Pitanje:
Stvari koje treba uzeti u obzir o magistarskim programima iz statistike
AttemptedStudent
2012-04-02 22:12:55 UTC
view on stackexchange narkive permalink

Sezona je upisa za postdiplomske škole. Ja (i mnogi studenti poput mene) sada pokušavam odlučiti koji statistički program odabrati.

  1. Koje su stvari koje mi od vas koji radimo sa statistikom predlažemo da razmotrimo o master programima iz statistike?
  2. Postoje li česte zamke ili pogreške koje učenici čine (možda s obzirom na ugled škole)?
  3. Za zapošljavanje, trebamo li se usredotočiti na primijenjenu statistiku ili kombinaciju primijenjene i teorijske statistike?

Uredi: Evo nekoliko dodatne informacije o mojoj osobnoj situaciji: Svi programi koje sada razmatram su u Sjedinjenim Državama. Neki se usredotočuju na više primijenjenu stranu i daju magisterij iz "primijenjene statistike", dok drugi imaju više teoretskih zadataka i daju diplome iz "statistike". Ja osobno nisam toliko namjeran raditi u jednoj industriji u odnosu na drugu. Imam neko programsko zaleđe i malo bolje poznajem tehnološku industriju od, recimo, genomičke ili bioinformatičke industrije. Međutim, prvenstveno tražim karijeru sa zanimljivim problemima.

Uredi : Pokušao sam to pitanje učiniti općenitije primjenjivim.

To uvelike ovisi o puno osobnih čimbenika, što otežava davanje dobrih savjeta. Ne znamo iz kojeg su dijela svijeta vaši programi, koliko su vaši interesi već usmjereni ili koji su. Pitanje je postavljeno preširoko da bi se na njega moglo odgovoriti autoritativno, ali riskiralo bi da bude zatvoreno kao * previše lokalizirano * ako je usmjereno isključivo na davanje savjeta samo jednoj osobi. Predlažem da navedete još konteksta, ali da ga ne napravite specifičnim samo za vaš određeni slučaj.
Pošteno. Svi programi koje sada razmatram su u Sjedinjenim Državama. Neki se usredotočuju na primijenjeniju stranu i daju magisterij iz "primijenjene statistike", dok drugi imaju više teoretskih zadataka i daju diplome iz "statistike". Ja osobno nisam toliko namjeran raditi u jednoj industriji u odnosu na drugu. Imam neko programiranje i poznajem tehnološku industriju malo bolje nego recimo genomiku ili industriju bioinformatike. Međutim, prvenstveno tražim karijeru sa zanimljivim problemima.
Hvala vam. To je vrlo korisno. I dalje mislim da bi wiki za zajednicu bio najbolji, ali to omogućuje da se ovdje produktivnije razgovara. (briše moj prethodni komentar ..)
Tri odgovori:
cardinal
2012-04-03 01:06:21 UTC
view on stackexchange narkive permalink

Evo pomalo tupog skupa općih razmišljanja i preporuka na master programima iz statistike. Ne namjeravam da bepolemiziraju, iako neki od njih mogu tako zvučati.

Pretpostavit ću da ste zainteresirani za magistarski stečaj da biste kasnije ušli u industriji i nisu zainteresirani za potencijalni doktorat. Molim vas, nemojte ovaj odgovor smatrati mjerodavnim.

Ispod je nekoliko savjeta iz mog vlastitog iskustva. Vrlo sam im naređivao ono što mislim da je najvažniji tolerant. Dok odabirete program, možda ćete svaki od njih ponovno izvagati, uzimajući u obzir neke od dolje navedenih točaka.

  1. Pokušajte napraviti najbolji izbor za sebe jak>. U takvu je odluku uključeno mnogo čimbenika: zemljopis, osobni odnosi, mogućnosti zaposlenja i umrežavanja, tečajevi, troškovi obrazovanja i života itd. Najvažnije je svako od njih izvagati i pokušati iskoristiti vlastiti najbolji sud . Vi ste ta koja u konačnici živi s posljedicama po vašem izboru, pozitivnim i negativnim, a vi ste jedini koji mogu procijeniti cijelu svoju situaciju. Djelujte u skladu s tim.

  2. Naučite surađivati ​​i upravljati svojim vremenom . Možda mi ne vjerujete, ali poslodavac će vrlo vjerojatno brinuti više o vašoj osobnosti, sposobnosti suradnje s drugima i sposobnosti efikasnog rada, nego što će se brinuti o vašim sirovim tehničkim vještinama. Učinkovita komunikacija presudna je u statistici, posebno kada se komunicira s nestatistima. Znanje upravljanja složenim projektom i stalnog napretka vrlo je važno. Iskoristite mogućnosti strukturiranog statističkog savjetovanja, ako postoje, u vašoj odabranoj instituciji.

  3. Naučite srodno područje . Najveća slabost koju vidim kod mnogih magistri i doktoranti iz statistike, kako u industriji tako i u akademskim krugovima, jest da oni često imaju vrlo malo znanja iz predmeta. Rezultat je taj što se ponekad koriste "standardne" statističke analize zbog nerazumijevanja temeljnih mehanizama problema koji pokušavaju analizirati. Stoga razvijanje neke stručnosti u srodnom području može biti vrlo obogaćujuće i statistički i profesionalno. Ali, najvažniji aspekt toga je samo učenje: shvaćajući da uključivanje znanja o predmetu može biti vitalno za ispravnu analizu problema. Biti kompetentan u rječniku i osnovnom znanju također može uvelike pomoći u komunikaciji i poboljšati percepciju vaših kolega nestatista.

  4. Naučite raditi s (velika ) podaci . Skupovi podataka u gotovo svakom polju koje koristi statistiku strahovito raste tijekom posljednjih 20 godina. U industrijskom okruženju vjerojatno ćete potrošiti više vremena manipulirajući podacima nego što ćete ih analizirati. Učenje dobrih postupaka upravljanja podacima, provjera zdravstvenog stanja itd. Presudno je za valjanu analizu. Što učinkovitiji postanete u tome, više vremena ćete potrošiti radeći "zabavne" stvari. To je nešto što je jako naglašeno i podcijenjeno u akademskim programima. Srećom, sada su akademskoj zajednici dostupni neki veći skupovi podataka s kojima se čovjek može igrati. Ako to ne možete učiniti u samom programu, provedite neko vrijeme radeći to izvan njega.

  5. Naučite se linearne regresije i pridružene primijenjene linearne algebre vrlo, vrlo dobro . Iznenađujuće je koliko magistara i doktoranda završava studij (iz "vrhunskih" programa!), Ali ne mogu odgovoriti na osnovna pitanja o linearnoj regresiji ili kako to funkcionira. Ako ovaj materijal bude hladan služit će vam nevjerojatno dobro. To je samo po sebi važno i predstavlja ulaz u mnogo, mnogo naprednijih statističkih tehnika i tehnika strojnog učenja.

  6. Ako je moguće, izradite magistarski izvještaj ili tezu . Izgleda da su se magistarski programi povezani s nekim od glavnih američkih odjela za statistiku (obično se više ocjenjuje na njihovim doktorskim programima) odmaknuli od uključivanja izvješća ili teze. Činjenica je da program koji se temelji na tečajevima obično uskraćuje studentu da razvije bilo koju stvarnu dubinu znanja u određenom području. Po meni samo područje nije toliko važno, ali iskustvo jest. Upornost, upravljanje vremenom, suradnja s fakultetom, itd. Potrebni za izradu magistarskog izvještaja ili teze mogu se itekako isplatiti prilikom prelaska u industriju. Čak i ako program ne oglašava jedan, ako ste na neki drugi način zainteresirani za to, pošaljite e-poštu na prijemno mjesto i pitajte o mogućnosti prilagođenog programa koji to omogućava.

  7. Izvršite najizazovnije zadatke kojima možete upravljati . Iako je najvažnije razumjeti temeljni materijal vrlo, jako dobro, trebali biste i pametno koristiti svoje vrijeme i novac izazivajući sebe što je više moguće. Određena tema koju ste odabrali naučiti može se činiti prilično "beskorisnom", ali kontakt s literaturom i izazivanje da naučite nešto novo i teško olakšat će vam kad to kasnije budete morali raditi u industriji. Na primjer, učenje neke od teorija iza klasične statistike pokazalo se prilično beskorisnim samo za sebe za svakodnevni rad mnogih industrijskih statističara, ali preneseni koncepti su izuzetno korisni i pružaju trajne smjernice. Također će učiniti da sve ostale statističke metode s kojima dođete u kontakt budu manje tajanstvene.

  8. Ugled programa važan je samo za vaš prvi posao . Previše se naglašava na reputaciji škole ili programa. Nažalost, ovo je heuristika uštede vremena i energije za menadžere ljudskih resursa. Imajte na umu da se o njihovim programima puno više sudi u istraživačkim i doktorskim programima nego u njihovim magistarskim. U mnogim takvim vrhunskim odjelima M.S. studenti se često na kraju osjećaju pomalo kao građani drugog reda jer se većina resursa troši na doktorske programe.

    Jedan od najsjajnijih mladih statističkih suradnika s kojim sam surađivao doktorirao je na malom stranom sveučilište za koje vjerojatno nikad niste čuli. Ljudi mogu steći prekrasno obrazovanje (ponekad i puno bolje, posebno na dodiplomskom i magistarskom studiju!) Na "neimenovanim" institucijama nego na "vrhunskim" programima. Gotovo im je zajamčeno da će dobiti više interakcije s osnovnim fakultetskim kadrom.

    Ime škole na vrhu vašeg životopisa vjerojatno će imati ulogu u otvaranju vašeg prvog posla i ljudi brinuti će se više o tome odakle potiče vaša najnaprednija diploma nego od ostalih. Nakon tog prvog posla, ljude će bitno više zanimati kakvo iskustvo donosiš za stol. Pronalaženje škole u kojoj vam dolazi puno zanimljivih prilika za posao putem sajmova karijere, cirkuliranih e-maila itd., može imati veliku isplatu, a to se više događa u vrhunskim programima.

Osobna primjedba : Osobno preferiram nešto teorijske programe koji još uvijek omogućuju određeni kontakt s podacima i malo primijenjenih tečajeva. Činjenica je u tome da jednostavno nećete postati dobar primijenjeni statističar stjecanjem magisterija. To dolazi samo s (puno više) vremena i iskustva u svakodnevnoj borbi s izazovnim problemima i analizama.

+1. Ponekad, kao ovdje, dobar odgovor čini pitanje vrijedno čuvanja.
Znam da je ovo vrlo individualna odluka. Međutim, vaš promišljeni odgovor puno pomaže. Posebno je zanimljivo vidjeti koliko ste visoko ocijenili učenje srodnog područja. Neki programi omogućuju mi ​​pohađanje tečajeva na drugim odjelima. Sad počinjem misliti da je širina posebno vrijedna karakteristika programa.
(+1) Vrlo lijep odgovor. Točka 3 mi se posebno svidjela.
@AttemptedStudent: Tradicionalno, mislim da većina diplomiranih studenata (posebno doktora znanosti) iz statistike ima preddiplomsko matematičko predznanje i da je imala malo kontakta sa stvarnim primijenjenim problemima koji zahtijevaju statističke koncepte i razmišljanje. To je možda dio razloga što je učenje srodnog područja završilo tako visoko na mom popisu. Ali, kao što sam spomenuo u tijelu, redoslijed je pomalo grub. :)
+1, lijep odgovor. Svidjele su mi se točke 3-5. Promatranje manipulacije podacima je na mjestu.
@AttemptedStudent: Evo nekoliko pitanja koja su široko povezana s mojim odgovorom, a koje biste željeli pogledati: [Osnovni testovi provjere podataka] (http://stats.stackexchange.com/questions/11659) i [Obrazovanje iz matematike za matematiku PhD] (http://stats.stackexchange.com/questions/6538).
Hvala svima na vrlo ljubaznim primjedbama. Lijepo je vidjeti da su ga neki čitatelji smatrali korisnim. Da budem iskren, u početku sam se malo ustručavao da to uopće objavim.
@cardinal Je li moguće započeti s malim, poput zaraditi certifikat (npr. [Ovdje] (http://math.kennesaw.edu/academics/certificate/appl-stat/index.html)) i nakon toga učiti dok idete dok ste u industrija? Je li to realan pristup?
@Gues: Mislim da ga vjerojatno nećete pokupiti na poslu. Što ne znači da nema puno ljudi koji kroz neku kombinaciju tečaja za samostalno učenje, izvanrednih ili dopisnih tečaja istovremeno s poslom dođu na istu razinu (& u to vrijeme ne treba toliko brinuti o tome Bodovi 2 i 3). Također neke osnovne statistike i dalje mogu biti još jedan niz onih koji odluče krenuti u nekom drugom smjeru.
Aksakal
2014-05-08 22:17:18 UTC
view on stackexchange narkive permalink

Savjetovao bih da uđete u najbolju moguću školu s imenom marke (poput MIT-a) ili u cjelini s najboljom ponudom (npr. pristojna javna škola s državnom školarinom). Ne bih trošio novac na drugorazredne privatne škole.

Isplata škola s imenom brenda. Razlika u cijeni između škole poput MIT-a i škola drugog razreda poput GWU-a nije dovoljno velika da bi opravdala razliku u snazi ​​marke.

S druge strane, neke javne škole, na pr. William i Mary, iako jeftini, nude pristojno obrazovanje. Neki od njih imaju čak usporedivu snagu marke, na pr. Berkeley protiv Stanforda. Stoga su zbog značajne razlike u troškovima alternativa najboljim privatnim školama.

Galois Theory
2012-05-15 02:19:37 UTC
view on stackexchange narkive permalink

Pogledajte Farmakoepidemiologiju. Pogotovo što se odnosi na sigurnost droga. Ovo je vrlo novo područje istraživanja s puno vrlo zainteresiranih pitanja.

Je li ovo slučajno objavljeno na pogrešnom mjestu?


Ova pitanja su automatski prevedena s engleskog jezika.Izvorni sadržaj dostupan je na stackexchange-u, što zahvaljujemo na cc by-sa 3.0 licenci pod kojom se distribuira.
Loading...