最近因故在湾区待了一阵子，也有机会和一些前辈聊过天，也来分享一些心得
以前曾经听老师提过，大意是如果你需要更好的模型，请找math/stats的人
如果你需要更快的模型，请找CS的人
如果你需要别人了解你的模型，请找business analytics/quant econ/policy....的人
大致上一个data science/engineering的team/projet就需要上面三种人分工合作
暂时分别简称为stats、CS和quants
如果是PhD，在这个层级，我觉得读哪一个领域都可以
按照自己的兴趣、背景、能力选择即可
身为过来人，我只能说平平安安顺利毕业才是最重要的事
但如果只是要读master，CS应该确定是胜过stats
现在似乎连quants也有迎头赶上stats的潜在趋势
(顺带一提，我也觉得两大语言python有超越R的趋势)
CS胜过stats算是合乎过去几年的预测
毕竟stats到最后还是要仰赖programming
而且stats在MS的层级往往能力还不足以开发新模型
这有很多前辈分享过了，就不赘述
quants的部分算是比较出乎我的意料，但深入了解还是可以体会
基本上有兴趣data science/engineering的quants
统计与programming的部分至少都有基本底子，可能以stats或CS的标准来看不够强
但一定可以和他们沟通或看得懂听得懂他们在说什么，这样就够了
quants拥有的优势是在特定领域的知识和共通语言
公司要把东西卖出去，还是要靠quants在该领域的语言才有办法
所以quants这几年也隐隐然有往上爬的需求
(其实还有一个因素，而且不只一个人提到，但我觉得有点偏见
就是quants往往在personality和team work这方面的评价也都比较好)
反而stats这几年其实没那么热门了，甚至有前辈还会觉得stats不好用
programming不如CS，要卖东西不如quants，要新模型不会，得要找PhD
(好笑的是，讲出这句话的两位亲戚学位还都拿stats的MS)
如果是已经工作数年的毕业生，靠着工作经验应该比较没什么问题
但如果是刚拿到MS的毕业生，其实优势已经不如前几年来得大
最后则是个人小小感想
毕竟我也拿了一个国内的统硕，还是要帮stats说一下好话
因为data science兴起的关系
统计很有可能会像30年前的CS，和数学系走向分家
统计现在学界主流还是视为应用数学
即使独立出来，课程和研究上依然高度重视数学理论
但在硕班以下的课程设计很有可能会脱理入工
愈来愈偏向工学院以处理实际问题为主，数理理论为辅的模式
打个比方来说，过去我们的上课教科书大多数书名都是XX analysis
课本内容会从理论数学开始推导，说明性质，给个应用实例，code自己想办法
但现在愈来愈多教科书都变成XX analysis with R
减少理论推导和数学性质，变成由实例出发说明，最后附上code教学生如何解决问题
这和CS等工学院的教科书编写与课程设计愈来愈接近
美国因为master大多数是就业导向，因此课程设计也改得很快
所以对于本来读econ/finance/engineering，甚至是sociology/policy....的同学
就是有统计基础，但programming基础接近于0的同学
如果对data science有兴趣，觉得business analytics学费太贵
也是可以挑战读就业导向的统硕，慢慢转过去
因为理论数学的比重和难度都已经下降很多，取而代之是更多的programming
而且相对CS来说，统计算是对跨领域学生比较友善的学门
当然初期一定比较辛苦，但只要撑过去，至少在业界眼中，就是已经踩上第一块砖
要投data science的相关工作也是比较具有说服力
以上