Nadie hubiera pensado nunca estar rodeado principalmente de datos y máquinas. Además, tales datos y máquinas nos están ayudando a formar estrategias para hacer crecer múltiples pliegues.
Con tantos desarrollos de TI que ocupan un lugar crucial en todas las organizaciones en todo el mundo, no es sorprendente que los términos de TI se mezclen, se mezclen e incluso se intercambien. La inteligencia artificial, el aprendizaje automático, la minería de datos y la inteligencia empresarial son una combinación de conceptos y términos interconectados entre sí pero diferentes.
Científicos de datos:
- ¿Qué tiene más alcance y permanecerá durante mucho tiempo en el mercado, la ciencia de datos, la computación en la nube o Hadoop y big data?
- ¿Todavía vale la pena hacer MS en aprendizaje automático clásico o minería de datos sin un módulo en profundidad sobre aprendizaje profundo que está en tendencia?
- ¿Qué es mejor: una maestría en ciencia de datos en la UCL (Univ. College London) o una maestría en estadística en la Universidad de Boston?
- ¿Cuáles son las herramientas de big data?
- ¿Por qué necesitamos una matriz de confusión en la minería de datos?
- Los científicos de datos deben estar familiarizados con los sistemas de bases de datos. Ejemplo: Hive, MySQL, etc.
- Es mejor también estar familiarizado con los desarrollos laborales de Java, Python, MapReduce.
- Debe tener una comprensión clara de varias funciones analíticas: mediana, rango, etc. y cómo usarlas en conjuntos de datos.
- Perfección en matemáticas, estadísticas, correlación, minería de datos y análisis predictivo para ayudar a hacer mejores predicciones para las decisiones comerciales.
- Saber R es como tener una pluma en la gorra de Data Scientist
- Conocimientos estadísticos profundos y aprendizaje automático: Mahout, Bayesian, Clustering, etc.
Analistas de datos:
- Los analistas de datos deben estar familiarizados con el almacenamiento de datos y los conceptos de inteligencia empresarial.
- Exposición en profundidad de SQL y análisis.
- Fuerte comprensión de los análisis basados en Hadoop (trabajos de HBase, Hive, MapReduce, Impada, Casscading, etc.)
- Almacenamiento de datos y recuperación de habilidades y herramientas.
- Perfecto con las herramientas y componentes de la arquitectura de datos.
- Familiarizado con varias herramientas ETL, para transformar diferentes fuentes de datos en fuentes de datos analíticos.
Descargo de responsabilidad: soy cofundador de @GreyAtom y ayudo a talentos de ingeniería a encontrar carreras sostenibles en tecnologías emergentes.
El programa insignia altamente selectivo de GreyAtom tiene como objetivo orientar a los profesionales que trabajan y los más novedosos en el inicio de su carrera de ciencia de datos. Los estudiantes crearon proyectos a partir de conjuntos de datos REALES y declaraciones de problemas proporcionadas por nuestra industria y socios de contratación. El programa se basa en el aula y está fuertemente orientado a la práctica. GreyAtom es un ecosistema donde los estudiantes pueden aprovechar lo mejor de la academia, profesionales de la industria y personas influyentes.
Algunos enlaces rápidos
- Programa – http://www.greyatom.com/full-sta…
- Chatee con un consejero académico: le invitamos a compartir todas sus dudas e inseguridades, a las que haremos todo lo posible para guiarlo hacia su camino profesional hacia el éxito. https://calendly.com/greyatom/co…
- Panel de discusión en GreyAtom – https://www.youtube.com/watch?v=… https://www.youtube.com/watch?v=…