Para el procesamiento que he realizado, generalmente tuve otras preocupaciones:
- Serialización, procesamiento en tiempo real
- Corrección / detección de errores
- Tolerancia a fallos
- Requisitos de anotación
El idioma, la API, la facilidad de uso no son, por lo general, consideraciones serias, y todas las que se enumeran no deberían darle problemas en ninguna plataforma razonable. Las soluciones rápidas deberían estar comúnmente disponibles en bibliotecas abiertas, o fácilmente escritas para casos simples.
Preguntas: ¿cuáles son los requisitos de retraso en tiempo real o reacción? ¿Cómo se accede al índice de datos? Formato fijo o datos estructurados, o los datos están anotados con eventos? estructurado como XML o JSON, por ejemplo, o ¿hay borrones o referencias que incluyen tipos de datos no canónicos? Hay muchos requisitos que pueden impulsar su elección.
- Tengo experiencia con React and Angular, y desarrollo de JavaScript de pila completa, ¿debería incluirlos cuando busco entre ciencia de datos?
- ¿Cuáles son algunos de los mejores sitios de cartera de desarrolladores web / científicos de datos / especialistas en visualización en ciernes?
- En la era del aprendizaje automático, IA, big data, etc., ¿qué tan útil es estudiar campos ya maduros como CS teóricas y bases de datos relacionales a nivel de posgrado, y luego pasar a la industria del software?
- ¿Cuál es la importancia de las estadísticas y las matemáticas en el campo de la ciencia de datos? ¿Cuántas matemáticas y estadísticas se requieren para convertirse en un científico de datos?
- ¿Qué es una aplicación de aprendizaje automático y cómo se usa, que no es una de las siguientes: redes sociales, motores de búsqueda, bioinformática, neurociencia, investigación en el CERN, ciencia actuarial y sistemas de recomendación?
