タグ付けされた質問 「careers」

休業。この質問は意見に基づいています。現在、回答を受け付けていません。 この質問を改善してみませんか？この投稿を編集して、事実と引用で回答できるように質問を更新してください。 2年前休業。 私は、応用数学コースのクラスターに使用する3つの統計クラスを選択する途中です（保険数理科学または統計分析に集中します）。次の3つのクラスのうち、財務/技術/コンピュータサイエンスとの組み合わせで最も役立つ/適用できると思いますか 確率過程（ランダムウォーク、離散時間マルコフ連鎖、ポアソン過程） 線形モデリング：理論とアプリケーション 時系列の概要 現代の統計予測と機械学習 ゲーム理論 計量経済分析入門（StatsとEconのクロス登録）

9 teaching  careers 

休業。この質問は意見に基づいています。現在、回答を受け付けていません。 この質問を改善してみませんか？この投稿を編集して、事実と引用で回答できるように質問を更新してください。 5年前休業。 私は私の大学を最近卒業し、私の学部の学位は統計学です。私は統計学が本当に好きで、おそらく統計学者として生計を立てようとするでしょう。私は修士課程を調べていますが、統計学者になるために「統計学」で修士課程を受験する必要があるかどうか迷うことはありません。たとえば、「教育測定/統計/評価」で修士課程を受講した場合でも、その学歴を持つ統計学者になることはできますか？ 私はカリキュラムを見て、コースワークには実験計画、回帰、多変量解析が含まれています。これらのコースにかなりの数学的な厳密さがあるかどうかはわかりません。

9 careers 

私は今年、統計学の博士号を取得しました。統計学/ MLの分野で成長し、優れた学術研究者になる方法について、あなたのベストプラクティス、アドバイス、（メタアドバイス）を探しています。 一般的な考えとリンクを歓迎しますが、ボールを転がすために、マイケルスティールの優れた記事「統計学における大学院生へのアドバイス」から収集した一連の質問をここに示します（重要な質問がない場合、またはいくつかの質問がある場合意味がありません-コメントしてください）： 論文vs論文-博士課程での論文の出版にどれだけ集中すべきですか？現実的に何本の論文を書きたいですか？ どのジャーナルに掲載されるよう努力すべきですか？（関連質問のリンク1、リンク2） 研究（研究課題の開発/処理）と学習（新しい論文の閲覧/コースへの出席）に1日何時間を費やすべきか 「ホットな話題」を見つけるためにどこへ行くのか、それとももっと良いこと-「すぐにホットな話題になる」ですか？（リンク1、リンク2） 「話題のトピック」が見つかったら、問題の多くの側面の基本を学ぶことと、1つの側面に焦点を当てることとのバランスをどのようにとればよいでしょうか。 明らかに、これらの質問は非常に一般的であり、それらを考えたり答えたりするための多くの角度があります-これらの一般的な問題についてどう考えるかについてのあなたの視点を読んでもらいたいと思います。 前もって感謝します！

9 careers  phd  academia 

この投稿は、急速に変化するイベントに関連しています。 私は財務のデータ分析を行う仕事をしています。私の現在の仕事は、他の業界や他の業界で起こっていることにあまり触れていないような仕事です。ベイジアン統計についてかなりの知識があります。 自分自身の市場性を維持したいので、どのデータと統計のスキルが現在需要が高いか、そしてどこにあるのか知りたいです。ソフトウェアの世界はデータで溢れているので、統計学者が非常に必要であると私は予想しますが、私の要求は、それらが高い需要ではないことです。 私の友人は、ソフトウェア業界には統計データのスキル自体ではなく、主に「ビッグデータ」のスキルが必要であることを示唆しています。 現在、どのデータおよび統計スキルが需要が高く、どこが需要が高いですか？

9 careers 

私は生物統計学の博士論文の研究トピックを選ぶことを考えてきました。近年のホットな研究トピックを知りたいです。私の知る限り、注目の研究トピックは次のとおりです。 高次元データ分析; 実験と観察研究における因果関係; 傾向スコアマッチング; ベイジアン統計。 時系列; モデルの選択。 生存データ分析; 私の質問は： 生物統計学の最近の研究動向をまとめた優れた文献レビューはありますか？ これらのトピックの必読のレビューペーパーは何ですか？

8 biostatistics  careers  phd 

または： ジョブを入力するときにドメインを選択すると、ドメインの将来のオプションが狭くなり、ジョブが絞り込まれますか？ この質問をできるだけ広く適用するには... 職業とは、統計学者から機械学習者プログラマー、データマイナーまで、あらゆる種類のデータアナリストを指します。 異なる年齢クラスの学生と専門家の両方を含む聴衆にアドバイスを求められたと想像してください 多分出発点： Kaggleでの競争は、部外者が会社の従業員によって作成されたモデルを上回ることができることを示しています（たとえば、こちらを参照）。一方、私の（限られた）仕事の経験から、データが生成された方法と場所を理解することが、Kaggleの競争のようなことが起こり得る抽象的な環境を作成するために絶対に必須であるという結論に至りました。さらに、ドメインに関する知識がなければ、結果を他のレイヤー/部門に報告するのは難しいと思います。最後のスキルを「新しい」職業「データサイエンス」のキーとして関連付ける人もいます（たとえば、ここまたはここを参照）。

8 careers