¿Puedo comenzar a aprender ciencia de datos y ser digno de mercado en 6 meses? Acabo de terminar mi maestría en ingeniería mecánica y tengo habilidades de programación muy básicas (solo C) a partir de ahora.

No es un científico de datos. Pero definitivamente un analista de datos.

Como tienes experiencia en ingeniería, aprende Python y no R. Python es uno de los lenguajes más fáciles de aprender.

Si invierte 15 horas a la semana, este debería ser su plan para convertirse en analista de datos:

1. Primer mes: Realice todos los ejercicios de programación del libro “Aprenda Python el camino difícil”.
2. Mes dos a cinco : curso completo de analista de datos de Data Quest. Este curso le mostrará cómo aprender Python para la ciencia de datos desde cero. Eso sí, este curso no es gratis. Mira su página web para más detalles.
3. Mes seis : Realice el curso de estadística inferencial y descriptiva de Udacity, es gratis.

Por lo tanto, en seis meses tendrá una buena comprensión de las estadísticas y una cartera de proyectos de ciencia de datos. No tengo ninguna afiliación con Udacity o Data Quest.

Hasta donde sé, esta es la forma más fácil de convertirse en analista de datos. Hay una gran demanda de analistas de datos en India.

Data Scientist es obviamente el trabajo más remunerado y más sexy de esta década 🙂 pero todos tendemos a olvidar el hecho de que hoy tenemos que justificar el papel y lo que se necesita para ser un científico de datos. Como su nombre lo indica, debes jugar con datos y convertirte en un científico, y una vez allí, debes jugar más y jugar de manera diferente. Puede justificar conceptos relacionados con datos en 6 meses, pero no con la palabra CIENTÍFICO porque solo requiere un alto grado de experiencia técnica. Y estas no son solo habilidades relacionadas con la programación, sino también estadísticas de probabilidad, álgebra lineal, etc., que han viajado en su vida desde la escuela. Debes ser fuerte con ellos, ya que forma la base. Luego viene la parte de algoritmos que necesita comprender, practicar y dominar. Luego viene la pila de tecnología: ¿cuándo ir para qué? Hoy en día, el análisis de Big Data también se considera una habilidad adicional y esencial para un científico de datos. Finalmente tienes que escribir informes y visualizar tu trabajo. 🙂 Es un gran proceso pero definitivamente factible.

Puede convertirse en un científico de datos poco entusiasta simplemente aprendiendo una herramienta como sas o spss y algunos algos y conceptos básicos de R o python en 6 meses. Pero para ser un científico de datos completo se necesita tiempo y también depende de su interés 🙂

Abróchense sus cinturones y comience hoy 🙂

-Saludos

Mr.IAS 🙂

No

Hay demasiada brecha entre el ME y la ciencia de datos. Si bien puede estudiar el material hasta la saciedad, la experiencia práctica en negocios, datos y software es mucho más importante.

Los puestos de Data Scientist son roles bastante importantes que no solo requieren una experiencia técnica amplia y profunda, sino también una capacidad poco común para comunicarse y un sentido para los negocios.

Sea humilde con respecto a la transición: puede obtener un mejor servicio al encontrar rápidamente un puesto de analista, obtener experiencia práctica en datos y aprender ciencia de datos de forma paralela. De esa manera, puede incursionar en algo de ciencia de datos práctica mientras aprende el negocio. Si el camino para ser un científico de datos no se abre en esa primera compañía, entonces puede continuar con una cartera increíble.

Vea la respuesta de Levi Thatcher a Quiero aprender R & Data Science prácticamente. ¿Pueden ustedes darme su guía?

Suponiendo que tiene la formación matemática adecuada (y considerando que tiene una maestría en ingeniería mecánica, supongo que sí), absolutamente. Tener una sólida formación matemática es mucho menos común, por lo que cuando las personas lo muestran, generalmente son extremadamente comercializables, ya que adquirir las habilidades de programación para ser un científico de datos es mucho más fácil que adquirir fluidez matemática.

Además de eso, ya tienes un fondo de programación (y en C, nada menos). Aprender Python, tal vez R, y adquirir fluidez con los diferentes conjuntos de herramientas será mucho más fácil para usted, en comparación con el programador novato típico.

¡Buena suerte! Y si está buscando un campamento de entrenamiento para aumentar sus habilidades de ciencia de datos, consulte Byte Academy.

Hice una transición muy similar de la física. Tenía habilidades de programación y matemáticas decentes, y establecí un plan de ataque para intentar hacer la transición a DS en ~ 6 meses. De hecho, escribí ese plan de ataque y lo puse en un formato consumible bastante decente aquí: Hoja de ruta: Cómo aprender el aprendizaje automático en 6 meses | Blog de Metis

No se equivoquen, es un desafío. Básicamente pasé 6 meses trabajando mi trabajo real de 8 a 12 horas, luego volví a casa y puse otras 4 horas trabajando en cosas de aprendizaje automático. Pero, para mí, valió la pena. ¡Buena suerte!

Para ser muy honesto ¡NO!

La ciencia de datos no es una entidad única, sino que se compone de muchas disciplinas, tales como modelado estadístico, aprendizaje automático, minería de datos, análisis de datos, Big Data, programación, matemáticas y sistemas de bases de datos. Entonces, el alcance de su pregunta es demasiado amplio. En segundo lugar, incluso si tiene una maestría en Ciencias de la Computación, incluso no puede obtener un trabajo como científico de datos, ya que hoy en día la mayoría de los trabajos relacionados con el científico de datos exige experiencia en este campo.

No puede aprender ciencia de datos en seis meses, es mejor que elija un campo relacionado con la ciencia de datos como se mencionó anteriormente y aprenda este. Luego, haga algunos proyectos relacionados para tener una cartera. Pero tenga en cuenta que para cada campo de la ciencia de datos hay algunos requisitos previos. Por ejemplo, si desea iniciar la minería de datos, debe conocer los conceptos básicos de los sistemas de bases de datos (almacenamiento de datos estructurados o no estructurados, SQL básico, etc.). Por lo tanto, su experiencia es mecánica, debe comenzar desde lo básico y luego podrá comenzar a aprender sobre cualquier campo de la ciencia de datos.

Echa un vistazo a la nueva serie de tutoriales. Golpear Suscribir

Nodo JS Tutoriales

Si te gustó el video, no olvides SUSCRIBIRTE. Nunca te pierdas una actualización.

Sí, con suficiente determinación, contenido de aprendizaje adecuado y práctica práctica sobre las tecnologías, puede aprender lo suficiente como para ser digno de mercado en 6 meses. Sin embargo, los roles iniciales serán como analista de datos, y una mayor actualización a los roles de científico de datos requerirá mucho más esfuerzo.

Como MS en Mecánica, tendrás suficiente experiencia en Matemáticas; además, tu exposición al lenguaje de programación C es algo bueno. Dicho esto, debe tenerse en cuenta que se prefiere Java para dominar Hadoop. Además, se requerirá la exposición a SQL para seguir adelante con una carrera en Big Data.

Para resumir, si tiene exposición a estadísticas (desviación estándar, coeficientes de correlación, etc.), comprende la implementación de bucles en cualquier lenguaje de programación y tiene exposición a SQL, entonces no debe dudar en seguir el camino para comenzar su camino de aprendizaje en Big Data

Nosotros en CloudxLab ofrecemos un curso completo sobre Big Data con Hadoop & Spark que cualquier persona con exposición a la programación y SQL puede tomar, y el curso es lo suficientemente completo como para prepararte no solo para una carrera como Analista de Datos, sino que también te permite certificaciones completas de Cloudera. El curso está disponible en versiones a su propio ritmo y dirigidas por un instructor; puede consultar los detalles aquí.

La respuesta es no.

Conozco a varias personas que pudieron ingresar directamente a los roles de aprendizaje automático de nivel junior, pero ambos tenían grandes ventajas. Ambos conocían a Python y habían sido DBA.

Puede cortocircuitar el proceso, pero debe estar en un campo relacionado y saber programar.

Conocer las matemáticas realmente bien o las estadísticas para el caso no es suficiente. La mayoría de mis entrevistas son sobre Python.

Casi todo el aprendizaje automático aplicado se trata de la manipulación de datos, la construcción y el ajuste de modelos y luego llevar ese modelo a producción.

Lo mejor que puede hacer para su carrera de aprendizaje automático es aprender Python y las bibliotecas asociadas para ML.

Aquí está mi curso gratuito para comenzar. Es GRATIS, es corto y es del mundo real.

Las 5 mejores bibliotecas de aprendizaje automático en Python – Udemy

Sin saber más sobre su situación particular, ética de trabajo e inteligencia, debo decir que es posible pero algo improbable.

Debe aprender uno o más idiomas de nivel superior en este orden de importancia: Python, R y quizás Java. C no es suficiente. Además, debe ser capaz de descubrir por sí mismo cómo instalar software y bibliotecas y arreglar las cosas cuando no funcionan correctamente. Python debería ser sencillo. R es peculiar. Java es detallado.

Supongo que tienes una máquina con Windows. Si bien es posible hacer una buena cantidad de Data Science en él, debe darse cuenta de que la mayoría del software DS está construido sobre Linux, por lo que deberá elegir Linux. (Nota: puede hacer que una máquina Windows se comporte como Linux con Cygwin y MinGW, pero eso se quedará corto. La Mac ejecuta BSD Unix, que es muy compatible con Linux pero puede tener problemas).

Debe conocer una buena cantidad de estadísticas y probabilidades, que podría tener con un MS In ME, pero es difícil de decir. Incluso si aprendió estadísticas en una clase, aplicarlo al “mundo real” podría ser otra historia.

Es difícil juzgar cuánto álgebra lineal conoce, pero esa es una parte crítica de Data Science / Machine Linear.

Estoy bastante seguro de que conoce el cálculo multivariable, que es fundamental para comprender la teoría, pero no se usa tanto en la aplicación.

Sospecho que tiene muchos conocimientos de “dominio”, por lo que está acostumbrado a ver datos desordenados y ambiguos. Sospecho que tienes una buena idea sobre el poder y las deficiencias de los modelos matemáticos. Esta es una gran ventaja que tiene sobre un graduado en DS. Con un MS, probablemente tenías que sumergirte profundamente en un dominio problemático, lo cual es bueno.

Otra variable es ¿qué tan “emprendedor” eres? Si tiene problemas para recoger las cosas usted mismo, necesitará acceso a maestros y / o mentores. Supongo que con una EM, estás acostumbrado a darle sentido al nuevo material con el que no habías tenido experiencia antes.

Finalmente, mucho depende de dónde quieras trabajar. Hay muchos trabajos de DS pero también hay mucha competencia. Si eliges un área que no tiene tantos buscadores de trabajo, estarías mejor.

¡Buena suerte para ti!

Data Science Certificate Training ha sido diseñado para prepararlo para un trabajo en el espacio analítico. El curso de certificación de ciencia de datos lo convertirá en un experto en la comprensión del problema, el diseño del análisis y la aplicación de técnicas de modelado predictivo utilizando R para obtener información comercial de los datos. R es el lenguaje de programación más utilizado hoy en día en el campo de la ciencia de datos y el análisis.

Data Science es la combinación de estadísticas, matemáticas, programación, resolución de problemas, captura de datos de manera creativa, la capacidad de ver las cosas de manera diferente y la actividad de limpiar, preparar y alinear los datos.

En el programa de certificación de ciencia de datos, obtendrá habilidades en gestión de big data, análisis avanzado, aprendizaje automático y visualización de datos, junto con las habilidades de comunicación esenciales que necesitan los científicos de datos de hoy.

Servicios de capacitación en habilidades de TI La capacitación en ciencia de datos se ha estructurado para aquellos que desean desarrollar el conocimiento avanzado y las habilidades necesarias para trabajar como científicos de datos. Obtenga su certificación de ciencia de datos y destaque, ya sea que esté buscando cambiar de trabajo, obtener una promoción o mejorar sus habilidades actuales.

En este momento sí, pero a medida que este mercado se vuelva más maduro y se presenten más personas en un conjunto de habilidades más refinadas, se solicitará. Sin embargo, tendrás que trabajar duro. Estudiar y participar en la competencia (kaggle o similar) al mismo tiempo.

Sí, seguro, solo planifica tu trabajo y ponlo en acción

Consulte el siguiente plan, es un muy buen comienzo

Infografía – Plan de aprendizaje 2017 para intermedios en ciencia de datos

Puede comenzar un descenso muy en seis meses. Puede que no sea digno de un mercado, pero puede ayudarlo a mejorar sus habilidades.

Todos queremos convertirnos en expertos en poco tiempo. ¿Podemos realmente convertirnos?
Solo unos pocos.

Tome su tiempo. Haz tu trabajo de tierra. Aprende sin cesar. Necesitará más tiempo para convertirse en un buen científico de datos.

Depende de sus antecedentes matemáticos y qué tipo de cartera de análisis de datos puede reunir. Si tiene las matemáticas, pruebe Elementos de aprendizaje estadístico y algunos proyectos sobre datos de código abierto. R es un buen lenguaje, como lo es Python. No estoy seguro de qué se parece más a C, pero R es bueno para los programadores principiantes.