Cuál debería ser mi próximo paso, después de cubrir las estadísticas básicas de las estadísticas principales, un curso básico de análisis de datos (preparación de datos, exploración, clasificación, minería de reglas de asociación, agrupación, regresión) y un proyecto en un conjunto de datos SSLC (puede encontrarlo en mi único blog en Quora) usando R?

Gracias por el A2A.
Una vez que tenga una buena idea sobre el análisis de datos básicos, hay dos formas de inclinarse.
El primero sería entrar en métodos de aprendizaje automático, supervisados ​​y sin supervisión. Este es un lado muy matemático, y si puede aceptarlo, puede dominar el trabajo y la optimización de los últimos métodos de ML. Comience por comprender las matemáticas detrás de la regresión (ambos), continúe con SVM, entienda los núcleos, comprenda cómo funcionan las redes neuronales, cómo funciona el backprop algo y, a partir de ahí, las puertas del aprendizaje profundo, los perceptrones multicapa, etc. están abiertos. Estos son los mejores métodos a partir de hoy.
Otra dirección a seguir sería el lado tecnológico de las cosas. Comience a leer sobre hadoop, spark, cómo se procesan los datos por lotes y cómo funciona la transmisión de datos. Comience a implementar técnicas que estén disponibles en bibliotecas como mahout (para java) para obtener experiencia en el trabajo con datos de gran volumen y alta velocidad. Sumerja sus manos en cerdo, colmena, etc.

Dicho esto, un verdadero científico de datos es alguien que conquista ambas corrientes, ¡pero uno tiene que comenzar con cualquiera de las dos! ¡Buena suerte!

Gracias por el A2A!
Bueno, estoy haciendo algunas suposiciones iniciales aquí, es decir, si desea ser un Científico de Datos y, en segundo lugar, busca profundizar su conocimiento de las técnicas requeridas.
En primer lugar, sería bueno preguntarse qué tan bien puede manejar los datos dados. La ciencia de datos normalmente consiste en identificar el problema comercial en cuestión y en tomar decisiones relacionadas con la forma en que desea modelar el problema (clasificación o regresión) y cómo procedería con el tratamiento de los valores faltantes y la limpieza / preparación de un conjunto de datos real. Un gran lugar para perfeccionar estas habilidades es The Home of Data Science. Puede comenzar con los problemas que son para el conocimiento.
Hay mucho en Machine Learning que viene después de esto. Aprenderá muchas técnicas que se utilizan para resolver problemas de clasificación y / o regresión en el contexto de un problema específico. Jagadeesh Rajarajan tiene algunas excelentes sugerencias para comenzar a continuación, a las que solo puedo agregar OpenIntro.
Entonces, hacer los dos anteriores en conjunto sería una forma de avanzar. Aprenderá los usos prácticos de Regresión, Árboles de decisión, Bosque aleatorio, Máquinas de vectores de soporte, etc., como soluciones a un problema en lugar de un desorden de ideas matemáticas.
Además, aunque R es excelente para comenzar, ¡también deberías comenzar a usar Python!
Agregaré a esta respuesta en el futuro. Estoy seguro de que hay muchas otras opciones que encontrarás una vez que comiences a explorar.

Puedes hacer muchas cosas, pero depende de tus objetivos. Si desea ser un científico de datos, intente realizar el curso de Análisis de datos e Inferencia estadística de coursera, el curso de aprendizaje automático de Andrew Ng de coursera. El curso de Especialización en Ciencia de Datos de la Universidad John Hopkins podría ayudarlo a cubrir diferentes aspectos de la ciencia de datos.

Si desea cursos con enfoque en Python y más profesionales (no académicos), entonces los cursos de Udacity son los mejores para buscar.

Para un camino más serio, puede seguir la pista de maestros de ciencia de datos de código abierto:
http://datasciencemasters.org/

En pocas palabras, ¿revisó la sección de rutas de aprendizaje en Analyticsvidhya.com?

Aprendí R desde allí. Encontrarás una guía paso a paso para aprender R.

PD: perdóname por no poder agregar el hipervínculo.