Mi perspectiva y una respuesta amplia: nunca es demasiado tarde para hacer algo que sueñas o amas hacer. Incluso si estás en tu lecho de muerte y tienes esto que quieres lograr, ¡adelante!
Llegando a la ciencia de datos : es el trabajo caliente en demanda en estos días. Entonces tienes razón al saltar a esta área. La curva de aprendizaje puede ser empinada y larga (un año o más), pero vale la pena. No estoy familiarizado con el curso de John Hopkins, pero he tomado el curso Coursera ML y también otro curso de ciencia de datos en Coursera (impartido por Bill Howe). Estaba viendo muchas cosas por primera vez, especialmente relacionadas con la computación distribuida, como reducción de mapas, hadoop, manejo de datos de Twitter, etc. Diversión, diversión, diversión.
Talleres: a punto de conseguir un trabajo: hay programas como la beca de ciencia de datos Insight y la incubadora de datos que actúan como intermediarios entre usted y las empresas. Vale la pena investigarlo. Solo google para obtener los enlaces.
- ¿Alguien puede ayudarme en qué consiste el análisis de datos y cuál es la diferencia entre este y el científico de datos?
- ¿Cuáles son las últimas tendencias en ciencia de datos?
- ¿Cómo será una carrera en análisis de big data en los próximos años?
- Planificación de MS en Informática o Ciencia de Datos. También teniendo en cuenta que tomaré un préstamo, ¿qué país / colegio / universidad sugeriría?
- ¿Qué debo aprender antes de seguir un curso de ciencia de datos?
Entrevistas: la mayoría de las entrevistas de ciencia de datos requieren que tenga un portafolio de ciencia de datos – Algunos proyectos que muestran su trabajo en diferentes conjuntos de datos – Desde cómo procesó previamente los datos, qué preguntas se hicieron, qué herramientas utilizó , Python, SQL, etc.) para extraer información y qué modelos utilizó (cualquier modelo de ML, como el modelado bayesiano o el cálculo distribuido, como map-reduce, etc.).
¿Qué ideas se obtuvieron del proyecto y qué impacto tiene eso y cómo se midió el impacto? Se trata de la canalización desde la adquisición de datos hasta la visualización de los resultados y cualquier comentario para mejorar la canalización.
Si tiene esta preparación en su gatito y también ajusta su preparación para la entrevista a los detalles de una empresa (por ejemplo, algunas empresas también hacen una entrevista de tipo cs haciendo preguntas sobre algoritmos y estructuras de datos además de estadísticas), está ¡todo listo!
¡Buena suerte!