¿Cuál de los siguientes cursos de estadística son los más aplicables y útiles en la industria financiera / tecnológica? [cerrado]

Estoy en el proceso de seleccionar 3 clases de estadísticas para tomar en mi grupo de cursos de Matemática Aplicada (haciendo mi concentración en ciencias actuariales o análisis estadístico). ¿Qué 3 clases de las siguientes crees que son más útiles / aplicables en finanzas / tecnología / emparejado con la informática?

• Procesos estocásticos (caminatas aleatorias, cadenas de Markov de tiempo discreto, procesos de Poisson)
• Modelado lineal: teoría y aplicaciones
• Introducción a series temporales
• Predicción estadística moderna y aprendizaje automático
• Teoría de juego
• Introducción al análisis econométrico (inscripción cruzada entre estadísticas y economía)

1. Modelado lineal (lo básico)
2. Introducción a la serie temporal (importante para las finanzas y la tecnología, donde hay muchas ocasiones de medición)
3. Predicción estadística moderna y aprendizaje automático (para las nuevas y elegantes predicciones, también importantes para las finanzas y la tecnología)

Recomendaría modelado lineal e introducción a series temporales. Si solo tiene tres asignaturas optativas y decide concentrarse en la ciencia actuarial, tomaría un curso de análisis de supervivencia si hay alguno disponible.

Trabajando como Data Scientist en una de las consultoras más grandes del mundo, puedo dar mis dos centavos, cuál es útil para un trabajo como el mío. Todos los cursos son geniales y tienen aplicaciones tanto en investigación, desarrollo como en consultoría. Sin embargo, algunos cursos pueden ser más importantes para la aplicación práctica. Descargo de responsabilidad: Esto no refleja la opinión de mi empleador y también he visto solo varios departamentos en Alemania.

LOS CURSOS MÁS ÚTILES:

• Introducción a series temporales

Si está trabajando como Científico de Datos, definitivamente hará pronósticos ocasionalmente. Es importante que comprenda patrones como tendencias, raíces unitarias, estacionalidades, etc.

En la práctica, enfrentará datos con diferentes frecuencias, como datos mensuales o trimestrales.

Lea el principio y la práctica del pronóstico para obtener una comprensión de las aplicaciones del pronóstico.

• Predicción estadística moderna y aprendizaje automático

Este curso aumentará sus posibilidades de obtener un trabajo bien remunerado. El aprendizaje automático se correlaciona con salarios más altos que las estadísticas clásicas. Definitivamente vale la pena conocer cosas como la capacitación y los datos de prueba. Siempre construirá un modelo y lo probará.

También se debe a la importancia del aprendizaje automático que esta página se llama CrossValidated. jajajaja

TAMBIÉN ÚTIL:

• Modelado lineal: teoría y aplicaciones
• Introducción al análisis econométrico (inscripción cruzada entre estadísticas y economía)

Estos cursos me parecen bastante similares. Supongo que ambos tratan principalmente con datos longitudinales y datos de panel. Sin embargo, la mayoría de los problemas de regresión que enfrentará como científico de datos se ocupan de series temporales. Acabo de tener un proyecto con el modelo de selección Heckman / regresión Tobit y algunas cosas pequeñas en las que me enfrenté a los datos de conteo y al análisis de supervivencia. Las tareas generales de clasificación están más extendidas en mi empresa que las tareas de regresión.

Es más probable que trabaje en un equipo con matemáticos, estadísticos e informáticos. No se apegarán a los modelos econométricos. Sin embargo, una comprensión sólida de los modelos lineales y el análisis econométrico lo ayudará a lidiar con las series de tiempo y los problemas de pronóstico.

También depende del lenguaje de programación que prefiera. R (e incluso más particularmente Stata) son muy útiles para los modelos de regresión. Python es bastante útil para otras tareas.

Como Michael Chernick ya dijo, los problemas microeconométricos se usan ampliamente en los seguros. Si trabaja en un departamento de seguros de vida, el análisis de supervivencia será crucial. Sin embargo, la mayoría de los científicos de datos no enfrentan tales tareas.

Puede realizar este curso de base econométrica aplicada por UCLA y reflexionar sobre hasta qué punto enfrentará tales preguntas en su trabajo futuro.

MÁS IRRELEVANTE:

• Procesos estocásticos (caminatas aleatorias, cadenas de Markov de tiempo discreto, procesos de Poisson)

Esto no será útil como Data Scientist. Tal vez pueda enfrentar tales modelos si está trabajando en un departamento de Finanzas Cuantitativas de un banco.

• Teoría de juego

La teoría de juegos es un concepto teórico que apenas se aplica directamente en la práctica. En la investigación económica y psicológica podría ser útil, sin embargo, no está en el alcance clásico de un científico de datos.

No dude en preguntar si debería ser más específico sobre algunos cursos.

Como alguien que trabaja para un banco en un papel cuantitativo, no estoy de acuerdo con las otras respuestas. Los procesos estocásticos son muy importantes. Un buen conocimiento de los procesos estocásticos le permite comprender la intuición detrás de muchas de las otras clases que menciona, especialmente los modelos de series de tiempo. También es un diferenciador (en mi experiencia, un buen conocimiento de los procesos estocásticos es raro).

yo tomaría

1. Procesos estocásticos
2. Predicción estadística moderna y aprendizaje automático
3. Modelado lineal: teoría y aplicaciones