Γενικό Θέμα για τα Μεταπτυχιακά

[eukleidhs1821]

Μεγάλοι καθηγητές Πανεπιστημίου στις ΗΠΑ δεν έχουν συμφωνήσει ακόμη για τον επιστημονικό προσδιορισμό του AI & Machine Learning. Η Στατιστική είναι ένας κλάδος παγίδα. Όσους καθηγητές Πανεπιστημίου με σπουδές Στατιστικής συνάντησα, ήταν πρωτίστως άριστοι Μαθηματικοί (άσχετα αν είχαν σπουδάσει Οικονομικά). Μπορούσαν να έχουν διαισθητική εικόνα όλων των στατιστικών μέτρων σε κάθε είδος κατανομής και σε οποιοδήποτε πρόβλημα εκτίμησης. Αυτοί νομίζω μπορούσαν άνετα να βρουν δουλειά στον ιδιωτικό τομέα.

Στατιστική δεν είναι απλά 2-3 μαθήματα σε κάποιο μεταπτυχιακό με πίεση χρόνου όσο η εμπειρική κατανόηση της θεωρίας μέσω της ανάλυσης σε διάφορα προβλήματα είτε της στατιστικής επιστήμης, είτε της οικονομετρίας, κτλ. Δεν ξέρω αν ο μέσος Έλληνας απόφοιτος της Στατιστικής ή σπουδών σε αυτής, λόγω μερικού υποβάθρου σε Μαθηματικά μπορεί να στηρίξει προχωρημένες ενότητες Στατιστικής, πόσο μάλλον όταν προέρχεται από Οικονομική σχολή που τα Μαθηματικά διδάσκονται με έμφαση τη Γραμμική Άλγεβρα. Από όσο ξέρω η Στατιστική και τα εν γένει Μαθηματικά των Πιθανοτήτων αποτελούν κόκκινο πανί στις Οικονομικές σχολές. Θα είχε ενδιαφέρον να μιλούσαμε και για μαθήματα Επιχειρησιακής Έρευνας και Γραμμικού Προγραμματισμού, να γελάσουμε λίγο.

εσυ φιλε ξερεις καλο γραμμικο προγραμματισμο μεσω μεθοδου simplex?

 

[nPb]

όχι Ευκλείδη, είμαι γιατρός

Εκτός αυτού μακροπρόθεσμα όπως είπα, θα σταματήσει να είναι στις τάσεις σαν επάγγελμα...Θα χρειάζονται max 1-3 άτομα που θα έχουν βασικές γνώσεις και θα αναλύουν με αυτοποιημένες εφαρμογές τα δεδομένα. Εταιρίες όπως η IBM συγκεκριμένα κάνουν μεγάλη επένδυση στο να κρύβουν τις προαπαιτούμενες γνώσεις που θα χρειαζόταν κανείς σε μαθηματικά . Απλά ανεβάζεις τα αρχεία σου και κάνουν οι αλγόριθμοι τους την δουλειά. Τι μέλλον να περιμένει κανείς απο τέτοιο επάγγελμα ;

Προσωπικά έχω μπερδευτεί,ακούω διάφορα πλέον. Για κάποιον λόγο η στατιστική αντιμετωπίζεται σαν διαφορετική επιστήμη απο τα μαθηματικά. Φαντάζομαι επειδή περιλαμβάνει το πείραμα ; Πάντως συμφωνώ, δεδομένου οτι πολλοί κλάδοι των μαθηματικών βρίσκουν εφαρμογή και στην στατιστική, το να έχεις ένα καλό υπόβαθρο στα μαθηματικά θα βοηθήσει πολύ.

Νομίζω ότι δεν έχεις μπερδευτεί μόνο εσύ. Είναι αρκετοί ακόμη και καλοί Μαθηματικοί παγκοσμίως που αδυνατούν να κατατοπιστούν για την επιστημονική χωροθέτηση της επιστήμης των Δεδομένων. Η Στατιστική είναι πιο ξεκαθαρισμένος τομέας των Εφαρμοσμένων Μαθηματικών με τις δυο μεγάλες περιοχές εφαρμογών: την Οικονομία και τις Βιοεπιστήμες. Η ζημιά νομίζω έχει γίνει από τις εταιρίες και τον κόσμο του επιχειρείν που έχει εισβάλλει στα Πανεπιστήμια σε βαθμό που να "επιβάλλουν" τι θα πρέπει να διδάσκεται με αποτέλεσμα θεωρητικοί τομείς της Στατιστικής να μην προσελκύουν το ενδιαφέρον ανάλογα. Οι αυτοματοποιημένες δουλειές νομίζω θα φέρουν μεγάλη αλλαγή στον εργασιακό χάρτη με μαζική ανεργία σε πολλές επιστήμες με ανήθικη λογική. Δεν ξέρω αν ήταν αυτός ο σκοπός του ανθρώπου: να χρησιμοποιήσει το επιχειρηματικό κεφάλαιο με λάθος τρόπο και να προκαλέσει στο όνομα μιας επιστημονικής περιοχής κοινωνικές συνέπειες.

Ακόμη και οι κλασικές εταιρίες τύπου Allianz δεν λένε ποτέ ακριβώς ποιο είναι το επιστημονικό προφίλ ενός επιθυμητού εργαζόμενού της. Θέλουν ταυτόχρονα έναν Μαθηματικό που να είναι Φυσικός με άριστες γνώσεις Νομικής και προγραμματισμού σε γλώσσα VBA / SAP, άριστη γνώση του Ολλανδικού συστήματος αντασφάλισης κτλ.

 

[Μάρκος Βασίλης]

Δεν νομίζω οτι θα καταφέρουν να δώσουν ακριβή ορισμό ποτέ .
Στην περίπτωση του data science τα πράγματα είναι ακόμα χειρότερα όμως,γιατί ούτε ο σκοπός ούτε τα προσόντα μπορούν να περιγραφούν πλήρως.

Εκτός αυτού μακροπρόθεσμα όπως είπα, θα σταματήσει να είναι στις τάσεις σαν επάγγελμα...Θα χρειάζονται max 1-3 άτομα που θα έχουν βασικές γνώσεις και θα αναλύουν με αυτοποιημένες εφαρμογές τα δεδομένα. Εταιρίες όπως η IBM συγκεκριμένα κάνουν μεγάλη επένδυση στο να κρύβουν τις προαπαιτούμενες γνώσεις που θα χρειαζόταν κανείς σε μαθηματικά . Απλά ανεβάζεις τα αρχεία σου και κάνουν οι αλγόριθμοι τους την δουλειά. Τι μέλλον να περιμένει κανείς απο τέτοιο επάγγελμα ;

Προσωπικά έχω μπερδευτεί,ακούω διάφορα πλέον. Για κάποιον λόγο η στατιστική αντιμετωπίζεται σαν διαφορετική επιστήμη απο τα μαθηματικά. Φαντάζομαι επειδή περιλαμβάνει το πείραμα ; Πάντως συμφωνώ, δεδομένου οτι πολλοί κλάδοι των μαθηματικών βρίσκουν εφαρμογή και στην στατιστική, το να έχεις ένα καλό υπόβαθρο στα μαθηματικά θα βοηθήσει πολύ.

Εαν έχεις διαίσθηση γενικά είσαι πολύ χρήσιμος σε μια ομάδα,επομένως ναι οι συγκεκριμένοι άνετα τσιμπάνε δουλειές. Οπότε προσωπικά θα στόχευα για μια καριέρα στην στατιστική σαν "βασικός κλάδος".Τώρα εαν κάποιος θέλει να ασχοληθεί με data science λόγω των καιρών, δεκτό. Αλλά εαν έχεις σκοπό να εξελιχθείς ακαδημαϊκά,εε θεωρώ οτι θα ήταν προτιμότερο να χτίσεις τις βάσεις σου σε κάτι στερεό που θα υπάρχει τους επόμενους αιώνες .

Γενικά, νομίζω η στατιστική είναι απλώς ένας ακόμη κλάδος των μαθηματικών, απλά, λόγω των πάρα πολλών άμεσων εφαρμογών της «ξεχωρίζει». Υπάρχουν βέβαια, στους χώρους των μαθηματικών, αρκετά άτομα με την κλασσική «εμμονή» αν κάτι δεν είναι/δεν το ξέρεις/δεν το έχεις διδαχθεί θεωρητικά τότε δεν έχει(ς) αξία - πράγμα που δεν ισχύει. Για παράδειγμα, η διαίσθηση που αποκτά κανείς για τις έννοιες και τις διαδικασίες που πραγματεύεται η στατιστική προερχόμενος από τα θεωρητικά μαθηματικά είναι τελείως διαφορετική από αυτήν που έχει κάποιο άτομο με πολύ πιο εμπειρική και άμεση σχέση με τη στατιστική. Χρήσιμο το να βλέπεις τη στατιστική με όρους θεωρίας μέτρου για την εσωτερική κατανόηση που έχεις, αλλά εξίσου χρήσιμο είναι να καταλαβαίνεις τι εργαλεία χρειάζεται να αξιοποιήσεις για ένα dataset που έχεις μπροστά σου ή για να σχεδιάσεις μία πειραματική διαδικασία. Διαφορετικές «διαισθήσεις» μεταξύ τους.

 

[nPb]

Χρήσιμο το να βλέπεις τη στατιστική με όρους θεωρίας μέτρου για την εσωτερική κατανόηση που έχεις, αλλά εξίσου χρήσιμο είναι να καταλαβαίνεις τι εργαλεία χρειάζεται να αξιοποιήσεις για ένα dataset που έχεις μπροστά σου ή για να σχεδιάσεις μία πειραματική διαδικασία. Διαφορετικές «διαισθήσεις» μεταξύ τους.

Η αναγκαιότητα κατανόησης της Στατιστικής ως εργαλείο μεθόδων για συγκεκριμένες εφαρμογές με σύνολα δεδομένων προέκυψε από τον κόσμο της επιχειρηματικότητας που απλά προσάρμοσαν τη Στατιστική στα μέτρα τους. Δεν ξέρω αν αυτό είναι μια διαφορετική διαίσθηση πάντως η επιστήμη αυτή έχει ανάγκη την θεωρητική θεμελίωση και την αυστηρή διατύπωση χωρίς σύνολα δεδομένων. Είναι εξίσου ενδιαφέρον να δει κανείς τη Στατιστική με τη χρήση Τελεστών σε χώρους Hilbert. Όπως και οι διάφορες κανονικοποιήσεις των τυχαίων μεταβλητών που χρησιμοποιούνται σε διάφορες τεχνικές simulations διατυπώνονται μέσω όχι και τόσο προσιτών θεωρητικών μαθηματικών. Eφόσον είναι τομέας των Μαθηματικών και σαν επιστήμη χωρίς Μαθηματικά όπως τείνει να γίνει στο μέλλον δυστυχώς, δεν ξέρω κατά πόσο βαρύτητα θα έχει σαν επιστήμη βασιζόμενη μόνο σε εμπειρικά πειράματα.

 

[eukleidhs1821]

ωραια κουβεντα μεταξυ μαρκου βασιλη και npb να βλεπουνε ολοι την ομορφια του κλαδου των μαθηματικων

 

[nPb]

Θυμάμαι κάτι μεταπτυχιακούς Οικονομολόγους που το είχαν με την "εμπειρική" εικόνα της Στατιστικής και τις εφαρμογές σε datasets σε υπολογιστικά περιβάλλοντα αλλά μόλις τους ρωτούσε ο καθηγητής Οικονομολόγος που δίδασκε το μάθημα αν η έκφραση στην Rstudio ήταν διάνυσμα ή πίνακας και γιατί, δεν ήξεραν. Τους είχε ρωτήσει επίσης να υπολογίσουν κάποιες σχέσεις με τον πίνακα συνδιακύμανσης και εκεί ...νόμισαν ότι ανακάλυπταν για πρώτη φορά τα Μαθηματικά. Εκεί κατάλαβα ότι ο κόσμος του Τραπεζικού ή γενικότερα Οικονομικού κλάδου δεν κατανοούν την Μαθηματική σκέψη της Οικονομίας κάτι που έρχεται σε ευθεία αντίθεση με τον κορυφαίο καθηγητή Οικονομίας τον Μαθηματικό Merton με την ομώνυμη μερική διαφορική εξίσωση Black-Scholes. Διάφορες προσαρμογές της χρησιμοποιούνται στην μοντελοποίηση Χρονοσειρών...ψιλά κινέζικα γράμματα για όσους κάνουν Banking and Finance ως σπουδές ή ως επάγγελμα του χρηματιστή κτλ.

 

[Samael]

Γενικά, νομίζω η στατιστική είναι απλώς ένας ακόμη κλάδος των μαθηματικών, απλά, λόγω των πάρα πολλών άμεσων εφαρμογών της «ξεχωρίζει». Υπάρχουν βέβαια, στους χώρους των μαθηματικών, αρκετά άτομα με την κλασσική «εμμονή» αν κάτι δεν είναι/δεν το ξέρεις/δεν το έχεις διδαχθεί θεωρητικά τότε δεν έχει(ς) αξία - πράγμα που δεν ισχύει. Για παράδειγμα, η διαίσθηση που αποκτά κανείς για τις έννοιες και τις διαδικασίες που πραγματεύεται η στατιστική προερχόμενος από τα θεωρητικά μαθηματικά είναι τελείως διαφορετική από αυτήν που έχει κάποιο άτομο με πολύ πιο εμπειρική και άμεση σχέση με τη στατιστική. Χρήσιμο το να βλέπεις τη στατιστική με όρους θεωρίας μέτρου για την εσωτερική κατανόηση που έχεις, αλλά εξίσου χρήσιμο είναι να καταλαβαίνεις τι εργαλεία χρειάζεται να αξιοποιήσεις για ένα dataset που έχεις μπροστά σου ή για να σχεδιάσεις μία πειραματική διαδικασία. Διαφορετικές «διαισθήσεις» μεταξύ τους.

Καταρχάς εαν έχεις διδαχθεί κάτι με οποιονδήποτε τρόπο σίγουρα δεν βλάπτει και είναι προτιμότερο απο το να μην το έχεις διδαχθεί καθόλου. Τώρα,πιστεύω οτι ανάλογα τους στόχους που έχει κανείς πρέπει να αναζητά την σχετική εκπαίδευση. Εαν λόγου χάρη θες να δουλέψεις αποκλειστικά για εταιρίες,είναι πιθανό η πρακτική άσκηση και η πιο εφαρμοσμένη προσέγγιση να σε ωφελήσει παραπάνω. Εαν θες να κάνεις ακαδημαϊκή καριέρα,προφανώς η θεωρητική προσέγγιση έχει να σου προσφέρει περισσότερα. Το ιδανικό θα ήταν κάποιος όσο γίνεται να τα συνδυάσει και τα δύο. Εαν αυτό δεν παίζει τότε είναι σίγουρα επιθυμητό ο ένας να διατηρεί "επαφή" με τον άλλο γιατί απο τα breakthroughs στην έρευνα και τις ανάγκες στην βιομηχανία,είναι δυνατόν ο ένας να βοηθήσει τον άλλο να εξελιχθεί .

Νομίζω ότι δεν έχεις μπερδευτεί μόνο εσύ. Είναι αρκετοί ακόμη και καλοί Μαθηματικοί παγκοσμίως που αδυνατούν να κατατοπιστούν για την επιστημονική χωροθέτηση της επιστήμης των Δεδομένων. Η Στατιστική είναι πιο ξεκαθαρισμένος τομέας των Εφαρμοσμένων Μαθηματικών με τις δυο μεγάλες περιοχές εφαρμογών: την Οικονομία και τις Βιοεπιστήμες. Η ζημιά νομίζω έχει γίνει από τις εταιρίες και τον κόσμο του επιχειρείν που έχει εισβάλλει στα Πανεπιστήμια σε βαθμό που να "επιβάλλουν" τι θα πρέπει να διδάσκεται με αποτέλεσμα θεωρητικοί τομείς της Στατιστικής να μην προσελκύουν το ενδιαφέρον ανάλογα. Οι αυτοματοποιημένες δουλειές νομίζω θα φέρουν μεγάλη αλλαγή στον εργασιακό χάρτη με μαζική ανεργία σε πολλές επιστήμες με ανήθικη λογική. Δεν ξέρω αν ήταν αυτός ο σκοπός του ανθρώπου: να χρησιμοποιήσει το επιχειρηματικό κεφάλαιο με λάθος τρόπο και να προκαλέσει στο όνομα μιας επιστημονικής περιοχής κοινωνικές συνέπειες.

Ακόμη και οι κλασικές εταιρίες τύπου Allianz δεν λένε ποτέ ακριβώς ποιο είναι το επιστημονικό προφίλ ενός επιθυμητού εργαζόμενού της. Θέλουν ταυτόχρονα έναν Μαθηματικό που να είναι Φυσικός με άριστες γνώσεις Νομικής και προγραμματισμού σε γλώσσα VBA / SAP, άριστη γνώση του Ολλανδικού συστήματος αντασφάλισης κτλ.

Γενικά με τα χρόνια σκάνε μύτη νέες δουλειές και νέοι όροι και γίνεται χαμός. Μιλάμε για περιοχές που έχουν αμφίβολη εξέλιξη ή δεν προλαβαίνουν να "χωνευτούν" από την κοινωνία.Προσωπικά προβληματίζομαι στο εξής πάντως :

Οι άνθρωποι χειρίζονταν δεδομένα απο πολύ παλιά. Σαφέστατα ο στατιστικολόγος μέχρι τώρα ήταν-είναι ο υπεύθυνος επιστήμονας για αυτή την δουλειά. Για ποιόν λόγο το ενδιαφέρον των επιχειρήσεων προκάλεσε αλλαγή στον τίτλο του επαγγέλματος ; Σε τι εξυπηρετεί ; Ας ζήταγαν κάποιον με μαθηματικό ή στατιστικολόγο ή κάποιον με σχετική εμπειρία σε συνδυασμό με ένα μεταπτυχιακό σε οικονομικά,διοίκηση επιχειρήσεων ή κάτι σχετικό.

Αναμφίβολα πάντως τόσο η αυτοματοποίηση όσο και η διείσδυση των εταιρικών συμφερόντων στα πανεπιστήμια έχουν αρχίσει να αποθαρρύνουν πολλούς απο το να εμβαθύνουν στην έρευνα και την θεωρητική προσέγγιση.Ουσιαστικά περνάς πολλά χρόνια εκπαίδευσης και μέχρι τότε έχει βγει κάποιο καινούριο πρόγραμμα που απλά κάνει την δουλειά που παιδευόσουν χρόνια να μάθεις να κάνεις(και αυτό ισχύει για όλες τις επιστήμες).Επομένως οι κλασσικές σπουδές στις θετικές επιστήμες γίνονται ολοένα και πιο ασύμφορες μπροστά σε πιο μικρής διάρκειας προγράμματα με άμεση ανταπόκριση στην αγορά εργασίας.

Τώρα την αυθαιρεσία και την άγνοια πολλών επιχειρήσεων στις προσλήψεις όλοι την ξέρουμε.Προσωπικά αναρωτιέμαι εαν κάτι τέτοιες κουλές θέσεις καλύπτονται ποτέ .

 

[nPb]

Καταρχάς εαν έχεις διδαχθεί κάτι με οποιονδήποτε τρόπο σίγουρα δεν βλάπτει και είναι προτιμότερο απο το να μην το έχεις διδαχθεί καθόλου. Τώρα,πιστεύω οτι ανάλογα τους στόχους που έχει κανείς πρέπει να αναζητά την σχετική εκπαίδευση. Εαν λόγου χάρη θες να δουλέψεις αποκλειστικά για εταιρίες,είναι πιθανό η πρακτική άσκηση και η πιο εφαρμοσμένη προσέγγιση να σε ωφελήσει παραπάνω. Εαν θες να κάνεις ακαδημαϊκή καριέρα,προφανώς η θεωρητική προσέγγιση έχει να σου προσφέρει περισσότερα. Το ιδανικό θα ήταν κάποιος όσο γίνεται να τα συνδυάσει και τα δύο. Εαν αυτό δεν παίζει τότε είναι σίγουρα επιθυμητό ο ένας να διατηρεί "επαφή" με τον άλλο γιατί απο τα breakthroughs στην έρευνα και τις ανάγκες στην βιομηχανία,είναι δυνατόν ο ένας να βοηθήσει τον άλλο να εξελιχθεί .

Πριν περίπου 7-8 χρόνια είχα δει σε αναζήτηση ότι πολλά μέλη του οργανισμού SIAM στις ΗΠΑ ήταν Μαθηματικοί με την κλασική θεωρητική έννοια που είχαν αξιοζήλευτες θέσεις εργασίας σε δημόσιους και ιδιωτικούς οργανισμούς ή βιομηχανίες της Αμερικής. Αναφέρω χαρακτηριστικό παράδειγμα, ένα στέλεχος της βιομηχανίας Kodak που είχε κάνει διδακτορικό στη Διαφορική Γεωμετρία και εργαζόταν για πολλές δεκαετίες ως υπεύθυνος σχεδιασμού φακών. Οι τεχνικές βασίζονταν στην Θεωρία Επιφανειών Gauss. Aν πεις σε έναν Έλληνα Μαθηματικό σήμερα, να προσπαθήσουμε να δούμε κάποια εφαρμογή της Θεωρίας Επιφανειών Gauss μάλλον θα σου πει ότι είσαι πολύ θεωρητικός και ότι δεν κάνεις κάτι σε Οικονομικά ή Στατιστική για να ζήσεις.

Καταλήγουμε συνεπώς πάλι στη Στατιστική...

Γενικά με τα χρόνια σκάνε μύτη νέες δουλειές και νέοι όροι και γίνεται χαμός. Μιλάμε για περιοχές που έχουν αμφίβολη εξέλιξη ή δεν προλαβαίνουν να "χωνευτούν" από την κοινωνία.Προσωπικά προβληματίζομαι στο εξής πάντως :

Οι άνθρωποι χειρίζονταν δεδομένα απο πολύ παλιά. Σαφέστατα ο στατιστικολόγος μέχρι τώρα ήταν-είναι ο υπεύθυνος επιστήμονας για αυτή την δουλειά. Για ποιόν λόγο το ενδιαφέρον των επιχειρήσεων προκάλεσε αλλαγή στον τίτλο του επαγγέλματος ; Σε τι εξυπηρετεί ; Ας ζήταγαν κάποιον με μαθηματικό ή στατιστικολόγο ή κάποιον με σχετική εμπειρία σε συνδυασμό με ένα μεταπτυχιακό σε οικονομικά,διοίκηση επιχειρήσεων ή κάτι σχετικό.

Είναι αυτό που λες, ότι δεν υπάρχει δοκιμασμένη εξέλιξη. Παρατηρείται μια πρωτοφανής εμφάνιση επαγγελμάτων μικρής θητείας όπως τα αποκαλώ και αυτό γίνεται πιστεύω για το συμφέρον των επιχειρήσεων:

υπερ-αυτοματοποίηση των υπηρεσιών --> έμφαση σε πιστοποιημένα skills που λήγουν --> εύκολη απόλυση προσωπικού με δικαιολογία ότι ψάχνουν κάτι άλλο --> μείωση λειτουργικού κόστους των επιχειρήσεων

και αυτό γίνεται σε αέναο κύκλο. Η Στατιστική κλείνει περίπου έναν αιώνα σαν μια επιστήμη που αποτελεί την καλύτερη μελέτη των Μαθηματικών σε πρότυπα πολυωνυμικής προσαρμογής. Βοήθησε και βοηθάει την εξέλιξη της άλγεβρας Πινάκων και ουσιαστικά οι μεγαλύτεροι Μαθηματικοί πατέρες της Στατιστικής, Βlackwell και Rao της έδωσαν την αναλυτική της μαθηματική μορφή στην θεωρία των καλύτερων εκτιμητών.

Αναμφίβολα πάντως τόσο η αυτοματοποίηση όσο και η διείσδυση των εταιρικών συμφερόντων στα πανεπιστήμια έχουν αρχίσει να αποθαρρύνουν πολλούς απο το να εμβαθύνουν στην έρευνα και την θεωρητική προσέγγιση.Ουσιαστικά περνάς πολλά χρόνια εκπαίδευσης και μέχρι τότε έχει βγει κάποιο καινούριο πρόγραμμα που απλά κάνει την δουλειά που παιδευόσουν χρόνια να μάθεις να κάνεις(και αυτό ισχύει για όλες τις επιστήμες).Επομένως οι κλασσικές σπουδές στις θετικές επιστήμες γίνονται ολοένα και πιο ασύμφορες μπροστά σε πιο μικρής διάρκειας προγράμματα με άμεση ανταπόκριση στην αγορά εργασίας.

Τώρα την αυθαιρεσία και την άγνοια πολλών επιχειρήσεων στις προσλήψεις όλοι την ξέρουμε.Προσωπικά αναρωτιέμαι εαν κάτι τέτοιες κουλές θέσεις καλύπτονται ποτέ .

Αυτό νομίζω είναι αποτέλεσμα της γενικότερης παρακμής που περνάμε. Τα εταιρικά συμφέροντα επιβάλλουν πρότυπα κακής εκπαίδευσης και πτυχιούχους συγκεκριμένων "γνώσεων", άκρως ελέγξιμων και με ημερομηνία λήξης. Το γεγονός ότι κάποιοι γράφουν κώδικα στην Στατιστική δεν σημαίνει ότι κατανοούν και Στατιστική. Είχα κάνει ανοιχτή συζήτηση σε συνέντευξη (εννοείται ότι έχασα τη δουλειά, ευτυχώς) και εν τέλει τους ξεφτύλισα ευγενικά. Θυμάμαι ότι ένιωθαν άσχημα που προσπαθούσαν να μου επιβάλλουν το μοντέλο σκέψης που ήθελαν να έχω χωρίς να έχουν ιδέα τι σημαίνει ένας Μαθηματικός σαν είδος επιστήμονα. Τέτοιες θέσεις εργασίας είναι απλά θέσεις για άβγαλτους και γυρολόγους. Δεν νομίζω ότι καλύπτονται επαρκώς ή ότι απλά προσλαμβάνουν κάποιον με στόχο να τον αλλάξουν (απομακρύνουν) στην πρώτη αξιολόγηση. Γι' αυτό και οι περισσότεροι νέοι στο Linkedin γράφουν ψέματα για την επαγγελματική τους διάρκεια.

 

[Μάρκος Βασίλης]

Η αναγκαιότητα κατανόησης της Στατιστικής ως εργαλείο μεθόδων για συγκεκριμένες εφαρμογές με σύνολα δεδομένων προέκυψε από τον κόσμο της επιχειρηματικότητας που απλά προσάρμοσαν τη Στατιστική στα μέτρα τους. Δεν ξέρω αν αυτό είναι μια διαφορετική διαίσθηση πάντως η επιστήμη αυτή έχει ανάγκη την θεωρητική θεμελίωση και την αυστηρή διατύπωση χωρίς σύνολα δεδομένων. Είναι εξίσου ενδιαφέρον να δει κανείς τη Στατιστική με τη χρήση Τελεστών σε χώρους Hilbert. Όπως και οι διάφορες κανονικοποιήσεις των τυχαίων μεταβλητών που χρησιμοποιούνται σε διάφορες τεχνικές simulations διατυπώνονται μέσω όχι και τόσο προσιτών θεωρητικών μαθηματικών. Eφόσον είναι τομέας των Μαθηματικών και σαν επιστήμη χωρίς Μαθηματικά όπως τείνει να γίνει στο μέλλον δυστυχώς, δεν ξέρω κατά πόσο βαρύτητα θα έχει σαν επιστήμη βασιζόμενη μόνο σε εμπειρικά πειράματα.

Δε νομίζω ότι η στατιστική τείνει να αποκοπεί από τις μαθηματικές ρίζες της, απλώς το trending - που είναι το data science - είναι πολύ εφαρμοσμένο - αλλά, trend είναι, θα περάσει. Η στατιστική ως κλάδος παραμένει καλώς θεμελιωμένη και ως προς το εννοιολογικό της πεδίο και ως προς τη σχέση της με τα άλλα μαθηματικά.

Τώρα, βλέποντας τη στατιστική μέσα από τα μάτια της θεωρίας τελεστών ακολουθούμε το ίδιο μονοπάτι με τα ολοκληρώματα Daniell. Αντί να πάμε από το μέτρο προς το ολοκλήρωμα Lebesgue, ξεκινάμε από έναν διανυσματικό σύνδεσμο συναρτήσεων και, με ένα «βολικό» συναρτησοειδές για ολοκλήρωμα «επιστρέφουμε» ορίζοντας ένα μέτρο - και έπειτα «συμπληρώνοντας» στον σύνδεσμο παίρνουμε τα ανάλογα αποτελέσματα. Θεωρητικά έχει πολύ μεγάλο ενδιαφέρον, αλλά τώρα για τις εφαρμογές της στατιστικής έχει νομίζω ελάχιστη αξία. :Ρ

 

[J.Cameron]

@nPb θες να πεις εμμεσα οτι πλεον δεν υπαρχουν πολλες αξιολογες εταιριες και οτι δεν δινεται η δυνατοτητα σε εναν νεο ανθρωπο να ανελθει επαγγελματικα, διαμεσου της πορειας του σε μια εταιρεια?

 

[nPb]

@nPb θες να πεις εμμεσα οτι πλεον δεν υπαρχουν πολλες αξιολογες εταιριες και οτι δεν δινεται η δυνατοτητα σε εναν νεο ανθρωπο να ανελθει επαγγελματικα, διαμεσου της πορειας του σε μια εταιρεια?

Aκριβώς. Οι περισσότεροι νέοι χρυσώνουν το χάπι στο εαυτό τους και δεν θα στο πουν, αν τους ρωτήσεις. Είναι ελάχιστοι εκείνοι που θα σου πουν την ακριβή αλήθεια για το πως κινούνται πολλές εταιρίες. Παίζουν και αστάθμητοι παράγοντες όπως χρεωκοπίες, Covid-19,... που οδηγούν σε απολύσεις υπαλλήλων. Οι περισσότεροι νέοι δεν έχουν σταθερή δουλειά, είναι υπό δοκιμαστική περίοδο, αλλάζουν συνεχώς δουλειές και χώρες διαμονής κτλ με ανυπολόγιστα κόστη μετεγκατάστασης και ψυχολογικής φθοράς.

Ήδη κάτι τράπεζες σαν την Deutsche Bank από πέρυσι έχουν ξεκινήσει μαζικό κύμα απολύσεων με τον πιο ευγενικό τρόπο: ένα sms τυπικό ότι πρέπει να εγκαταλείψεις το κτίριο εργασίας και ότι θα πρέπει να επιστραφεί ο μισθός του τελευταίου μήνα για το "ηθικό καλό" της τράπεζας. Από αυτό και μόνο μπορείς να καταλάβεις τι ζημιά έχουν πάθει μεταπτυχιακοί με Στατιστική, Data Science, Finance and Banking, Software Engineers, κτλ που θα εργάζονταν εκεί με πολύ καλές απολαβές.

Yπάρχουν αξιόλογες εταιρίες που μπορεί κάποιος να κάνει καριέρα π.χ. ΙΝΤΕL, αλλά από όσο έχω δει με πτυχία του κ**λου δεν προσλαμβάνουν.

Δε νομίζω ότι η στατιστική τείνει να αποκοπεί από τις μαθηματικές ρίζες της, απλώς το trending - που είναι το data science - είναι πολύ εφαρμοσμένο - αλλά, trend είναι, θα περάσει. Η στατιστική ως κλάδος παραμένει καλώς θεμελιωμένη και ως προς το εννοιολογικό της πεδίο και ως προς τη σχέση της με τα άλλα μαθηματικά.

Τώρα, βλέποντας τη στατιστική μέσα από τα μάτια της θεωρίας τελεστών ακολουθούμε το ίδιο μονοπάτι με τα ολοκληρώματα Daniell. Αντί να πάμε από το μέτρο προς το ολοκλήρωμα Lebesgue, ξεκινάμε από έναν διανυσματικό σύνδεσμο συναρτήσεων και, με ένα «βολικό» συναρτησοειδές για ολοκλήρωμα «επιστρέφουμε» ορίζοντας ένα μέτρο - και έπειτα «συμπληρώνοντας» στον σύνδεσμο παίρνουμε τα ανάλογα αποτελέσματα. Θεωρητικά έχει πολύ μεγάλο ενδιαφέρον, αλλά τώρα για τις εφαρμογές της στατιστικής έχει νομίζω ελάχιστη αξία. :Ρ

Αυτή "η μόδα ήταν και θα περάσει" θα δείξει ότι τελικά η επιμονή στον μαθηματικό φορμαλισμό είναι διαχρονική. Μπορεί όντως τα συναρτησιοειδή να μην ταιριάζουν στην αισθητική της νέας γενιάς Οικονομολόγων γιατί δεν θέλουν και πολλά από το να φιλοσοφούν επί των γραφημάτων, αλλά ως Μαθηματικός που είσαι καταλαβαίνεις τη χρησιμότητά τους. Έχω συναντήσει και Οικονομολόγους καθηγητές που ανησυχούν έντονα για την υπερ-απλούστευση της Στατιστικής ως εργαλείο για ανάλυση πινάκων με αριθμητικά δεδομένα.

Την ίδια στιγμή, οι πίνακες με αριθμητικά δεδομένα σε εφαρμογές του Πολυτεχνείου χρησιμοποιούν τις μαθηματικές θεωρίες της Αριθμητικής Ανάλυσης χωρίς διάφορες μεγάλες βιομηχανίες π.χ. BMW, να θέλουν να δημιουργήσουν "trend" νέας αριθμητικής ανάλυσης για την αγορά. Οι βλακειούλες γίνονται μόνο από το πεδίο των Οικονομικών. Το Πολυτεχνείο, η Φυσική και η Γεωλογία είναι οι μόνοι φορείς της εφαρμοσμένης επιστήμης που σέβονται την Μαθηματική αυστηρότητα και την προάγουν ακόμη και σε επιχειρηματικό κεφάλαιο μέσω της έρευνας ή βιομηχανικών διαδικασιών. Οι υπόλοιπες επιστήμες αντιμετωπίζουν τα Μαθηματικά ως ξένο σώμα από την ανάλυση των αριθμητικών δεδομένων με τελείως "μπακαλίστικες" υποθέσεις και παραδοχές για τα μοντέλα που χρησιμοποιούν.

 

[ag97]

@nPb επειδη νιωθω οτι οντως εισαι πολυ μεσα στα πραγματα τι μεταπτυχιακο θα προτεινες σε εναν (δυστυχως) αποφοιτο ΟΔΕ? Data Science,Πληροφοριακα Συστηματα,Finance να υποθεσω ή κατι αλλο; Συμφωνω σε αυτην την υπεραπλουστευση που λες για τα τμηματα μας που οδηγει σε εργαζομενους με ημερομηνια ληξης..(job-hopping)

 

[damn]

Με ενα μεταπτυχιακο στην πληροφορικη ενας αποφοιτος ΟΔΕ που μπορει να δουλεψει;

 

[nPb]

@nPb επειδη νιωθω οτι οντως εισαι πολυ μεσα στα πραγματα τι μεταπτυχιακο θα προτεινες σε εναν (δυστυχως) αποφοιτο ΟΔΕ? Data Science,Πληροφοριακα Συστηματα,Finance να υποθεσω ή κατι αλλο; Συμφωνω σε αυτην την υπεραπλουστευση που λες για τα τμηματα μας που οδηγει σε εργαζομενους με ημερομηνια ληξης..(job-hopping)

Θα σου πρότεινα κάτι σε Finance ή σε Στατιστική (κλασικό πρόγραμμα) και να το στρέψεις σε Χρονοσειρές. Ευχαριστώ για την εκτίμηση. Για τον χώρο της Πληροφορικής, δεν θα στο πρότεινα επειδή θα έχεις άσχημο ανταγωνισμό από άλλους πιο ειδικούς σε επίπεδο πτυχίου, πρώην ΤΕΙ, κτλ.

 

[damn]

Θα σου πρότεινα κάτι σε Finance ή σε Στατιστική (κλασικό πρόγραμμα) και να το στρέψεις σε Χρονοσειρές. Ευχαριστώ για την εκτίμηση. Για τον χώρο της Πληροφορικής, δεν θα στο πρότεινα επειδή θα έχεις άσχημο ανταγωνισμό από άλλους πιο ειδικούς σε επίπεδο πτυχίου, πρώην ΤΕΙ, κτλ.

Ναι αλλα δεν δινει καλες θεσεις εργασιας ενα τετοιο μεταπτυχιακο;Πχ ως data analyst στο e-food?

 

[nPb]

Ναι αλλα δεν δινει καλες θεσεις εργασιας ενα τετοιο μεταπτυχιακο;Πχ ως data analyst στο e-food?

H επιστήμη των δεδομένων είναι λιγάκι "ασαφής" και κάπως μοδάτη. Ως Data Analyst δουλεύουν και ψυχολόγοι, μην με ρωτήσεις πως.

Θεωρώ ότι η περαιτέρω Οικονομική σπουδή θα βοηθήσει κάποιος με σπουδές ΟΔΕ να γίνει ειδικός στον τομέα του. Έχεις σκεφτεί να παντρέψεις το ΟΔΕ με την Επιχειρησιακή Έρευνα και να γίνεις ειδικός στη Διοίκηση Έργου;

 

[damn]

H επιστήμη των δεδομένων είναι λιγάκι "ασαφής" και κάπως μοδάτη. Ως Data Analyst δουλεύουν και ψυχολόγοι, μην με ρωτήσεις πως. Θεωρώ ότι η περαιτέρω Οικονομική σπουδή θα σε βοηθήσει να γίνεις ειδικός στον τομέα σου. Έχεις σκεφτεί να παντρέψεις το ΟΔΕ με την Επιχειρησιακή Έρευνα και να γίνεις ειδικός στη Διοίκηση Έργου;

Ναι αλλα δεν καλο μισθο η επιστημη των δεδομενων;

 

[nPb]

Ναι αλλα δεν καλο μισθο η επιστημη των δεδομενων;

Δεν είναι όλα μισθός, όσο σαν αντικείμενο εργασίας και περιβάλλον εργασίας.

 

[damn]

Δεν είναι όλα μισθός, όσο σαν αντικείμενο εργασίας και περιβάλλον εργασίας.

με το περιβαλλον εργασιας τι παιζει εκει;

Αυτόματη ένωση συνεχόμενων μηνυμάτων: 20 Αυγούστου 2020

ή λες να κανω κανενα μεταπτυχιακο σε HR;εκει τι παιζει με τους μισθους;

 

[nPb]

με το περιβαλλον εργασιας τι παιζει εκει;

Αυτόματη ένωση συνεχόμενων μηνυμάτων: 20 Αυγούστου 2020

ή λες να κανω κανενα μεταπτυχιακο σε HR;εκει τι παιζει με τους μισθους;

Ρίξε μια ματιά εδώ:

If there is so much demand in data science, why are people with data science skills still jobless?

Διάβασέ τα όλα.