¿Debería centrarme en conseguir un trabajo o aprender ciencia de datos?

Obtenga un trabajo donde pueda aprender y aplicar la ciencia de datos.

Ver aprendizaje es un proceso continuo. Después de algunos meses de estudiar ciencias de datos, aún no puede afirmar que lo sabe todo. Mientras estudia, las oportunidades para aplicar los conceptos que aprende son muy pocas.

Bueno, si estás en una industria de ciencias de datos / decisiones, entonces puedes aprender y aplicarlo en problemas del mundo real simultáneamente.

Si todavía está buscando estudiar, The Home of Data Science debería ser útil para usted. Puede abordar un problema y aplicar técnicas / algoritmos que aprenda. Bueno, puedes aprender con varias competiciones como el aprendizaje automático utilizando un conjunto de datos titánico, un analizador de dígitos, etc.

O consiga un trabajo en algunas de las compañías de análisis como Mu Sigma, asociados de ZS.

Ayush

Como han dicho otros, depende de dónde se encuentre, qué quiere hacer y por qué quiere hacerlo.

Sin embargo, tal vez podamos poner algunas cosas en una mejor perspectiva si supiéramos dónde se encuentra y por qué le gustaría ingresar a la ciencia de datos.

¿Qué estás estudiando actualmente? ¿Tiene una sólida formación en matemáticas, informática o estadística? ¿O al menos provienen de un campo STEM? Sin una experiencia similar, será difícil ingresar a la ciencia de datos.

¿Y por qué quieres entrar en ciencia de datos? ¿Por dinero o porque resolver problemas con datos realmente hace algo por ti?

Realmente debería modelar mi respuesta a preguntas como esta.

No hagas nada solo por el dinero. Especialmente ciencia de datos (bueno, entre otros). Porque, a menos que tenga la mentalidad de que realmente ayuda a resolver problemas con los datos (a través del entrenamiento o, naturalmente, pero el entrenamiento lleva bastante tiempo), simplemente no lo hará bien. Necesitas pensar naturalmente de ciertas maneras o forzar ese pensamiento sobre ti mismo. Y es posible que no desee pasar el tiempo necesario para hacer esto último.

Es mejor descubrir en qué eres realmente bueno y hacerlo en lugar de ser un mediocre, sea lo que sea que seas. Es posible que no siempre le paguen tanto, pero en ciencia de datos, la mediocridad simplemente no es suficiente. Tienes que ser bueno para hacerlo bien … estarás ayudando a tomar decisiones, y las decisiones deberán ser buenas. Y no hay forma de fingir eso.

Confucious dijo: “Haz lo que amas y nunca trabajarás un día en tu vida”. Es sobre todo cierto, aunque puede que no sea el mejor consejo profesional. Pero debes jugar con tus puntos fuertes. Acaba de salir de la escuela y puede tener deudas. Ser un científico de datos convincente sin los antecedentes necesarios llevará tiempo. En este momento hay una demanda de científicos de datos, pero realmente necesita poder hacerlo bien.

Una sugerencia: en lugar de responder su propia pregunta como un comentario, comente la pregunta o agregue detalles. Mucho más fácil para todos los que intentan responder a su pregunta para saber qué está pasando.

Normalmente no doy consejos de carrera, porque siento que no estoy calificado para hacerlo. Además, la situación de cada persona es diferente y yo no conozco la tuya, de hecho, nadie puede conocer tu situación excepto tú.

Ahora bien, esto puede no ser muy relevante, pero pensé en compartir esta respuesta mía para darle algunas ideas: la respuesta de Shehroz Khan a ¿Es una buena idea obtener un MS en CS después de los 34 años y varios años de experiencia profesional? ¿Por qué? ¿La edad hace una diferencia en las ubicaciones?

Combínalo Encuentre un trabajo adecuado y estudie la ciencia de datos. Si desea centrarse en la ciencia de datos, necesita experiencia real y el trabajo adecuado.

Si desea una carrera en este tema, entonces necesita aprender conceptos básicos y estudiar por su cuenta utilizando los cursos MOOC existentes.

Mi propia experiencia es sobre el estudio paralelo y el lanzamiento de proyectos de datos abiertos.

Una gran parte de la ciencia de datos es la capacidad de asegurarse de que los análisis que realice y los modelos que cree sean significativos para la empresa que está tratando de respaldar. El mejor lugar para aprender esta habilidad es en el trabajo. Entonces, si ya tiene una sólida formación en métodos cuantitativos, conseguir un trabajo y aprender ciencia de datos puede ser lo mismo.

Las universidades, por otro lado, son un gran lugar para aprender los antecedentes teóricos necesarios para realizar un trabajo analítico avanzado. Entonces, si esta es un área en la que desea trabajar, un título STEM es definitivamente útil.

Ayush

En mi opinión, debe buscar un trabajo sobre la base de su CV / calificaciones actuales para que pueda comenzar con experiencia industrial. Mientras lo hace, puede estudiar ciencias de datos y una vez que crea que ha realizado pocos proyectos, puede comenzar a buscar trabajos en ciencias de datos. ¡Espero que ayude!

No importa lo que hagas. Es esencial que hagas algo que te guste. Si no lo haces, perderás la pasión algún día y no podrás esforzarte más en las cosas que haces.

Busca el trabajo correcto.

Soy un gran defensor del aprendizaje en el trabajo. Busque un trabajo donde ambos puedan aportar valor y aprender.

Dicho esto, algunas carreras profesionales son de gran ayuda si no requieren una educación formal relevante, incluyendo posiblemente un doctorado en aprendizaje automático. Entonces realmente depende. Probablemente pueda aprender a medida que avanza, es posible que desee estudiar más.

También tiene mucho con lo que disfrutas. Me gusta resolver problemas reales con limitaciones del mundo real. A algunas personas les gusta la limpieza y, en cierto modo, la libertad de la academia. Obviamente, también hay consideraciones financieras.

More Interesting

¿La red neuronal convolucional es básicamente un procesamiento previo de datos a través del núcleo más las redes neuronales? ¿Acaso Deep Learning no es solo redes neuronales con preprocesamiento para las selecciones de funciones automatizadas?

¿Cómo se puede usar una distribución como una característica para la clasificación en el aprendizaje automático?

Cómo integrar el marco Tensorflow con XGBoost

¿Qué enfoques utilizaron los participantes en Quora ML CodeSprint 2013?

¿Cómo se interpretan la precisión y el recuerdo en una tarea de segmentación?

¿Puede la generación de características de fuerza bruta vencer a la ingeniería de características clásica?

¿Es posible tener experiencia en desarrollo web, desarrollo de Android, resolución de problemas, IA y ML para tener un buen trabajo, o solo necesito concentrarme en un campo y no fusionar campos?

¿Cuáles son los desafíos tecnológicos involucrados en alimentar el código fuente de una máquina Linux y hacer que aprenda a codificar un núcleo Linux similar?

¿Qué debo hacer para aprender el aprendizaje profundo, especialmente usarlo para resolver problemas?

¿Cuáles son algunos buenos métodos para explorar datos de alta dimensión?

RNN para modelado de idiomas en Tensorflow. ¿Cómo puedo rellenar las secuencias si mi entrada está constituida por la incorporación de palabras?

¿Cuánto aprendizaje automático aprendería al completar el curso Andrew Ng (el de Coursera), en una escala de 100?

¿Qué es una explicación intuitiva de los modelos de proceso gaussianos?

¿Qué son las redes neuronales convolucionales?

Aprendí algo de teoría de la probabilidad, pero aún me cuesta leer el aprendizaje automático: una perspectiva probabilística. ¿Qué libro de texto de teoría de probabilidad me recomiendan para estudiar el aprendizaje automático?