Wie hängen Wirtschaftsingenieurwesen und Big Data zusammen und was ist ein guter Einstieg in beide Studiengänge?

Das BS- und MS-Curriculum, das ich in Wirtschaftsingenieurwesen (METU BS. In Industrial Engineering Curriculum) studierte, war stark mathematisch modell- und produktionsplanungsorientiert. Wir hatten drei OP-Kurse, zwei Produktionskurse, bei denen es sich im Wesentlichen um dynamische Programme handelt, die auf Supply-Chain-Probleme, Wahrscheinlichkeits-, Statistik-, Scheduling- und Decision-Sciences-Kurse angewendet werden. Wir haben auch einige Kurse zu Herstellungsverfahren, Materialwissenschaften, Thermodynamik, Wirtschaft und Finanzen besucht, aber genau genommen sind sie für das Thema irrelevant.

Ich habe und mache einige große Datenarbeiten (kein Hadoop, das Größe erfordert, aber immer noch Millionen von Zeilen). Ich muss sagen, meine Priorität liegt immer noch auf dem Problem, nicht auf den Daten (ich sage nicht, dass Daten erfasst oder gespeichert werden, sondern auf der Verwendung von Daten). Denn trotz technischer Herausforderungen sind Big Data nur mehr Daten .

Als IE-Student ist es unwahrscheinlich, dass Sie irgendetwas im Zusammenhang mit echten Daten tun, außer vielleicht Ihrem Abschlussprojekt. Bei Ihren harten Fähigkeiten geht es jedoch um Optimierungs- und Modellierungstechniken. Zur Hölle, sie hatten uns sogar beigebracht, Menschen zu modellieren (siehe Arbeits- und Bewegungsstudie). Vergewissern Sie sich, dass Sie auch über Statistik- und Differentialgleichungskenntnisse verfügen.

Aber die Soft Skills wie das Sehen, wie die Dinge funktionieren (Gesamtbild und sich bewegende Teile), das Erkennen des Problems und das Entwickeln einer kohärenten Problemdefinition (die entscheidend ist, aber nur wenige können), in kurzen Systemkonzepten werden von unschätzbarem Wert sein.

Denn wie Abhishek angedeutet hat, werden Ihre Big Data nur eingegeben. Die Leute verwechseln normalerweise “Big Data” mit “Was tun mit Big Data?”, Wie zum Beispiel maschinelles Lernen, bei dem ich glaube, dass ein IE erfolgreich sein wird. Halten Sie ein offenes Auge für Themen wie Metaheuristik, Zeitreihen, Data Mining, Regression (und deren Variationen in großen Mengen), Simulation und Clustering. Diskrete Optimierung, Graphentheorie, Komplexität und die damit verbundenen Themen ermöglichen Ihnen ein besseres Verständnis der Optimierung.

Ihre kombinierten Fähigkeiten werden in verschiedenen Anwendungsbereichen wie Bildung, Finanzen, Gesundheitswesen, Transportwesen, Fertigung usw. von Bedeutung sein.

Operations Research steckt voller statistischer Methoden wie der Warteschlangentheorie, die wiederum von Natur aus von Daten abhängen, je mehr desto besser. OR-Lehrbücher enthalten Standardfragen, bei denen die Werte bereits angegeben sind. Sie müssen in Formeln eingefügt werden, um die Antworten zu erhalten. Wie auch immer reale Branchen reale Probleme haben, die Datenerfassung und -verarbeitung ist den Experten überlassen. Die Datenmenge, die generiert werden kann, ist riesig. Die richtigen OP-Parameter aus diesen Daten zu extrahieren und sie an ein Modell anzupassen, sind nur zwei Aufgaben, bei denen die Verarbeitung großer Datenmengen wirklich hilfreich sein kann.