Points à considérer sur les programmes de maîtrise en statistiques

C'est la saison d'admission pour les écoles supérieures. Je (et de nombreux étudiants comme moi) essaie maintenant de choisir le programme de statistiques à choisir.

1. Quelles sont les choses que ceux d’entre vous qui travaillent avec les statistiques suggèrent que nous considérions les programmes de maîtrise en statistiques?
2. Existe-t-il des écueils ou des erreurs communes (par exemple en ce qui concerne la réputation de l’école)?
3. Pour l’emploi, devrions-nous nous concentrer sur les statistiques appliquées ou un mélange de statistiques appliquées et théoriques?

Edit: Voici quelques informations supplémentaires sur ma situation personnelle: Tous les programmes que je considère actuellement sont aux États-Unis. Certains se concentrent sur le côté plus appliqué et donnent des diplômes de master en "statistiques appliquées" tandis que d'autres ont des cours plus théoriques et délivrent des diplômes en "statistiques". Personnellement, je n'ai pas l'intention de travailler dans un secteur plutôt que dans un autre. J'ai quelques connaissances en programmation et je connais un peu mieux le secteur de la technologie que celui de la génomique ou de la bioinformatique, par exemple. Cependant, je recherche avant tout une carrière comportant des problèmes intéressants.

Edit : J'ai essayé de rendre la question plus généralement applicable.

Voici un ensemble assez vague d’idées générales et de recommandations sur les programmes de maîtrise en statistiques. Je n'ai pas l'intention qu'ils soient polémiques, bien que certains puissent sembler comme ça.

Je vais supposer que vous êtes intéressé par un diplôme de maîtrise en technologies terminales avant de vous lancer dans l'industrie et que vous n'êtes pas intéressé par un éventuel doctorat. S'il vous plaît ne prenez pas cette réponse comme faisant autorité, cependant.

Vous trouverez ci-dessous plusieurs conseils tirés de mes propres expériences. Je les ai commandés très grossièrement à partir de ce que je pense est le plus important pour le moins. Lorsque vous choisissez un programme, vous pouvez peser chacun d’eux en prenant en compte certains des points ci-dessous.

1. Essayez de faire le meilleur choix pour vous personnellement . Une telle décision implique de nombreux facteurs: géographie, relations personnelles, opportunités de travail et de réseautage, cours, coûts de l’éducation et de la vie, etc. Le plus important est de peser chacun de vous et de faire preuve de votre jugement . Vous êtes celui qui subit les conséquences de votre choix, tant positives que négatives, et vous êtes le seul à même d’évaluer votre situation dans son ensemble. Agir en conséquence.

2. Apprenez à collaborer et à gérer votre temps . Vous ne me croirez peut-être pas, mais un employeur se souciera très probablement de votre personnalité, de votre capacité à collaborer avec les autres et de votre capacité à travailler efficacement, plutôt que de vos compétences techniques brutes. Une communication efficace est cruciale dans les statistiques, en particulier lors de la communication avec des non-statisticiens. Savoir gérer un projet complexe et progresser de manière constante est très important. Tirez parti des possibilités de consultation statistique structurées, le cas échéant, dans l'institution de votre choix.

3. Apprenez un domaine apparenté . La plus grande faiblesse que je constate dans de nombreux titulaires de master et de doctorat en statistiques, tant dans l'industrie que dans le monde universitaire, est qu'ils ont souvent très peu de connaissances en la matière. Le résultat est que des analyses statistiques parfois «standard» sont parfois utilisées en raison d’un manque de compréhension des mécanismes sous-jacents du problème qu’elles tentent d’analyser. Développer une expertise dans un domaine apparenté peut donc être très enrichissant tant sur le plan statistique que professionnel. Mais l’aspect le plus important est l’apprentissage lui-même: se rendre compte que l’intégration de la connaissance de la matière peut être vital.analyser correctement un problème. Etre compétent dans le vocabulaire et les connaissances de base peut aussi aider grandement à la communication et améliorer la perception que vos collègues non statisticiens ont de vous.

4. Apprenez à travailler avec de (grosses) données . Les ensembles de données dans pratiquement tous les domaines utilisant des statistiques ont considérablement augmenté en taille au cours des 20 dernières années. Dans un contexte industriel, vous passerez probablement plus de temps à manipuler des données qu'à les analyser . Apprendre de bonnes procédures de gestion des données, le contrôle de la cohérence, etc. est crucial pour une analyse valide. Plus vous devenez efficace, plus vous passerez de temps à faire des choses "amusantes". C'est quelque chose qui est très fortement sous-estimé et sous-estimé dans les programmes académiques. Heureusement, il existe maintenant de plus grands ensembles de données disponibles pour la communauté universitaire, avec lesquels on peut jouer. Si vous ne pouvez pas faire cela dans le programme lui-même, passez du temps à le faire en dehors de celui-ci.

5. Apprendre la régression linéaire et l’algèbre linéaire appliquée associée très, très bien . Il est étonnant de voir combien de diplômés de master et de doctorat obtiennent leur diplôme (parmi les meilleurs programmes!), Mais ne peuvent pas répondre aux questions de base sur la régression linéaire ou son fonctionnement. Avoir ce matériau froid vous servira incroyablement bien. Il est important en soi et constitue la passerelle vers de nombreuses autres techniques avancées de statistique et d’apprentissage automatique.

6. Si possible, rédigez un rapport de maîtrise ou une thèse. Les programmes de maîtrise associés à certains des plus grands départements de statistiques des États-Unis (généralement plus évalués sur leurs programmes de doctorat) semblent avoir abandonné l’incorporation d’un rapport ou d’une thèse. Le fait est qu’un programme purement basé sur des cours prive généralement l’étudiant de tout approfondissement des connaissances dans un domaine particulier. La région elle-même n'est pas si importante, à mon avis, mais l'expérience l'est. La persistance, la gestion du temps, la collaboration avec le corps professoral, etc. nécessaires pour produire un rapport de maîtrise ou une thèse peuvent s'avérer très rentables lors de la transition vers l'industrie. Même si un programme n'en fait pas la publicité, si cela vous intéresse, envoyez un courrier électronique au responsable des admissions et demandez-lui si un programme personnalisé le permet.

7. Prenez les cours les plus difficiles que vous puissiez gérer . Bien que la chose la plus importante soit de très bien comprendre le matériel de base, vous devez également utiliser votre temps et votre argent à bon escient en vous mettant au défi autant que possible. Le sujet particulier que vous avez choisi d’apprendre peut sembler assez "inutile", mais il vous sera plus facile d’avoir un contact avec la littérature et de vous mettre au défi d'apprendre quelque chose de nouveau et de difficile, plus tard dans l'industrie. Par exemple, l’apprentissage d’une partie de la théorie qui sous-tend les statistiques classiques s’avère relativement inutile en soi pour le travail quotidien de nombreux statisticiens industriels, mais les concepts présentés sont extrêmement complexes.utile et fournir une orientation continue. Cela rendra également toutes les autres méthodes statistiques avec lesquelles vous entrez en contact moins mystérieuses.

8. La réputation d'un programme ne compte que pour votre premier emploi . On met trop l'accent sur la réputation d'une école ou d'un programme. Malheureusement, il s'agit d'une heuristique d'économie de temps et d'énergie pour les gestionnaires de ressources humaines. Sachez que les programmes sont davantage jugés par leurs programmes de recherche et de doctorat que par leurs programmes de maîtrise. Dans beaucoup de ces grands départements, les étudiants MS finissent souvent par se sentir un peu comme des citoyens de deuxième classe, car la plupart des ressources sont dépensées dans les programmes de doctorat.

   L'un des plus brillants jeunes collaborateurs statistiques avec qui j'ai travaillé est titulaire d'un doctorat d'une petite université étrangère dont vous n'avez probablement jamais entendu parler. Les gens peuvent obtenir une excellente éducation (parfois beaucoup meilleure, en particulier au niveau du premier cycle et de la maîtrise!) Dans des établissements «sans nom» plutôt que dans des programmes «au top». Ils sont presque assurés d'avoir plus d'interaction avec le corps professoral principal des premiers.

   Le nom de l'école en haut de votre CV est susceptible d'avoir un rôle en vous obtenant dans la porte pour votre premier emploi et les gens se soucient plus de l' endroit où votre plus avancé est venu de degré que celui où les autres ont fait. Après ce premier emploi, les gens se soucieront beaucoup plus de l'expérience que vous apportez à la table. Trouver une école où de nombreuses opportunités d’emploi intéressantes se présentent à vous par le biais de salons de l’emploi, de courriels distribués, etc. peut être très rentable et cela se produit davantage dans les meilleurs programmes.

Une remarque personnelle : j'ai personnellement une préférence pour des programmes un peu plus théoriques qui permettent encore un contact avec des données et une poignée de cours appliqués. Le fait est que vous n'allez tout simplement pas devenir un bon statisticien appliqué en obtenant un diplôme de maîtrise. Cela vient seulement avec (beaucoup plus) de temps et d’expérience dans la gestion quotidienne de problèmes complexes.

Je conseillerais soit d'aller dans la meilleure école possible avec un nom de marque (comme MIT), soit avec la meilleure offre globale (par exemple, une école publique décente avec des frais de scolarité dans l'État). Je ne gaspillerais pas d'argent dans des écoles privées de second ordre.

Les écoles de marque sont rentables. La différence de prix entre une école comme le MIT et des écoles de deuxième niveau comme GWU n'est pas assez importante pour justifier la différence de pouvoir de la marque.

D'autre part, certaines écoles publiques, par exemple William et Mary, tout en étant très bon marché offrent une éducation décente. Certains d'entre eux ont même un pouvoir de marque comparable, par exemple Berkeley vs Stanford. Ainsi, en raison de la différence de coût significative, ils constituent une alternative aux meilleures écoles privées.

Jetez un coup d'œil à la pharmacoépidémiologie. En particulier en ce qui concerne la sécurité des médicaments. Il s’agit d’un domaine de recherche très nouveau qui comporte de nombreuses questions très intéressées.