Soy cauteloso con la ciencia de datos en el contexto de las ciencias del comportamiento. Gran parte de la ciencia de datos es lo que los científicos consideran una expedición de pesca; observa conjuntos de datos grandes para correlaciones y aplica ingeniería inversa a una hipótesis. Esto está bien para intereses comerciales donde la prueba está en la capacidad de mejorar (ventas, costos, etc.), pero no es suficiente en las ciencias, donde la prueba sigue estándares más rigurosos.
Dicho esto, recomiendo que todos los estudiantes interesados en doctorados comiencen por encontrar investigaciones y, por lo tanto, investigadores, que les interesen. Luego solicite trabajar con esos profesores. Los R1 son más productivos que los R2. Los R3 son … problemáticos. Si bien el rango institucional o la clasificación de Carnegie no dictarán su futuro, eso no significa que algunas instituciones y clasificaciones no sean preferibles. Solo hay unos 100 R1. Busque programas que se adapten a sus necesidades. Tenga cuidado con los doctorados interdisciplinarios si desea permanecer en la academia y / o no está seguro de su objetivo final (y lo digo como alguien cuyo doctorado es interdisciplinario). Las disciplinas confieren conjuntos de habilidades conocidas; Los programas interdisciplinarios producen más diversidad intelectual, lo cual es genial, pero eso significa más incógnitas. Los académicos son notoriamente conservadores en su toma de decisiones sobre la contratación.
Buena suerte.
- ¿Qué algoritmos de análisis de datos pueden usarse para detectar comportamientos sospechosos a partir de los datos recopilados durante el período de demonización?
- ¿Por qué elegiste trabajar en ciencia de datos sobre finanzas cuantitativas?
- Cómo pivotar mi carrera en ciencia de datos a los 38 años
- ¿Cuáles son los proyectos relacionados con big data y análisis de datos que un individuo puede hacer en su graduación?
- ¿Cuáles son los métodos de normalización de datos más comunes utilizados en el aprendizaje automático?