回原PO及版众所讨论的Big Data，甚至转至会计与精算问题， 自己刚好都略有涉略，也稍会一些程式语言、统计及会计精算， 就用自己理解部分来做个回应。 关於Data Mining及Business Analyst是属於Data Science的集合内， 当然Big Data也是属於Data Science的范畴， 那Data Mining及Big Data的主要差异是什麽呢？ 个人认知，主要是"Big"，资料真的 "too big"， 使得过去统计范畴的资料与决策分析，开始需要CS来协助处理。 简而言之，就是「资料大到可以做动态决策(Dynamic Decision-Making)」， 当资料不断地蒐集，资料所需要的空间及运算也就越来越大， 每秒都会产生出决策，最後导致一台电脑无法处理及运算， 这时，就必须仰赖Cloud Computing等等地CS技术， 藉由云端科技同时动态地储存大量资料，并且同时动态地产出决策。 最显着的相近例子，就是Google随时记录个人的邮件及网页浏览习惯等， 并且，逐步地达成客制化的服务，大家打开智慧手机，就有明显的差异服务。 如果想要念Big Data，可考虑念什麽学校或什麽系呢？ 首选是Stanford，因为Stanford的CS及Statistics都是世界顶尖， 可参考这网页 https://statistics.stanford.edu/academics/ms-statistics-data-science 第二个选择是可能是Washington，事实上，个人认为这学程内容比较符合Big Data 可参考这个网页 http://www.cs.washington.edu/students/grad/specializedtracks/bigdata 上述两个学程，都可以辅助去了解未来要如何修课及获得实务经验， 不管走Statistics或Computer Science，到最後所有事物都必须自我学习， 主要原因是，Big Data范畴常常是Statistics，Hacker及Social Science的交集。 这项技术成熟後，可以推翻许多过去理论的假设，例如特定分配等等。 用在精算上，"似乎"也可改变目前许多精算模型， 用在经济上，"似乎"就可解决人是理性之相关假设所产生的问题。 近期所探究的技术，是Dynamic Networking的概念。 因为，不断地抓取新资讯，个别分配会透过统计方法， 不断地整合新的动态分配，进而获得动态决策。 (目前有看到Baysian Method成功地使用在实务的例子) 就自己有限知识所了解到的， 是偏向Dynamic Non-Parametric Statistics + Baysian Method， 再用CS技术建置一个Automatic System去做到Dynamic Decision-Making。 通常学Statistics的人，往往无法处理Machine Learning等等问题； 通常学CS的人，往往对整合分配及资料蒐集产生些许障碍； 通常两项都会的人，往往较缺乏运用在产业上的相关知识， 例如，股价预测，也需要了解相关国际金融、总体经济及预测行为等知识。 至於精算及会计，如果没有要走学术的话， 都可以透过考取证照方式，自修而成为会计师与精算师， 分别去美国的两大协会，AICPA及SOA即可获得相关资讯。 如果有接触FSA、FCAS或是CPA的话， 有一定比例是念艺术、音乐出身的，所以学校科系并不是重点， 主要看重自学能力及长期努力的抗压性。 念统计或精算硕士对精算实务帮助是什麽呢？ 可能就是预备知识，如数理统计、可信度理论、存亡分析等等课程， 先获得相关能力，之後减少未来学习考照的时间， 并透过部分报告或师资人脉，获得实务经验或研究主题的经验。 提前了解保单订价，准备金评估，保险公司财务或清偿能力的评估， 甚至进入再保险领域，获得巨灾或风险移转工具的工作机会。 关於念会计硕士对会计实务帮助呢？ 也相同地，可先对审计、财报分析、商业环境及法规提前认识， 节省考CPA的时间，并且透过实习或人脉， 帮助自己於税务或审计方面的职涯规划， 也可能走向财务顾问或企业评估领域。 会计及精算的段落，只是协助了解两者事实上有显着差异， 但不可否认也有极大的交集，也就是IFRS 4 Phase II的范畴。 以上，如果有说错，也麻烦各位大大给予一些提醒及修正罗！ 希望有更多人可以投入Big Data领域内，协助整个产业发展。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 42.65.3.54 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/studyabroad/M.1422731222.A.8DB.html 也许入门Statistics是个选择，可先把R language熟练， 再进阶接触Python，资料结构、Machine Learning等等。 推翻似乎真的不是很好的描述，原意是可能改变应用科学的假设。 举例来说：有位致力於Non-cooperative Game的欧洲学者(似乎有诺贝尔奖) 他对"人是理性"的假设，便认为是Nonsense， 大约10年前，他就曾使用Networking的想法在处理经济问题。 ※ 编辑: branburg (42.65.3.54), 02/01/2015 17:04:13