Minería de datos: recopilación de datos de diferentes fuentes. Desde una base de datos SQL bien estructurada, hasta tweets. Se requiere un buen conocimiento sobre la manipulación de datos, la organización y, lo más importante, el acceso (cómo obtener los datos), desde la API de FB / Twitter hasta el rastreo web.
Cursos: Coursera
Coursera
Ciencia de datos: convierte los datos en ideas. Un científico de datos descubre cuáles son las preguntas correctas para hacer y tiene las herramientas (y los datos) para realizar análisis para probar o refutar su hipótesis.
Cursos: Coursera
Coursera
Coursera
Inteligencia de negocios / análisis. La única diferencia que veo de un Data Scientist es el enfoque. Un analista de negocios no buscará las respuestas solo en los datos, sino también en la experiencia y no en información cuantificable. Pero no profundizará en los datos como lo haría un científico de datos para buscar una respuesta. No desarrollará modelos estadísticos sofisticados para encontrar ideas significativas.
Honestamente, creo que en el futuro podría no haber tanta diferencia entre ambos. Esta nueva era de grandes conjuntos de datos disponibles requerirá que cada vez más empresas tomen decisiones basadas en datos.
- ¿Cómo debe un junior de Ingeniería de Software llegar a un Científico de Investigación?
- ¿Cuáles han sido los eventos más importantes en los sistemas distribuidos durante la última década?
- ¿Qué podría ser el trabajo de investigación sobre autómatas (TOC)?
- ¿Qué conceptos y prácticas de metodología de investigación genérica se utilizan en el campo del aprendizaje automático?
- Temas interdisciplinarios: ¿De qué maneras se pueden combinar la informática y la ciencia política?
Investigación operativa: se trata de optimizar el proceso y las decisiones, básicamente. Desde la optimización de compras hasta la asignación de la cartera de inversiones. Es un campo completo, que ha sido estudiado durante mucho tiempo. Definitivamente estudiaría este tema en serio, sin importar qué carrera quieras seguir. Debe haber muchas clases en Coursera (y otras fuentes).
Y uno que te perdiste, el aprendizaje automático. Alimentar una gran cantidad de datos a una computadora y obtener un modelo predictivo a cambio. Cuando la regresión lineal simple no es suficiente para adaptarse a toneladas de datos, se requieren modelos más sofisticados, como redes neuronales o agrupamiento. Potente herramienta que un Data Scientist debe tener en su caja de herramientas.
Coursera
La ciencia de datos (el punto en común entre todos los que preguntó) es bastante nueva, especialmente en relación con Big Data. Pero en empresas como Amazon tiene un Director de datos, responsable de recopilar, almacenar y analizar todo tipo de datos. Las empresas de comercio electrónico en general generan muchos datos, y sería al menos una tontería no usarlos para tomar decisiones comerciales.
Las oportunidades (trayectoria profesional, salarios) para un Data Scientist dependen completamente de la voluntad de los ejecutivos de la compañía de tener una mentalidad basada en datos. Y muchas compañías están cambiando a esa mentalidad, así que sí, el mercado es prometedor.
Para las clases universitarias, siempre debe intentar equilibrar los cursos de negocios y técnicos (manipulación de datos). No se trata únicamente de lo bueno que eres en el procesamiento de datos, ni de solo hacer las preguntas correctas. Debe obtener ambas, comprender el negocio para hacer las preguntas correctas y tener las habilidades y herramientas adecuadas para realizar análisis para responderlas.
