…. и почему это тоже рекомендуется!
Шаги, которые я предпринял для написания своей магистерской диссертации по экономическому анализу, можно резюмировать следующим образом: 1. Определение экономической проблемы, 2. Определение данных, необходимых для решения проблемы, 3. Сбор данных и их очистка, 4. Изучение данные, 5. Моделирование данных (статистическое моделирование, прогнозное моделирование, вы называете это), 6. Передача результатов, привязка их к тому, как они решают экономическую проблему, заданную на шаге 1.
Чрезвычайно похоже, что специалист по данным должен иметь хорошее понимание бизнеса, затем понимание данных, сбор данных, EDA (исследовательский анализ данных), моделирование (машинное обучение) и передачу результатов. Похожий? Я говорю очень.
STEM и экономика
Название статьи просит вас не позволять «им» вас обмануть. Кто такие «они», значения не имеет. Только не позволяйте никому вводить вас в заблуждение. Экономика больше не является «сухой, теоретической и качественной» областью, и, вероятно, никогда ею не было. У него есть все основания для того, чтобы быть частью STEM, поскольку он не только охватывает «S» и «M», но и включение «T» в академические степени по экономике неуклонно растет.
На мой взгляд, научный аспект STEM не должен ограничиваться физическими, биологическими, естественными и естественными науками, но также должен включать социальные науки. Я вам скажу почему. Математика - ключевой компонент в STEM, так же как и в Data Science, и, безусловно, в экономике. Некоторые из концепций математики, имеющих решающее значение для экономиста, - это дифференциальное исчисление, геометрия, матрица и линейная алгебра. Но, если я еще не доказал свою точку зрения должным образом, читайте дальше, чтобы вы увидели мою поддержку.
Данные теперь повсюду. Без данных нет решения, которое можно было бы принять, потому что данные, несомненно, верны, и вы можете полностью исключить споры о том, «как я могу вам доверять?». Данные подобны Богу или вашему Учителю физкультуры (опираясь на опыт - в основном то, чего вы боитесь). Сейчас использование данных для решения проблем стало нормой, и экономисты делали это с XIX века. Это то, что нас представили как «эмпирические исследования» - использование исторических данных для доказательства точки зрения или некая теория типа «вытащили кролика из шляпы».
Идеи - это просто камень. С помощью данных вы можете вылепить Христа-Искупителя, поставить его на вершину горы и превратить в действующую бизнес-модель. Естественно, этого ожидают от специалистов по анализу данных, и задолго до этого ожидали этого и от экономистов. В заключение этого раздела, если ученого можно определить как человека, который «наблюдает, измеряет и общается», вы должны включить в эту группу экономистов. Антропологию, социологию, экономику, поведенческие науки и психологию часто объединяют в группы, и да, все они тоже относятся к STEM.
Я не чужой, просто потерянный кузен
Теперь я могу сказать вам, почему бы не позволить никому вас обмануть. Я получила степень магистра экономики и сейчас работаю специалистом по анализу данных. Я серьезно изменился в своей специальности? Я совершил грубую ошибку? Является ли это ошибкой, даже если я неплохо разбираюсь в экономике и науке о данных, но только потому, что они не «одинаковые»? Ничего подобного. Дело в том, что я ни в коем случае не переходил на другую сторону.
Отличный аргумент против моего: большинство ученых степеней не учит программированию, базам данных или даже машинному обучению - развертыванию модели, обучению, настройке и т. Д. Но дело в том, что экономика делает это делает разум достаточно способным к тому, чтобы разветвляться и легко расти, и удобно сидеть во всем, что тесно связано с данными - прямо как этот леопард.
То, что специалисты по анализу данных часто несут в себе и чего ожидают от экономистов, является идеальным дополнением - это критическое мышление и коммуникация. Экономисты очень многословны и, как правило, хорошо владеют словами. Поверьте мне, даже если вы не начнете, слова будут выдавлены из вас - как с академическими работами, диссертациями и т. Д.
Ключевые ингредиенты для достаточно хорошего специалиста по данным:
- Математические и статистические знания
- Программирование и технические знания
- Экспертиза в предметной области и коммуникация
Те математические и статистические знания, которые применяются в Data Science, по существу «просты» для выпускников экономических факультетов. Выбрав случайным образом двух человек в мире, один из которых является специалистом по данным, а другой - экономистом, они подойдут к проблеме машинного обучения (ML) следующим образом: специалист по данным будет эффективно отвечать на вопрос с точки зрения решения проблемы. данные, а также создание точной общей прогнозной модели; - в то время как экономист будет проводить большую часть своего времени, формулируя идеальный вопрос, который задают в первую очередь. Экономистов учат разнице между «корреляцией» и «причинно-следственной связью» гораздо раньше.
Моя степень магистра позволила мне достичь определенного уровня в программировании с R. И любой, кто говорит, что программирование на Python - непростая задача, действительно должен освежиться, выпить чашку кофе и посмотреть, насколько это легко. Python и R сегодня являются двумя ведущими языками программирования для Data Science. В любом случае мир движется к отказу от кода. Я «стал» специалистом по анализу данных менее чем за год. Все, что я использовал для обучения, - это ресурсы в Интернете, курсы в Интернете и т. Д. И чистое желание продолжать и практиковаться. Не волнуйтесь, я здесь не для того, чтобы хвастаться, у меня серьезный синдром самозванца, когда дело касается науки о данных, даже если моя мама просит меня больше верить в себя.
Однако, когда дело доходит до этой связи, наблюдается однонаправленный эффект. Экономист, интересующийся данными и эконометрикой (с использованием данных для экономики), естественно, будет заинтересован в использовании таких инструментов, как языки программирования, Excel, STATA и т. Д. Или любых других средств, обеспечивающих непрерывный поток данных. Это позволяет экономисту быстро освоить инструменты Data Science, такие как Python, Tableau, Azure ML и т. Д., И, следовательно, технические знания, о которых я упоминал выше. Для всех читателей, знакомых с основами машинного обучения, экономист имеет гораздо более глубокие познания в области линейной регрессии и логистической регрессии, чем средний специалист по анализу данных. Таким образом, возникает вопрос: - ML - это просто причудливый термин, созданный для обозначения технических вопросов и отпугивающий людей, которые не занимаются технологиями или компьютерными науками?
Хотя я согласен с тем, что машиностроение, включая развертывание и обслуживание постпродакшна модели, обычно может выполняться более эффективно выпускником факультета компьютерных наук, экономисты являются отличными кандидатами для понимания основ модели и проблемы.
В этой статье я здесь не для того, чтобы принимать чью-то сторону - я здесь, чтобы способствовать популяризации потенциально счастливого брака между двумя, казалось бы, не связанными друг с другом сферами.
Экономисты, как правило, люди, которые не могут согласиться на меньшее. Каждый раз, когда я сидел в классе по эконометрике, я не мог не придумывать еще одну возможную проблему с моделью, и независимо от того, сколько решений я продолжаю придумывать, всегда есть другая проблема. Допускаться к какой-то ошибке кажется преступлением. Это повышает ожидания и делает модель хорошо проработанной. Это достигается либо через настройку исследовательского вопроса, либо через тысячу бессонных ночей. Вот где в науке о данных пригодится опыт решения проблем.
Надеюсь, я был в некоторой степени убедителен, и эй, как знать, возможно, позже я вдохновлюсь и опубликую вторую часть этой статьи, с другими идеями! Главное - не подвергать остракизму социологов в сообществе Data Science, поскольку они не только квалифицированы, но и, вероятно, также являются хорошими или лучшими стратегами. Из них получаются отличные специалисты по принятию решений, и это то, к чему наука о данных ведет в будущем. Мы все видели, что то, что Майкл Корлеоне не хотел участвовать в «семейном бизнесе», не означало, что у него это плохо получалось. Чао!
