No. Aprender cualquier cosa nunca es una pérdida de tiempo.
La respuesta de Amit Bhandari lo clavó. Buena respuesta Amit Bhandari
Ahora que llegamos a Data Science, en Data Science cuatro cosas son más importantes:
- ¿Puedo aprender el análisis de datos sin el conocimiento de las estadísticas?
- ¿Cuáles son los métodos para la agrupación de datos de series temporales aplicables a grandes conjuntos de datos?
- Qué tan bien se traduce la economía de pregrado (y algunas estadísticas) a trabajar en ciencia de datos. ¿Qué posición (es) debo considerar?
- Cómo analizar la intensidad de los datos de noticias
- ¿Qué hace que un problema de ciencia de datos sea interesante para usted?
1. Estadísticas
2. Algoritmos de aprendizaje automático (algunas son técnicas estadísticas y otras técnicas de minería de datos)
3. Programación.-Python, JAVA, Scala, R son todos importantes.
4. Herramientas: SAS, Stata, R studio, WEKA, Rapidminer, SPSS, KNIME, Orange, etc.
Ahora, llegando a la programación competitiva, honestamente es solo para ser contratado en compañías de Big Dream como Google, Facebook, Microsoft y Amazon.
Data Science ve tus habilidades de análisis de datos siguiendo competencias
Estos son puramente minería de datos, concursos de análisis.
Su hogar para la ciencia de datos (Kaggle)
SIGKDD – Copa KDD
DrivenData
Inicio – InnoCentive
Automatizar los procesos de negocio utilizando inteligencia artificial.
Minería de datos y conjuntos de datos de aprendizaje automático, algoritmos, desafíos
Entregar más rápido a través de Crowdsourcing
Por lo tanto, la lista que escribí es más importante que la programación competitiva que puede ayudarlo a aterrizar en Big Dream Companies, pero aprenderlas definitivamente lo ayudará.