数学統計のどの領域が非常に採用可能ですか？

私は統計学の栄誉を終えようとしています。数学の統計学は非常に興味深いと思うので、本当に博士号を取得したいと思っています。私が最も博士号を取得したい研究分野は、確率過程と時系列です。

しかし、私は博士号取得後、民間部門でのキャリアも追求したいと考えています。私は、数学統計のどの分野が民間部門で最も使用されているのか、どのような職種で使用されているのか疑問に思っていました。

雇用できるという理由だけで博士号を取得するつもりはありませんが、それは間違いなく検討する必要があると感じているので、アドバイスをお願いします。

私は、データサイエンティストを定期的に評価して雇用する人として答えています。

学術研究から民間部門のキャリアに移行する人として、あなたはあなたが持っている特定のスキルの強さで雇われるつもりはありません。統計学の学術研究の世界、および特定の企業の一連の問題の領域は、非常に正確に定義された特定のスキルセットに基づいて雇用するには広大すぎます。

代わりに、正確な思考に対する一般的な適性、問題解決に対する渇望と才能、抽象的で複雑なアイデアを理解して伝達する能力、および実践的かつ理論的なスキルの多様なセットを示すことができるため、雇用されることになります。

だから、私のアドバイス、そして私はただの男です。あなたが好きなことをして、問題解決、ニュアンス、複雑さに対する渇望を養います。多様なスキルを学び、基礎をよく理解します（研究トピックよりも優れています）

ああ、プログラムを学ぶ。

それは非常に理にかなっています、思慮深い返事に感謝します。推奨する特定のプログラミング言語はありますか

意見を述べることなく答えるのは難しい質問です。

私の個人的な意見では、それは本当に重要ではないので、あなたが好きなものを学び、それはあなたが学習を続ける動機付けになるということです。第一言語を本当に上手に学ぶことが大きなハードルです。最初に別の（そして別の、そして別の）を学習した後は、難しい概念上の課題にすでに対処しているため、はるかに簡単です。

しかし、言語をよく学び、その言語がどのように機能するのか、そしてそれがそのように設計された理由を学びましょう。あなたが戻ることを恐れないきれいなコードを書いてください。不幸な現実ではなく、重大な責任としてコードを書くことを考えてください。これにより、やりがいがあり、宣伝できる本当のスキルが得られます。

それでも特定のアドバイスが必要な場合は、@ ssdecontrolをエコーし​​、（やや）汎用を実行できる統計言語よりも、統計を実行できる汎用言語を優先します。

「市場性」のあるスキルに関心がある場合は、予測よりも予測に重点を置いたさまざまなモデリング手法（GLM、連続および離散両方のサバイバルモデル、ランダムフォレスト、ブーストツリー）について学びます。数学統計は、パラメトリックモデルの下での推定が行き詰まることがあり、モデルが文字通り正しくない場合に関係のない質問に答えようとします。そのため、問題を深く掘り下げる前に、モデルが成り立たない場合でも、興味深く適用できるかどうかを検討してください。それがあなたの興味の一つである場合、時系列の分野でそのような多くの質問を見つけることができるはずです。

また、統計教育だけでは準備できない現実世界のデータの分析に関連する課題があることを理解してください。したがって、リレーショナルデータベースや一般的な計算などのトピックの研究で教育を補足することを検討します。これらのフィールドは非常に魅力的であり、データに関するさわやかな視点を提供します。

最後に、Matthew Druryが既に指摘したように、プログラムできることが不可欠です。私はRやPythonで強くなることに取り組み、必然的に遭遇するSQLについて学び始めます。多くの企業がまだSASを使用していますが、実際にSASで働きたいですか？CやJavaなどのコンパイル言語も害はありませんが、これはそれほど重要ではありません。

博士号取得後のキャリアを業界で過ごした人として、私はこれを言うでしょう。

1. マシュー・ドゥルーリーの反応は一流です。予測と推定に関するdsaxtonの発言も良好です。
2. あなたが迅速に大学院を通過するのに役立つものを使用してプログラムすることを学びます。それで上手になります。1つの言語に非常に堪能になれば、他の言語も簡単に習得でき、雇用主の費用で可能になります。
3. データベースはこれ以上小さくなりませんし、おそらくクリーンになることはありません。巨大な、乱雑な/欠落したデータに対処する技術は、今後20、30年でまともな賭けになると予測します。

現在の回答のほとんどは、指向性の高い「データサイエンス」であり、これは間違いなく非常に採用しやすい分野です。元のポスターが確率過程と時系列に特に興味を持っていると述べたように、関連する可能性のある数学統計*の別の領域は状態空間推定です。

これは、高度に構造化された（準）決定論的プロセスと確率的強制の間のフィードバックによりシステムが進化するモデルを推定するために使用されます。たとえば、状態空間の推定は、自律走行車ではどこにでもあります。

（*この領域は一般にエンジニアリングまたは他のドメインの一部と見なされますが、確かに数学的統計が含まれます。）

根本的に新しいものを提案するつもりはありませんが、プロのデータスカベンジャーとして、私はいくつかの点を強調したいと思います。

1. すべての市場性のあるスキルは、単一の分離されたスキルのバンドルであるだけでなく、完全に同期されたパッケージです。そして、パッケージによって、つまり

2. 非常に高い能力を備えた実践的なスキルのセット。あなたがデータの山を与えられた意味のある判断を形成できるように。そして、博士号レベルの人（または彼らに来る人）にとって、雇用主は、特定のデータセットでもたらすことができる現実世界の認知的一致をもたらすことにもっと興味を持つでしょう。明確にするために、例として、

3. APIからデータを抽出するために使用できるスキルのセット。プロセスにコーデックとドライバーを作成します。プロセスの潜在能力を十分に発揮できない場合は、プロセスが不安定になります。次に、データを情報に変換する統計分析の要素を使用します。このプロセスは非常に生々しく、非常に本物であるため、学習がより多様で深くなればなるほど、より良い情報を取得できます。問題に答えることができるマスタリング数学は一つのことであるが、現実の世界でその答えを解釈することは別のスキルであると一度言われたことがあります。

4. 最後に非常に重要なことは、関連分野に属さない人が3つ以上のフォローアップ質問をすることなく、誰もが見て理解できるように結論の視覚化を提示できますか。そして、これが実世界のプロセスに類推を与える場所です。それは少し難しいですが、一度習得すると、通常、あなたのキャリアを通して良い配当を支払います。

これらすべてについて、私の見地からすると、実用的なヒントは、現実の世界でどのようにそれを使用できるかという新しいことを勉強しながら、一貫して自問することです。はい、それは抽象化を深く掘り下げるときに時々厄介になりますが、それでもそれは非常に価値のある習慣であり、多くの場合、超雇用者を単に高度な教育を受けた人から分離します。幸運を！