¿Qué quieres decir con “no entiendo todas las matemáticas”? Apuesto a que menos del 1% de los científicos de datos, a libro cerrado, podrían obtener las ecuaciones normales en menos de 30 minutos. Está bien. ¿Cómo es tu intuición matemática? ¿Sabes cuáles son los desafíos básicos de las redes neuronales muy profundas? (Explosión de entrada y disminución.) ¿Sabes qué son los vectores propios? ¿Qué es una SVD y por qué es importante? ¿Sabes por qué las distribuciones conjugadas anteriores (p. Ej. Beta, gamma) son importantes? ¿Por qué las optimizaciones convexas son importantes y cómo saber si un problema de regresión es convexo?
Ya está por delante del 85% de los científicos de datos profesionales y del 95% si tiene un conocimiento profundo de las principales factorizaciones de matriz y preocupaciones estadísticas.
Ya tienes lo necesario para conseguir un trabajo de ingeniero de ML. Ahora lo que se necesita es llegar a esos (pocos) lugares. Si le preocupan las credenciales, tiene tres opciones, ordenadas (en mi opinión) de mejor a peor.
- ¿Qué habilidades se necesitan para los trabajos de aprendizaje automático?
- ¿Cuáles son algunos proyectos de ciencia de datos de código abierto en Python?
- ¿Quién puede aprender big data?
- ¿Qué significa un modelo en analítica y aprendizaje automático?
- ¿Debo aprender conceptos de programación orientada a objetos en Python como científico de datos?
- Software de código abierto. Comienza a hackear en el mundo de ML de código abierto. No importa si su software se implementa. Simplemente compílelo para demostrar que sabe cómo codificar una red neuronal o un SVM.
- Encuentre una manera de hacerlo en su trabajo actual. Encuentre un proyecto de aprendizaje automático que pueda ser valioso para su empresa. Evolucionar en un ingeniero de ML con el tiempo. Cuantas menos personas solicite permiso explícitamente, mejor. Solo trabaja en cosas geniales.
- Inflación de títulos. La próxima vez que su aumento anual sea pequeño (menos del 10%) solicite un aumento de título (a Data Scientist o ML Engineer). Si se rechaza, use el título de todos modos en su próxima búsqueda de empleo (nadie verifica las referencias del empleador actual). La inflación atroz del título (Administrador de software II -> VP) puede marcarse y costarle trabajos, pero la mayoría de los cambios de título autoasignados que parecen laterales (Ingeniero de software -> Científico de datos) no se considerarán un gran problema. Puede explicar que le dieron este título mientras estaba en la empresa, pero que RR.HH. aparentemente no fue informado y está usando el título que tenía al ingresar.