Considero que ‘aprender’ y ‘hacer’ es la principal diferencia entre un principiante y un científico de datos intermedio.
Mi consejo es: participar en algún proyecto: tal vez pueda ofrecer un servicio pro bono a las personas, ya sea una organización que se ajuste a su valor o algunas entidades comerciales que lo ayuden a desarrollar su CV.
La diferencia entre aprender y hacer es:
- Cómo convertirse en un científico de datos
- ¿Dónde puedo encontrar datos para construir un modelo de prepago de hipoteca usando conceptos de ciencia de datos?
- ¿Qué cursos de posgrado debo elegir para el aprendizaje automático?
- ¿Qué son los grados fantasmas de libertad?
- Para un big data más reciente, ¿es un almacén de datos una mejor opción o no?
- Los objetivos del mundo real a menudo no están claros: es necesario que se comunique con la gente
- Los datos del mundo real a menudo están sucios, a veces se pierden: debe encontrar la manera de obtener sus datos o trabajar para resolver el problema sin esos datos
- Los problemas del mundo real a veces son más complejos: puede caer en casos en los que el problema no pertenece a los algoritmos de aprendizaje automático típicos, pero sabe que es un problema de estadística y computación
- Los proyectos del mundo real deben ser entregados: no puede simplemente construir un modelo y decir que ya ha terminado. tendrá que saber cómo entregar el resultado a esas personas no técnicas para ponerlo en uso
Por supuesto, mientras el estrés está en “hacer”, no quiero decir que no necesites seguir aprendiendo nuevas habilidades.