Jeśli zdobędziesz MS w statystykach stosowanych (po którym być może otrzymasz tytuł doktora) i będziesz miał bardzo dobre przygotowanie komputerowe, nie pomylisz się. MS lub doktorat z biostatystyki prowadzi do świetnych miejsc pracy, a jeśli nie lubisz badań biomedycznych lub farmaceutycznych, nadal kwalifikujesz się do niemedycznej dziedziny związanej ze statystykami stosowanymi.

Mrożąca krew w żyłach rzeczywistość jest taka, że ​​ statystycy nie są uznawani za naukowców zajmujących się danymi. Tak więc zdobycie dyplomu ze statystyki z pewnością dobrze wyposaży cię w naukę o danych, ale możesz nie mieć tak wielu możliwości, jak mogłoby się wydawać, że sugerowałaby to nazwa kierunku.

Nie mam puszki odpowiada za Ciebie (i nikt tego nie robi ... z wyjątkiem Hala Variana, a możesz chcieć porozmawiać z nim bezpośrednio - jeśli nie możesz wygooglować jego danych kontaktowych, nie powinieneś rozważać kariery w data science :)). Moje dwa centy, które powinieneś rozważyć, to:

1. Program informatyczny z drobną specjalizacją w statystykach. Moim zdaniem stopień informatyczny jako taki nie wyposaży cię dobrze w naukę o danych, ponieważ statystyka w artykule „nauka o danych bez statystyk” polega na tym, że naukowcy zajmujący się danymi ostatecznie wymyślają statystyki na nowo. Dlatego lepiej będzie Ci się go dobrze nauczyć na początku.
2. Profesjonalny program magisterski z zakresu analityki ( Rutgers, stan NC - nie to Popieram je, podam tylko przykłady). programy Professional Science Master obejmują około 60% godzin zaliczeń z programu nauczania przedmiotów ścisłych i około 40% z programu biznesowego. Żałuję, że nie miałem możliwości podjęcia tego stopnia, gdy byłem w szkole średniej. Oczywiście zakłada się, że cię na to stać - możesz iść do większości doktorantów. programów i uzyskaj pełne wsparcie finansowe, ale za studia magisterskie będziesz musiał zapłacić samodzielnie.

Przeglądaj Academia.SE, aby uzyskać więcej wskazówek dotyczących struktury Twoje szkolenie podyplomowe i jakiego stopnia możesz chcieć lub nie. Co ciekawe, Data Science.SE jest obecnie (listopad 2014 r.) W fazie beta i nie jest to dobra, zdrowa wersja beta.

EDYCJA: Po prostu spróbuj dodać więcej słów.

Jako doktorant z biostatystyki czuję się świetnie z tym, co powiedział @ Frank-Harrell. I to się zgadza !!! Studenci z naszego wydziału mają świetne miejsca pracy po ukończeniu studiów.

Z drugiej strony @StasK zacytował artykuł „ Czy nie jesteśmy nauką o danych?”, ale zatytułował go „ statystycy nie są rozpoznawani jako naukowcy danych ”. Jest to dla mnie nieco mylące. Statystycy mogą nie być nazywani naukowcami danych. Ale kto jeszcze może formalnie to twierdzić? W każdym razie artykuł stwierdza, przynajmniej dla mnie, że statystyki mogą wnieść ogromny wkład w naukę o danych. Głównym problemem, który utrudnia statystykom promowanie nauki o danych, jest to, że pracownicy statystyki nie są dobrze wyszkoleni w zakresie obliczeń na dużą skalę i wydajnego programowania. Cytowany z tego artykułu jest następujący.

Oraz statystyki. Statystyka ma ogromny potencjał, aby przyczynić się do nauki o danych. Istnieją otwarte problemy badawcze wymagające, aby klasyczne metody statystyczne w próbkowaniu, projektowaniu i wnioskach przyczynowych były „skalowane w górę”, aby były wykonalne z ogromnymi zbiorami danych. Niewielu informatyków i innych, którzy dominują w środowisku nauki o danych, jest dobrze zorientowanych w tych koncepcjach, a wielu przyjmuje „algorytmiczne” podejście do analizy danych. Nauka o danych wymaga myślenia statystycznego i nowych fundamentalnych ram - na przykład, jaka jest „populacja”, gdy mamy do czynienia z Big Data generowanymi przez Google?

W rzeczywistości wiele firm zaczyna gromadzić dane prospektywnie do testów wewnętrznych i walidacji, a nie docenia się mocy zasad projektowania. Statystycy mogliby napędzać znaczne postępy poprzez opracowanie „eksperymentalnego projektu na miarę XXI wieku”!

Można z pewnością powiedzieć, że nauki komputerowe są na lepszej pozycji, ale brakuje im po prostu myślenia statystycznego. Ale dla mnie uważam dwa główne elementy za „mózg” i „ręce”! Jeśli projekt eksperymentu jest błędny na samym początku lub jeśli wnioskowanie jest tendencyjne na samym końcu, skończymy z zupełnie inną historią o wnioskach i strategii biznesowej.

Upraszczając, wszystko, co chciałbym tutaj przekazać, praktykujący naukę o danych naprawdę potrzebują zarówno dobrego myślenia statystycznego, jak i programowania.

KONIEC EDYCJI:

Aby zdecydować, na jakim stopniu chcesz się rozwijać, musisz zdobyć aby wiedzieć, jakie zestawy umiejętności kwalifikują Cię do pracy w dziedzinie nauki o danych. Opierając się na tym, co wiem, jeśli chcesz wejść w dziedzinę nauki o danych, jakie „twarde” umiejętności , które chciałbyś mieć, są zasadniczo dwojakie: silne zdolności analityczne oraz dobre obliczenia i programowanie umiejętności. Możesz przejść do Quora i wyszukać takie hasła, jak „nauka o danych”, „naukowiec danych” itp., Aby dowiedzieć się, jak wygląda ta dziedzina i co należy do niej przygotować. Oto dwa pytania od Quora, przez które możesz chcieć odpowiedzieć:

1. Co to jest nauka o danych?
2. Jak zostać analitykiem danych?

W przypadku niektórych takich pytań, rozumiesz.

( Umiejętności miękkie , takie jak ustne i umiejętności komunikacji pisemnej i umiejętności pracy w zespole są również bardzo ważne. A w niektórych okolicznościach nawet ważniejsze niż umiejętności analityczne. Ale z pewnością dyskusja na temat umiejętności miękkich jest z pewnością poza tematem ze względu na twoje pytania.)

A teraz wracając do pytań.

Jakie wybory absolwentów zaprowadziłyby mnie tam, gdzie chcę się udać?

Gdy już uzyskasz jasną wizję i głęboko przemyślisz to, czego musisz się nauczyć, powinieneś być w stanie samodzielnie odpowiedzieć na to pytanie. Moją sugestią byłyby nauki komputerowe, matematyka stosowana lub statystyka, biostatystyka, fizyka, inżynieria lub jakiekolwiek inne kierunki, które w dużym stopniu obejmują analitykę i obliczenia. Zasadniczo, interdyscyplinarny stopień naukowy, który pomoże ci trenować zarówno analizę danych, jak i programowanie, z pewnością zapewni ci świetną pozycję do pracy w dziedzinie nauki o danych.

Czy istnieje konsensus co do tego, czy dyplom ukończenia studiów jest stosowany? matematyka lub statystyka postawiłyby mnie w lepszej pozycji do wejścia w dziedzinę nauki o danych?

Nie wiem, czy istnieje taki konsensus formalnie uznany przez naukowców akademickich lub praktyków przemysłowych, ale ja może przekazać Ci wiadomości / raporty ze stron internetowych, które pokazują, jaką rolę odegra Statystyka w miarę ewolucji „Ery Big Data”. Wierzę, że te artykuły przynajmniej utwierdzą Cię w przekonaniu, że statystyki powinny być dobrym wyborem.

1. Dla dzisiejszego absolwenta, tylko jedno słowo: statystyki
2. Jak nauka statystyczna może przyspieszyć projekty badawcze związane z dużymi zbiorami danych?
3. Odkrycie z danymi: wykorzystanie statystyki z informatyką do transformacji nauki i społeczeństwa
4. We Are Data Science
5. [The Era of Big Data] Artykuły o Big Data, które trzeba przeczytać

Ostatni pochodzi z mojego bloga, w którym zebrałem kilka ważnych artykułów z mediów i znanych stron internetowych, takich jak NYTimes, Forbes, McKinsey, Harvard Business Review itp. Możesz znaleźć takie, które zarysowują przyszłość dziedziny data science, i umiejętności potrzebne w tej dziedzinie. Na przykład, oto cytat z NYTimes, słowa Hala Variana.

„Wciąż powtarzam, że seksowną pracą w ciągu najbliższych 10 lat będą statystycy” - powiedział Hal Varian, główny ekonomista w Google. „I nie żartuję”.

Większość artykułów opisuje to, że dziedzina statystyki jako dyscyplina badająca dane - „nauka o danych” przeżywa rozkwit w tym historycznym momencie. Więc jeśli istnieje konsensus, te artykuły byłyby tego oznaką.

Wreszcie, ponieważ może ci się wydawać, że przekonuję cię do uzyskania tytułu magistra statystyki lub biostatystyki, nie mają taki zamiar, chociaż są to świetne wybory, jak wskazałem wcześniej. Wszelkie stopnie naukowe, które pasują do twoich zainteresowań (np. Uczenie maszynowe w informatyce), warto wziąć pod uwagę, o ile wiesz, że przygotowujesz swoje umiejętności analityczne i obliczeniowe. Możesz nawet nauczyć się tych umiejętności samodzielnie, korzystając z kursów otwartych na Coursera.

Jeśli masz już licencjat z matematyki i chcesz analizować dane w tej dziedzinie, to magister statystyki zrobi znacznie więcej niż drugi stopień z matematyki. Tylko statystyka, biostat i OR (nie tak pewne) uczą podstawowych założeń statystycznych dotyczących problemów statystycznych. Statystyka już teraz uczy więcej matematyki, niż potrzeba do analizy danych, np. Teorii miary i teorii dużych próbek.

Ponadto statystyczne uczenie maszynowe jest mocno zakorzenione w statystyce. Są to narzędzia w ML, których używamy do analizy danych. Pozostałe narzędzia służą do zarządzania danymi.

Wybierz PG w nauce o danych.Jest to dostępne głównie na uniwersytetach w USA iw Europie.Wiem, że robią się naprawdę drogie.Dlaczego więc nie pójdziesz na studia podyplomowe online w dziedzinie nauk o danych i inżynierii, które będą obejmować uczenie maszynowe.Mam jedno na myśli: Świetna nauka - PG w nauce i inżynierii danych