Quels domaines des statistiques mathématiques sont hautement employables?

Je suis sur le point de terminer mes honneurs en statistique, et je veux vraiment faire un doctorat parce que je trouve les statistiques mathématiques extrêmement intéressantes. Les domaines de recherche dans lesquels je souhaite le plus faire un doctorat sont les processus stochastiques et les séries chronologiques.

Cependant, je souhaite également poursuivre une carrière dans le secteur privé après mon doctorat. Je me demandais quels domaines des statistiques mathématiques sont les plus utilisés dans le secteur privé et dans quels types d'emplois?

Évidemment, je ne vais pas faire de doctorat simplement parce que c'est employable, mais je pense que c'est certainement quelque chose que je dois considérer et je voudrais donc quelques conseils.

Je réponds en tant que personne qui évalue et embauche régulièrement des scientifiques des données.

En tant que personne qui fait la transition des études universitaires vers une carrière dans le secteur privé, vous n'allez pas être embauché en raison de vos compétences spécifiques. Le monde des études universitaires en statistique et le domaine des problèmes d'une entreprise donnée sont beaucoup trop vastes pour être embauchés sur la base de compétences spécifiques très précisément définies.

Au lieu de cela, vous allez être embauché parce que vous pouvez démontrer une aptitude générale à la réflexion précise, une soif et un talent pour la résolution de problèmes, une capacité à comprendre et à communiquer des idées abstraites et complexes et un ensemble diversifié de compétences pratiques et théoriques.

Donc, mon conseil, et je ne suis qu'un gars, faites ce que vous aimez et développez une soif de résolution de problèmes, de nuances et de complexité. Apprenez un ensemble diversifié de compétences et connaissez bien vos fondamentaux (mieux que votre sujet de recherche)

Oh, et apprenez à programmer.

Cela a beaucoup de sens, merci beaucoup pour la réponse réfléchie. Y a-t-il des langages de programmation particuliers que vous recommanderiez

Question difficile à répondre sans être opiniâtre.

Mon opinion personnelle est que cela n'a pas vraiment d'importance, alors apprenez celui que vous aimez et qui vous motive à continuer à apprendre. Apprendre très bien votre première langue est le grand obstacle. Après le premier apprentissage, un autre (et un autre, et un autre) est beaucoup, beaucoup plus facile car vous avez déjà fait face aux défis conceptuels difficiles.

Mais apprendre la langue bien , apprendre comment fonctionne le langage et pourquoi il a été conçu comme il était. Écrivez un code propre auquel vous n'avez pas peur de revenir. Considérez l'écriture de code comme une responsabilité sérieuse, et non comme une triste réalité. Cela rend à la fois plus gratifiant et une véritable compétence que vous pouvez annoncer.

Si vous voulez toujours des conseils spécifiques, je voudrais faire écho à @ssdecontrol, préférer un langage à usage général qui peut faire des statistiques plutôt qu'un langage de statistiques qui peut (un peu) faire un usage général.

Si vous vous intéressez aux compétences "commercialisables", je dirais en savoir plus sur une variété de techniques de modélisation (GLM, modèles de survie à la fois continus et discrets, forêts aléatoires, arbres boostés) en mettant l'accent sur la prédiction sur l'estimation. Les statistiques mathématiques peuvent parfois être trop embourbées dans les estimations sous des modèles paramétriques, essayant de répondre à des questions qui deviennent inutiles lorsque le modèle n'est pas littéralement vrai. Donc, avant de plonger trop profondément dans un problème, demandez-vous s'il est toujours intéressant et applicable lorsque le modèle ne tient pas, car il ne le sera jamais. Vous devriez pouvoir trouver beaucoup de ces questions dans le domaine des séries chronologiques, si c'est là que réside votre intérêt.

Appréciez également qu'il y a des défis impliqués dans l'analyse des données du monde réel qu'une éducation statistique seule ne peut pas vous préparer, donc je considérerais de compléter votre éducation avec l'étude de sujets comme les bases de données relationnelles et le calcul général. Ces domaines peuvent également être très fascinants et offrir une perspective rafraîchissante sur les données.

Enfin, comme Matthew Drury l'a déjà souligné, il est essentiel de pouvoir programmer. Je travaillerais à devenir fort avec R et / ou Python, et commencerais à apprendre sur SQL, que vous rencontrerez inévitablement. De nombreuses entreprises utilisent toujours SAS, mais voulez-vous vraiment travailler pour l'une d'entre elles? Un langage compilé tel que C ou Java ne fait pas de mal non plus, mais ce n'est pas vraiment critique.

En tant que personne ayant passé sa carrière postdoctorale dans l'industrie, je dirais ceci.

1. La réponse de Matthew Drury est de premier ordre. Les remarques de dsaxton sur la prédiction vs l'estimation sont également bonnes.
2. Apprenez à programmer en utilisant tout ce qui vous aidera à terminer vos études supérieures rapidement. Soyez bon dans ce domaine. Une fois que vous parlez couramment une langue, d'autres sont faciles à comprendre et vous pouvez probablement le faire aux frais de votre employeur.
3. Les bases de données ne deviendront pas plus petites et ne seront probablement pas plus propres. Je prédis que les techniques pour traiter des données gigantesques, en désordre / manquantes sont un pari décent au cours des deux ou trois prochaines décennies.

La plupart des réponses actuelles sont orientées vers la "science des données", qui est certainement un domaine hautement utilisable. Comme l'affiche originale mentionnait un intérêt particulier pour les processus stochastiques et les séries chronologiques, un autre domaine des statistiques mathématiques * qui peut être pertinent est l'estimation de l'espace d'état .

Ceci est utilisé pour estimer les modèles où le système évolue en raison de la rétroaction entre les processus (quasi) déterministes hautement structurés et le forçage stochastique. Par exemple, l'estimation de l'espace d'état est omniprésente dans les véhicules autonomes .

(* Ce domaine est généralement considéré comme faisant partie de l'ingénierie ou d'autres domaines , mais implique certainement des statistiques mathématiques.)

Je ne suggérerais pas quelque chose de radicalement nouveau, mais en tant que récupérateur de données professionnel, je voudrais souligner quelques points.

1. Toutes les compétences commercialisables ne sont pas seulement un ensemble de compétences isolées uniques, mais elles constituent un ensemble synchronisé complet. Et par paquet, je veux dire,

2. Un ensemble de compétences pratiques, avec des compétences extrêmement élevées. Comme vous pouvez formuler un jugement significatif compte tenu d'une pile de données. Et pour un doctorant (ou pour toute personne qui vient chez eux), les employeurs seraient plus intéressés à apporter une correspondance cognitive réelle que vous pouvez apporter avec un ensemble de données donné. Pour clarifier, par exemple,

3. L'ensemble des compétences que vous pouvez utiliser pour l'extraction de données à partir de l'API, l'écriture de codecs et de pilotes dans le processus si vous avez trouvé le processus inflexible dans la mesure où vous ne pourrez peut-être pas exploiter pleinement votre potentiel. Puis en utilisant des éléments de l'analyse statistique pour une transformation des données en informations. Ce processus est si brut et si authentique que plus votre apprentissage est diversifié et approfondi, plus vous pourrez récupérer d'informations de qualité. On m'a dit une fois, que la maîtrise des mathématiques qui peut donner une réponse au problème est une chose, mais interpréter cette réponse dans le monde réel, n'est qu'une autre compétence.

4. Enfin et extrêmement important, pouvez-vous présenter des visualisations de vos conclusions pour que tout le monde puisse les voir et les comprendre sans que personne qui n'est pas de votre domaine apparenté ne pose plus de 3 questions de suivi. Et c'est là que vous donneriez votre analogie au (x) processus réel (s). C'est un peu difficile mais une fois maîtrisé, il rapporte généralement de bons dividendes, tout au long de votre carrière.

Pour tout cela, de mon point de vue, une astuce utile consiste à se poser de manière cohérente tout en étudiant de nouvelles choses sur la façon dont il peut être utilisé dans le monde réel. Oui, cela devient parfois gênant quand on plonge profondément dans les abstractions, mais néanmoins c'est une habitude qui en vaut la peine, et souvent elle sépare le super-employable du simplement très instruit. Bonne chance!