गणितीय आँकड़ों के कौन से क्षेत्र अत्यधिक रोजगार देने वाले हैं?


13

मैं आंकड़ों में अपने सम्मान को समाप्त करने वाला हूं, और मैं वास्तव में पीएचडी करना चाहता हूं क्योंकि मुझे गणितीय आंकड़े बेहद दिलचस्प लगते हैं। अनुसंधान के क्षेत्र मैं सबसे पीएचडी करना चाहते हैं स्टोकेस्टिक प्रक्रियाओं और समय श्रृंखला में हैं।

हालांकि मैं अपनी पीएचडी के बाद निजी क्षेत्र में भी अपना करियर बनाना चाहता हूं। मैं सोच रहा था कि निजी क्षेत्रों में, और किस प्रकार के नौकरियों में गणितीय आँकड़ों का सबसे अधिक उपयोग किया जाता है?

जाहिर है कि मैं पीएचडी करने नहीं जा रहा हूं क्योंकि यह रोजगार योग्य है, लेकिन मुझे लगता है कि यह निश्चित रूप से कुछ ऐसा है जिस पर मुझे विचार करने की आवश्यकता है और इसलिए मैं आपकी सलाह लेना चाहूंगा।


4
CV में आपका स्वागत है! इस साइट पर वहाँ कहने के लिए अपने पोस्ट के अंत में "धन्यवाद" कोई जरूरत नहीं है - यह पहली बार में अशिष्ट लग सकता है लेकिन यह इस साइट (के दर्शन का हिस्सा दौरे "प्रश्न पूछें, उत्तर मिलता है, कोई distractions" के लिए) और इसका मतलब है कि भविष्य के पाठकों को आपके प्रश्नों को पढ़ने की जरूरत नहीं है। इसी तरह आपके नाम पर हस्ताक्षर करने की कोई आवश्यकता नहीं है - आपका उपयोगकर्ता नाम और आपके उपयोगकर्ता पृष्ठ का लिंक प्रत्येक पोस्ट के नीचे स्वचालित रूप से दिखाई देता है
सिल्वरफ़िश

6
आप जो सवाल पूछ रहे हैं वह यह है कि "5-6 वर्षों में किन क्षेत्रों में मांग होने जा रही है?" सही उत्तर है: "हमारे पास कोई सुराग नहीं है।"
अक्कल

@ अक्षल, उस सवाल को 'सीवी' पर अनुमति नहीं दी जानी चाहिए क्योंकि यह राय आधारित होगी जैसा कि आपने सही बताया है। यदि संभव हो तो इस सवाल का जवाब वस्तुनिष्ठ होना चाहिए और रोजगार के आंकड़ों पर आधारित होना चाहिए। अमेरिका में श्रम सांख्यिकी ब्यूरो ओपी के लिए एक अच्छी जगह हो सकती है।
स्टैट्सस्टूडेंट

2
मैं देख रहा हूँ कि एक सवाल के बीच यहाँ एक डिस्कनेक्ट का एक सा है जो गणितीय आँकड़ों के विषयों और उन उत्तरों पर ध्यान केंद्रित करता है जो ज्यादातर कौशल पर ध्यान केंद्रित करते हैं । मुझे यकीन नहीं है कि क्या है क्योंकि यह प्रश्न इस पर स्पष्ट नहीं है कि यह क्या चाहता है, लोग सवाल नहीं पढ़ रहे हैं, या यह लोगों के कहने का तरीका है कि कौशल विषयों से अधिक मायने रखता है!
सिल्वरफिश

2
@Silverfish, क्या होगा अगर उत्तर गलत हैं? ओपी एक परिणाम के रूप में अपने जीवन के 6 साल खो देंगे। यह इतनी ऊंची कीमत है कि मैं उसे जवाब देने की कोशिश भी नहीं करूंगा। उसे यह भी बताना चाहिए कि शायद उसे यह सवाल बिल्कुल नहीं पूछना चाहिए। हो सकता है कि उसे वह क्षेत्र चुनना चाहिए जो उसके लिए सबसे दिलचस्प हो। 6 साल की पीएचडी के लिए उनकी जिंदगी थमने वाली नहीं है। यह महत्वपूर्ण है कि वह इन वर्षों में रहता है, वह जो कर रहा है उसका आनंद लेता है। कौन जानता है कि हमारे पास इस पृथ्वी पर कितनी देर है, हर पल मायने रखता है
अक्कल २16

जवाबों:


22

मैं किसी ऐसे व्यक्ति के रूप में उत्तर दे रहा हूं जो नियमित रूप से डेटा वैज्ञानिकों का मूल्यांकन करता है और उन्हें काम पर रखता है।

एक निजी क्षेत्र के कैरियर में अकादमिक अध्ययन से संक्रमण करने वाले व्यक्ति के रूप में, आपके पास किसी भी विशिष्ट कौशल के बल पर काम पर नहीं जाना चाहिए। आंकड़ों में अकादमिक अध्ययन की दुनिया, और किसी भी कंपनी की समस्याओं के सेट का क्षेत्र बहुत सटीक रूप से परिभाषित विशिष्ट कौशल के आधार पर किराया करने के लिए बहुत विशाल है।

इसके बजाय, आप काम पर रखने जा रहे हैं क्योंकि आप सटीक सोच के लिए एक सामान्य योग्यता, समस्या को सुलझाने के लिए एक प्यास और प्रतिभा, सार और जटिल विचारों को समझने और संवाद करने की क्षमता, और व्यावहारिक और सैद्धांतिक कौशल का एक विविध सेट प्रदर्शित कर सकते हैं।

इसलिए, मेरी सलाह, और मैं सिर्फ एक आदमी हूं, वह करो जो तुम्हें पसंद है और समस्या को सुलझाने, बारीकियों और जटिलता के लिए एक प्यास विकसित करता है। विविध प्रकार के कौशल सीखें, और अपने मूल सिद्धांतों को अच्छी तरह से जानें (अपने शोध विषय से बेहतर)

ओह, और प्रोग्राम करना सीखो।

यह बहुत समझ में आता है, विचारशील उत्तर के लिए बहुत बहुत धन्यवाद। क्या कोई विशेष प्रोग्रामिंग भाषा है जिसकी आप अनुशंसा करेंगे

बिना राय के जवाब देने के लिए कठिन सवाल।

मेरी निजी राय है कि यह वास्तव में कोई फर्क नहीं पड़ता है, इसलिए उस एक को सीखें जिसे आप पसंद करते हैं और जो आपको सीखने के लिए प्रेरित करता है। अपनी पहली भाषा वास्तव में अच्छी तरह से सीखना बड़ी बाधा है। पहले सीखने के बाद दूसरा (और दूसरा, और दूसरा) बहुत आसान है, क्योंकि आप पहले से ही कठिन वैचारिक चुनौतियों से निपट चुके हैं।

लेकिन भाषा को अच्छी तरह से जानें, जानें कि भाषा कैसे काम करती है और इसे जिस तरह से डिजाइन किया गया था, उसे क्यों बनाया गया। साफ कोड लिखें जिसे आप वापस करने के लिए बेखबर हैं। लेखन को एक गंभीर जिम्मेदारी के रूप में लें, दुर्भाग्यपूर्ण वास्तविकता नहीं। यह इसे और अधिक फायदेमंद बनाता है, और एक वास्तविक कौशल जिसे आप विज्ञापित कर सकते हैं।

यदि आप अभी भी विशिष्ट सलाह चाहते हैं, तो मैं @ssdecontrol को प्रतिध्वनित करूंगा, एक सामान्य उद्देश्य भाषा को पसंद करूंगा जो एक सांख्यिकी भाषा पर आँकड़े कर सकती है जो सामान्य उद्देश्य को कर सकती है।


3
@Patty सामान्य प्रयोजन की भाषा जानना तकनीकी कंपनियों की एक बड़ी संपत्ति है क्योंकि यह आपको डेवलपर्स के रूप में "समान भाषा बोलने" की सुविधा देती है। पायथन एक बढ़िया विकल्प है क्योंकि आप इसे डेटा विश्लेषण के लिए भी उपयोग कर सकते हैं, और यह "वास्तविक" प्रोग्रामिंग के लिए एक उत्कृष्ट परिचय है। एसएएस विशाल उद्यमों के बाहर मूल्यवान नहीं होगा। और कोई फर्क नहीं पड़ता कि आप कहां जाते हैं, आपको शायद कुछ एसक्यूएल को जानना होगा। शेल स्क्रिप्टिंग भी कम से कम जागरूक होने का एक अच्छा साधन है।
छायाकार

4
प्रोग्रामिंग और वास्तविक-दुनिया की समस्या को हल करने से संबंधित, एक सिफारिश यह सुनिश्चित करने के लिए होगी कि आप कुछ परियोजनाओं को "कच्चे" डेटा (यानी सभी इकट्ठे और आपके लिए पूर्व-संसाधित नहीं) से निपट सकते हैं। यदि आप आवश्यकतानुसार डाटा सिंथेसिस / क्लीनिंग / क्वालिटी कंट्रोल करने में सक्षम हैं, तो आपकी प्रोग्रामिंग स्किल अच्छी तरह से तैयार हो जाएगी, आप जो भी भाषा चुनेंगे।
GeoMatt22

2
"आंकड़ों में अकादमिक अध्ययन की दुनिया, और किसी भी कंपनी के समस्याओं के सेट का क्षेत्र बहुत सटीक रूप से परिभाषित विशिष्ट कौशल के आधार पर किराया करने के लिए बहुत विशाल है।" हां और ना। आप निश्चित रूप से सांख्यिकी कौशल के किसी भी विशिष्ट सेट के बिना नौकरी प्राप्त कर सकते हैं (जैसे कि शोध विषय की परवाह किए बिना एक पीएचडी निश्चित रूप से पर्याप्त है), लेकिन साथ ही आपको कौशल के एक विशिष्ट सेट के लिए आक्रामक रूप से भर्ती किया जा सकता है। एक किस्से के रूप में, मुझे किसी ऐसे व्यक्ति के बारे में पता है जिसने Google से 4 अलग-अलग ऑफ़र अस्वीकार कर दिए हैं क्योंकि वे उसके काम में रुचि रखते हैं।
क्लिफ एबी

2
@CliffAB यह उचित है। लेकिन मैं इसे एक गलती कुछ के गहरे अध्ययन पर्स को लगता होगा सिर्फ इतना है कि एक कंपनी आक्रामक तरीके से आप की भर्ती होगी।
मैथ्यू ड्र्यू

2
"गहन अध्ययन" के बारे में हाहा, मैथ्यू: मुझे यकीन है कि वह व्यक्ति @ क्लिफब जानता है कि जिसे Google से चार प्रस्ताव मिले हैं वह गहन सीखने पर काम कर रहा है।
अमीबा का कहना है कि 15-13 को मोनिका

4

यदि आपकी रुचि "विपणन योग्य" कौशल में है, तो मैं कहूंगा कि अनुमान से अधिक भविष्यवाणी पर जोर देने के साथ मॉडलिंग तकनीकों (GLMs, उत्तरजीविता मॉडल दोनों निरंतर और असतत, यादृच्छिक वन, बूस्टेड पेड़) के बारे में सीखें। गणितीय आंकड़े कभी-कभी पैरामीट्रिक मॉडल के तहत अनुमान में बहुत अधिक फंस जाते हैं, ऐसे सवालों का जवाब देने की कोशिश करते हैं जो मॉडल के शाब्दिक रूप से सत्य नहीं होने पर अप्रासंगिक हो जाते हैं। इसलिए समस्या को गहराई से समझने से पहले विचार करें कि क्या यह अभी भी दिलचस्प है और लागू नहीं है जब मॉडल पकड़ में नहीं आता है, क्योंकि यह कभी नहीं होगा। आपको समय श्रृंखला के क्षेत्र में ऐसे कई सवाल खोजने में सक्षम होना चाहिए, अगर यह आपकी रुचि है।

यह भी सराहना करें कि वास्तविक विश्व डेटा के विश्लेषण में शामिल चुनौतियां हैं जो अकेले एक सांख्यिकी शिक्षा आपको तैयार नहीं कर सकती हैं, इसलिए मैं संबंधपरक डेटाबेस और सामान्य गणना जैसे विषयों के अध्ययन के साथ आपकी शिक्षा को पूरक बनाने पर विचार करूंगा। ये क्षेत्र बहुत आकर्षक भी हो सकते हैं और डेटा पर एक ताज़ा परिप्रेक्ष्य प्रदान कर सकते हैं।

अंत में, जैसा कि मैथ्यू ड्र्यू ने पहले ही बताया था कि कार्यक्रम करने में सक्षम होना आवश्यक है। मैं आर और / या पायथन के साथ मजबूत बनने पर काम करूंगा, और एसक्यूएल के बारे में सीखना शुरू करूंगा, जिसे आप अनिवार्य रूप से सामना करेंगे। बहुत सारी कंपनियां अभी भी एसएएस का उपयोग करती हैं, लेकिन क्या आप वास्तव में एक के लिए काम करना चाहते हैं? सी या जावा जैसी संकलित भाषा भी चोट नहीं पहुंचाती है, लेकिन यह वास्तव में महत्वपूर्ण नहीं है।


1
मैं निश्चित रूप से सहमत हूं कि "सभी मॉडल गलत हैं, कुछ मॉडल उपयोगी हैं"। हालाँकि आप सहमत होंगे कि यंत्रवत व्याख्यात्मक (जेनेरेटिव) मॉडल तैयार करने में मूल्य हो सकता है, जिसमें अव्यक्त (अप्रार्थित) पैरामीटर शामिल हो सकते हैं? उदाहरण के लिए, डेटा पीढ़ी / संग्रह रणनीतियों का निर्धारण करने में। मेरी धारणा यह है कि यह शायद आंकड़ों और मशीन सीखने के बीच एक (नरम?) विभाजन है। या मैं गलत हो सकता है। (मैं उद्योग में हूं, लेकिन तकनीकी रूप से "डेटा वैज्ञानिक" नहीं
हूं

3

जैसा कि किसी ने उद्योग में अपने डॉक्टरेट के बाद का कैरियर बिताया है, मैं यह कहूंगा।

  1. मैथ्यू Drury की प्रतिक्रिया पहली दर है। भविष्यवाणी बनाम अनुमान पर dsaxton की टिप्पणी भी अच्छी है।
  2. गति के साथ ग्रेड स्कूल के माध्यम से प्राप्त करने में आपकी सहायता करने के लिए प्रोग्राम करना सीखें। इसे अच्छे से प्राप्त करें। एक बार जब आप एक भाषा में बहुत धाराप्रवाह हो जाते हैं, तो दूसरे को चुनना आसान होता है और आप अपने नियोक्ता के खर्च पर ऐसा कर सकते हैं।
  3. डेटा बेस किसी भी छोटे नहीं जा रहे हैं, और शायद कोई क्लीनर नहीं मिलेगा। मैं अनुमान लगाता हूँ कि विशाल, गन्दे / लुप्त आंकड़ों से निपटने की तकनीकें अगले दो या तीन दशकों में एक अच्छी शर्त हैं।

2

वर्तमान उत्तरों में से अधिकांश "डेटा साइंस" उन्मुख हैं, जो निश्चित रूप से एक उच्च रोजगार योग्य क्षेत्र है। जैसा कि मूल पोस्टर में स्टोचस्टिक प्रक्रियाओं और समय श्रृंखला में एक विशेष रुचि का उल्लेख किया गया था, गणितीय आँकड़ों का एक अन्य क्षेत्र * जो प्रासंगिक हो सकता है वह है राज्य-अंतरिक्ष आकलन

इसका उपयोग उन मॉडलों का अनुमान लगाने के लिए किया जाता है जहां अत्यधिक संरचित (अर्ध-) नियतात्मक प्रक्रियाओं और स्टोकेस्टिक फोर्सिंग के बीच प्रतिक्रिया के कारण सिस्टम विकसित होता है। उदाहरण के लिए स्वायत्त वाहनों में राज्य-स्थान का अनुमान सर्वव्यापी है ।

(* इस क्षेत्र को आमतौर पर इंजीनियरिंग या अन्य डोमेन का हिस्सा माना जाता है , लेकिन निश्चित रूप से इसमें गणितीय आँकड़े शामिल होते हैं।)


1

मैं मौलिक रूप से कुछ नया नहीं सुझाऊंगा, लेकिन एक पेशेवर डेटा-मेहतर के रूप में, मैं कुछ बिंदुओं पर जोर देना चाहूंगा।

  1. सभी विपणन योग्य कौशल न केवल एकल पृथक कौशल के बंडल हैं, बल्कि वे एक संपूर्ण सिंक्रनाइज़ पैकेज हैं। और पैकेज से मेरा मतलब है,

  2. अत्यंत उच्च दक्षता के साथ व्यावहारिक कौशल का एक सेट। जैसे आप आंकड़ों के ढेर को देखते हुए सार्थक निर्णय ले सकते हैं। और एक पीएचडी स्तर के व्यक्ति (या किसी के लिए जो उनके पास आ रहा है) के लिए, नियोक्ता वास्तविक दुनिया के संज्ञानात्मक मैच को लाने में अधिक रुचि रखेंगे जो आप डेटा के एक सेट के साथ ला सकते हैं। एक उदाहरण के रूप में स्पष्ट करने के लिए,

  3. कौशल का वह सेट जो आप एपीआई से डेटा निष्कर्षण के लिए नियोजित कर सकते हैं, इस प्रक्रिया में कोडेक्स और ड्राइवर लिख सकते हैं यदि आपने प्रक्रिया को उस हद तक अनसुना कर दिया है जहां आप अपनी पूरी क्षमता को संलग्न करने में सक्षम नहीं हो सकते हैं। फिर आंकड़ों के सूचना में परिवर्तन के लिए सांख्यिकीय विश्लेषण के तत्वों का उपयोग करना। यह प्रक्रिया इतनी कच्ची और इतनी प्रामाणिक है कि आपकी शिक्षा जितनी अधिक विविध और गहरी है, उतनी ही बेहतर जानकारी, आप पुनः प्राप्त कर सकते हैं। मुझे एक बार कहा गया है, कि गणित का गणित जो समस्या का जवाब दे सकता है, एक बात है, लेकिन वास्तविक दुनिया में उस उत्तर की व्याख्या करना, बस एक और कौशल है।

  4. अंतिम और अत्यंत महत्वपूर्ण, क्या आप बिना किसी को देखे और समझने के लिए अपने निष्कर्ष के दृश्य प्रस्तुत कर सकते हैं, जो आपके संबंधित क्षेत्र का नहीं है और 3 से अधिक अनुवर्ती प्रश्न नहीं पूछ रहा है। और यह वह जगह है जहाँ आप वास्तविक दुनिया की प्रक्रिया (तों) के लिए अपने सादृश्य दे रहे हैं। यह थोड़ा मुश्किल है लेकिन एक बार महारत हासिल करने के बाद, यह आमतौर पर आपके पूरे करियर में अच्छा लाभांश देता है।

इन सभी के लिए, मेरे दृष्टिकोण से, एक उपयोगी टिप यह है कि नई चीजों का अध्ययन करते समय अपने आप से लगातार पूछें कि इसे वास्तविक दुनिया में कैसे नियोजित किया जा सकता है। हाँ, यह कई बार अजीब हो जाता है जब कोई अमूर्तता में गहराई तक उतर जाता है लेकिन फिर भी यह एक आदत है जो बहुत अच्छी तरह से इसके लायक है, और अक्सर यह अति-शिक्षित को केवल उच्च शिक्षित से अलग करता है। शुभ लाभ!

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.