En mi experiencia, entrar por una puerta en una institución que generalmente tiene su “elección de la basura” cuando se trata de contratar es obtener y demostrar habilidades específicas que lo hacen explícitamente aplicable a lo que esa institución está tratando de lograr. Dicho esto, yo diría que necesitas hacer algunas cosas;
- Consigue una experiencia real . Si no tiene mucha experiencia práctica en la aplicación de la ciencia de datos (no solo el aprendizaje automático) a problemas del mundo real, especialmente los que han terminado en un entorno de producción, intente obtener una posición junior en cualquier institución: técnica, financiera, reguladora – Cualquiera que te dé esa primera experiencia. Tu curva de aprendizaje será exponencial. Pasa tiempo en kaggle (enlace en la parte inferior). Puede aprender mucho de lo que otros han hecho y comenzar a probar sus propios enfoques de los problemas. Sea autocrítico al hacer esto y cuando cree un modelo que sea una mierda (como todos lo hacemos), ¡investigue y descubra por qué es una mierda!
- Considere a qué parte de un fondo de cobertura le gustaría aplicar ML / AI . Si desea trabajar en la ejecución de operaciones o algo así como HFT, los conjuntos de habilidades y conocimientos pueden ser muy diferentes a la optimización de la cartera o la estrategia de negociación. Aunque los algoritmos y las matemáticas utilizados en cada problema pueden ser similares, sus aplicaciones pueden variar en gran medida. Una vez que conozca su área de interés, oriente su lectura e investigación (que debería estar haciendo a diario) hacia esa área, mientras trata de mantener su conocimiento amplio para no encasillarse a sí mismo … suena como una pequeña paradoja pero espero que entiendas de dónde vengo.
- Obtenga una USP . Para algunos, esto es que su tesis doctoral se escribió en una rama específica del cálculo estocástico, aplicable a cualquier empresa que ahora quiera comerciar utilizando el cálculo estocástico. Para otros, es saber todo lo que hay que saber sobre la computación en la nube, aplicable a las empresas que buscan mantenerse al día con los tiempos en términos de su finalización. Mi punto es que habrá 200 personas que saben cómo construir una red neuronal recurrente apilada, pero solo unas pocas que pueden aportar algo extra al negocio en términos de conocimiento o experiencia.
Una vez que esté satisfecho con lo anterior, comience a poner su CV y a reunirse con personas. Una gran parte de la batalla es continuar con las personas con las que pasarás horas al día resolviendo problemas.
Aprender R no estaría de más, sobre todo porque si estás leyendo en cualquier lugar cerca de lo que deberías, los documentos y las soluciones se distribuirán en ambos idiomas y terminarán siendo otra cadena para ti.
- Suponiendo que una IA pueda jugar un juego matemáticamente perfecto de damas, ¿podría Dios vencerlo? ¿Se limitarían a atar?
- ¿El auto automatizado de Google utiliza refuerzo o aprendizaje supervisado?
- ¿Cómo ha cambiado Machine Learning la seguridad informática?
- ¿Cuál es la teoría de la singularidad en el contexto de la IA?
- ¿Cuál es la relación entre el aprendizaje automático en línea y la teoría de juegos?
Por último, la identificación solo dice que asegúrese de querer ingresar a un fondo de cobertura porque le gustan los problemas que eventualmente resolverá. Si crees que será fácil llegar a tu primer millón, estarías equivocado. Si eres un buen científico de datos, ganarás mucho dinero en cualquier sector. El consenso general es que la calidad de su solución está correlacionada con su interés / relación con el problema, en gran parte porque comprender a fondo un problema lo hace mucho más equipado para resolverlo. Siempre debe hacer lo que le apasiona, la ciencia de datos es genial porque puede tomar una cosa que ama (ML, optimización de IA, informática, etc.) y aplicarla a otra cosa que ama: la inversión, asistencia sanitaria, interacción social, política, etc. ¡Buena suerte!
Two Sigma Financial Modeling Challenge
Cosas comerciales sistemáticas
Fijación de precios de activos con riesgo de liquidez extrema con Python (Parte 1)
Stanford Engineering Everywhere
40 preguntas para evaluar a un científico de datos sobre Machine Learning [Solución: SkillPower – Machine Learning, DataFest 2017]
Amazon.co.uk: John C. Hull: 9780131499089: Libros
