¿Soy comercializable para los empleadores como científico de datos autodidacta?

Desde su perfil, Chris Wong no se ve como un científico de datos formalmente entrenado Page en linkedin.com, pero el proyecto que creó, posiblemente como un hobby, los Datos de viaje de taxi de FOILing NYC mostraron sus habilidades como científico de datos.

Hay una gran cantidad de datos abiertos: fuentes de datos, si publicara cualquier investigación que haya realizado y cuente una historia de principio a fin, no solo las matemáticas y la programación, sino cómo piensa sobre los datos, cómo invente formas de adquirir datos, cree los bucles de retroalimentación correctos, maneje datos incorrectos o irregulares, limpie los errores, las suposiciones que haga y luego explíquelo todo en beneficio de un laico: todas esas cosas son habilidades útiles que un empleador necesitaría .

Algunos simplemente buscarán credenciales académicas y otros buscarán antecedentes laborales. Pero algunos simplemente apreciarían un trabajo bien pensado.

¡Puede ser absolutamente un científico de datos autodidacta! Como el campo es tan nuevo, la mayoría de nosotros lo somos. Mi experiencia personal es una licenciatura de CS y un doctorado en matemáticas, pero sé de personas con todo tipo de antecedentes. Todos comenzamos con nuestro entrenamiento básico y aprendimos en el trabajo (para mí, en DE Shaw, JP Morgan, a16z y Foursquare). Dicho esto, creo que The Data Incubator (advertencia, soy el fundador) es un gran lugar para aprender más sobre la ciencia de datos por varias razones:

  1. Desarrollo de la marca: hay muchos científicos de datos que se atribuyen a sí mismos y que un tercero verifique que esto puede ser útil para entrar.
  2. Entorno natural: instalar cientos de paquetes de código abierto y depurar el número potencial de incompatibilidades [matemática] n ^ 2 [/ matemática] es un gran dolor. Obtener acceso a un gran clúster de Hadoop puede ser prohibitivo para un individuo.
  3. Depuración: puede pasar semanas golpeándose la cabeza contra errores frustrantes. Estar en un ambiente de aprendizaje con maestros experimentados puede ayudarlo a despegarse fácilmente.
  4. Camaradería: aprender a ser un científico de datos es un proceso gratificante pero aún desafiante. Hacerlo con un grupo de compañeros de ideas afines hace que todo el proceso sea mucho más sencillo.

Si está interesado, considere solicitar nuestra beca gratuita Data Science Fellowship.

La educación y las credenciales [de una universidad] son ​​importantes para que las personas consideren considerarlo. Deberá hacer un “trabajo” y hacer mucho ruido para mostrar a las personas que ha aprendido bien y que puede aplicar.