Creo que el conocimiento del dominio es el atributo fluido más experimental y siempre cambiante en un conjunto de herramientas de un científico de datos. Entonces, la educación formal sería una forma subóptima de adquirir este conjunto de habilidades. Esto se debe a que la educación formal, por definición, requiere un proceso formal para actualizar el contenido y la entrega de información. Si no hubiera un proceso formal, usted y yo realmente no confiaríamos en él. Esta formalidad en el proceso hace que la entrega de contenido sea lenta e ineficiente. Compare esto con, por ejemplo, su conocimiento de la vectorización en R o las formas de realizar un muestreo estratificado: diría que estos son relativamente más estables (por supuesto, los nuevos paquetes siguen apareciendo en software, nuevas herramientas de visualización, etc.). Tal contenido es más adecuado para ser entregado a través de la educación formal como un máster.
Para el conocimiento del dominio, recomiendo leer sobre las últimas investigaciones, seguir nuevas empresas y compañías más grandes que realizan un trabajo genial en su campo, aparecer en reuniones y grupos de discusión y compartir conocimientos allí, y finalmente, comprar profesionales en su campo de interés por una taza de café y hacer preguntas inteligentes en esa reunión (imagino que esto es culturalmente contextual. ¡Aún no puedo imaginar quién rechazaría una invitación bien intencionada)! Todo lo mejor.
- ¿Cuántos conocimientos estadísticos y de probabilidad se requieren para aprender ciencia de datos?
- ¿Puede Big Data realmente resolver problemas del mundo real?
- ¿Existen buenos MOOC sobre inferencia causal, análisis de series temporales y diseño experimental?
- Quiero aprender R y python simultáneamente para minería y análisis de datos. ¿Hay algún sitio web que proporcione una estructura de curso similar para ambos?
- ¿Cómo un nuevo graduado que no es CS ingresa a la ciencia de datos?