Considera esto. Los libros llevan mucho tiempo. Los cursos toman mucho tiempo. Las competiciones son rápidas y muy intensas. Si no resuelvo ningún problema teórico y no escribo código, puedo revisar un libro técnico de 300 páginas en 600 a 2400 minutos. Eso depende de qué tan bien conozco el lenguaje de programación y qué tan bien necesito saber el material después. Tomemos un valor medio de 1500 minutos, que son 26 horas. En 26 horas, puedo seguir un tutorial, construir una solución básica para una competencia, recorrer la API, actualizarla con un par de trucos, enjuagar y repetir unas 12 veces. Eso es lamentable si lo comparas con los chicos geniales de Kaggle, pero aún más efectivo que estar sentado en las conferencias.
¿La lectura de un libro y la resolución metódica de los problemas que se ofrecen, que están orientados a, bueno, los estudiantes, lo preparan para una avalancha de soluciones hacky de prueba y error?
No. Puedes obtener más conocimiento, pero los que practican constantemente te superarán dramáticamente, porque la experiencia siempre supera al conocimiento. Por cierto, las personas que participan en esas competiciones han escrito toneladas de tutoriales que son infinitamente mejores para su propósito que cualquier libro de texto de MOOC. Puede encontrarlos fácilmente en los foros.
- Quiero convertirme en un científico de datos, ¿cómo me convierto en un buen estadístico? ¿Cuáles son buenos libros, conferencias, blogs, etc. que mejorarán mi comprensión de los métodos estadísticos a nivel profesional?
- ¿Qué reglas de la regla de asociación debería sugerir a los usuarios finales?
- ¿Cuál es la mejor manera de automatizar el análisis de datos en línea?
- ¿De qué maneras es importante la investigación matemática fundamental en espacios de alta dimensión (por ejemplo, geometría / topología) importante para la ciencia de datos y el aprendizaje automático?
- ¿Qué puedo seguir en el dominio de la ciencia de datos? Tengo conocimiento en el programa R.
Aquí hablo brevemente sobre las competencias de ML: la respuesta de Roman Trusov a ¿Cómo puedo avanzar en Kaggle? ¿Qué debo hacer para mejorar mi empleo de algoritmos de aprendizaje automático?
Pero si ese es tu objetivo, entonces hazlo. Es mejor escribir varios modelos malos, encontrar sus defectos y arreglarlos usted mismo, que leer sobre decenas de buenos modelos escritos por otros. Eres un programador, no un historiador.