最近因故在灣區待了一陣子，也有機會和一些前輩聊過天，也來分享一些心得
以前曾經聽老師提過，大意是如果你需要更好的模型，請找math/stats的人
如果你需要更快的模型，請找CS的人
如果你需要別人了解你的模型，請找business analytics/quant econ/policy....的人
大致上一個data science/engineering的team/projet就需要上面三種人分工合作
暫時分別簡稱為stats、CS和quants
如果是PhD，在這個層級，我覺得讀哪一個領域都可以
按照自己的興趣、背景、能力選擇即可
身為過來人，我只能說平平安安順利畢業才是最重要的事
但如果只是要讀master，CS應該確定是勝過stats
現在似乎連quants也有迎頭趕上stats的潛在趨勢
(順帶一提，我也覺得兩大語言python有超越R的趨勢)
CS勝過stats算是合乎過去幾年的預測
畢竟stats到最後還是要仰賴programming
而且stats在MS的層級往往能力還不足以開發新模型
這有很多前輩分享過了，就不贅述
quants的部分算是比較出乎我的意料，但深入了解還是可以體會
基本上有興趣data science/engineering的quants
統計與programming的部分至少都有基本底子，可能以stats或CS的標準來看不夠強
但一定可以和他們溝通或看得懂聽得懂他們在說什麼，這樣就夠了
quants擁有的優勢是在特定領域的知識和共通語言
公司要把東西賣出去，還是要靠quants在該領域的語言才有辦法
所以quants這幾年也隱隱然有往上爬的需求
(其實還有一個因素，而且不只一個人提到，但我覺得有點偏見
就是quants往往在personality和team work這方面的評價也都比較好)
反而stats這幾年其實沒那麼熱門了，甚至有前輩還會覺得stats不好用
programming不如CS，要賣東西不如quants，要新模型不會，得要找PhD
(好笑的是，講出這句話的兩位親戚學位還都拿stats的MS)
如果是已經工作數年的畢業生，靠著工作經驗應該比較沒什麼問題
但如果是剛拿到MS的畢業生，其實優勢已經不如前幾年來得大
最後則是個人小小感想
畢竟我也拿了一個國內的統碩，還是要幫stats說一下好話
因為data science興起的關係
統計很有可能會像30年前的CS，和數學系走向分家
統計現在學界主流還是視為應用數學
即使獨立出來，課程和研究上依然高度重視數學理論
但在碩班以下的課程設計很有可能會脫理入工
愈來愈偏向工學院以處理實際問題為主，數理理論為輔的模式
打個比方來說，過去我們的上課教科書大多數書名都是XX analysis
課本內容會從理論數學開始推導，說明性質，給個應用實例，code自己想辦法
但現在愈來愈多教科書都變成XX analysis with R
減少理論推導和數學性質，變成由實例出發說明，最後附上code教學生如何解決問題
這和CS等工學院的教科書編寫與課程設計愈來愈接近
美國因為master大多數是就業導向，因此課程設計也改得很快
所以對於本來讀econ/finance/engineering，甚至是sociology/policy....的同學
就是有統計基礎，但programming基礎接近於0的同學
如果對data science有興趣，覺得business analytics學費太貴
也是可以挑戰讀就業導向的統碩，慢慢轉過去
因為理論數學的比重和難度都已經下降很多，取而代之是更多的programming
而且相對CS來說，統計算是對跨領域學生比較友善的學門
當然初期一定比較辛苦，但只要撐過去，至少在業界眼中，就是已經踩上第一塊磚
要投data science的相關工作也是比較具有說服力
以上