscrição cruzada entre Stats & Econ)
Respostas:
fonte
Eu recomendaria Modelagem Linear e Introdução às Séries Temporais. Se você tem apenas três disciplinas eletivas e decide se concentrar em ciências atuariais, eu faria um curso de análise de sobrevivência, se houver uma disponível.
fonte
Trabalhando como cientista de dados em uma das maiores consultorias do mundo, posso apenas dar aos meus dois centavos qual deles é útil para um trabalho como o meu. Todos os cursos são legais e têm aplicações tanto em pesquisa, desenvolvimento quanto em consultoria. No entanto, alguns cursos podem ser mais importantes para aplicação prática. Isenção de responsabilidade: isso não reflete a opinião do meu empregador e só vi vários departamentos na Alemanha.
OS CURSOS MAIS ÚTEIS:
Se você estiver trabalhando como cientista de dados, certamente fará previsões ocasionalmente. É importante que você entenda padrões como tendências, raízes unitárias, sazonalidades etc.
Na prática, você enfrentará dados com diferentes frequências, como dados mensais ou trimestrais.
Leia o princípio e a prática de previsão para entender as aplicações da previsão.
Este curso aumentará suas chances de conseguir um emprego altamente remunerado. O aprendizado de máquina está correlacionado com salários mais altos que as estatísticas clássicas. Definitivamente, vale a pena conhecer coisas como dados de treinamento e teste. Você sempre construiu um modelo e o testou.
Também é devido à importância do Machine Learning que esta página é chamada CrossValidated. hahahaha
TAMBÉM ÚTIL:
Esses cursos parecem bem parecidos comigo. Presumo que ambos estejam lidando principalmente com dados longitudinais e dados de painel. No entanto, a maioria dos problemas de regressão que você enfrentará como cientista de dados lida com séries temporais. Acabei de ter um projeto com a regressão Heckman da seleção de modelos / Tobit e algumas pequenas coisas onde enfrentei Count Data e Survival Analysis. As tarefas gerais de classificação são mais difundidas na minha empresa do que as tarefas de regressão.
É mais provável que você trabalhe em equipe com matemáticos, estatísticos e cientistas da computação. Eles não se aterão aos modelos econométricos. No entanto, um sólido entendimento de modelos lineares e análises econométricas ajudará você a lidar com séries temporais e questões de previsão.
Também depende da linguagem de programação que você preferir. R (e ainda mais particularmente Stata) são muito úteis para modelos de regressão. Python é bastante útil para outras tarefas.
Como Michael Chernick já afirmou, os problemas microeconométricos são amplamente utilizados nos seguros. Se você trabalha em um departamento de seguro de vida, a análise de sobrevivência será crucial. No entanto, a maioria dos cientistas de dados não enfrenta essas tarefas.
Você pode seguir este curso de base econométrica aplicada pela UCLA e refletir sobre até que ponto enfrentará essas questões em seu trabalho futuro.
OUTROS IRRELEVANTES:
Isso dificilmente será útil como cientista de dados. Talvez você possa enfrentar esses modelos se estiver trabalhando no departamento de finanças quantitativas de um banco.
A teoria dos jogos é um conceito teórico pouco aplicado diretamente na prática. Na pesquisa econômica e psicológica, pode ser útil, mas não está no escopo clássico de um cientista de dados.
Por favor, não hesite em perguntar se devo ser mais específico sobre alguns cursos.
fonte
Como alguém que trabalha para um banco em um papel quantitativo, discordo das outras respostas. Processos estocásticos são muito importantes. Um bom conhecimento de processos estocásticos permite entender a intuição por trás de muitas das outras classes mencionadas, especialmente modelos de séries temporais. Também é um diferenciador (na minha experiência, um bom conhecimento dos processos estocásticos é raro).
Eu levaria
fonte