No puede ser un experto en ningún dominio en 1 o 2 meses, y mucho menos en el análisis de datos. ¿Te interesa la ciencia de datos o la ingeniería de datos?
La ciencia de datos requiere un buen conocimiento de estadística, álgebra lineal, teoría de probabilidad, cálculo e informática. La ingeniería de datos requiere un buen conocimiento de SQL, bases de datos, ecosistema Hadoop, Java, secuencias de comandos de Linux. El aprendizaje automático también se busca hoy en día.
Tomará casi un año de estudio a tiempo completo y práctica práctica para adquirir habilidades razonables en cualquiera de las 2 áreas. Primero elige qué camino quieres tomar:
- ¿Qué análisis se puede hacer en los datos de asistencia de los empleados?
- ¿Cuáles son algunos usos analíticos de big data?
- ¿Qué tipo de herramientas de colaboración reducirían la duplicación del esfuerzo de I + D en el análisis y el intercambio de datos?
- Cómo decidir entre aprender un modelo para cada usuario o un modelo único a partir de todos los datos
- ¿De qué manera es Excel VBA útil para los científicos y analistas de datos?
- Analista de datos / científico de datos
- Ingeniero de datos
Para practicar, hay muchos buenos conjuntos de datos disponibles en línea. Solo busca en Google. Los MOOC son una excelente manera de aprender aspectos teóricos de la ciencia de datos. Sugeriría inscribirse en un programa de maestría si su objetivo es ser un científico de datos.
Kaggle es un gran lugar para practicar. Algunos otros sitios útiles son:
- Comunidad de análisis | Discusiones analíticas | Discusión de Big Data
- Análisis, minería de datos y ciencia de datos
- Dominio del aprendizaje automático
