Como graduado del programa de Maestría en Análisis en la Universidad Northwestern y como patrocinador práctico del programa de Maestría en Análisis en la Universidad de San Francisco, tengo una gran admiración por ambos programas. Las habilidades de Data Science y Analytics tienen una gran demanda, como lo demuestran las altas tasas de colocación laboral y los salarios de seis cifras para los puestos de nivel de entrada en ambas universidades.
Sin embargo, algunos programas de maestría en ciencia / análisis de datos son solo cursos de negocios, finanzas y economía etiquetados nuevamente para ciencia de datos. Estas son disciplinas valiosas que proporcionan un contexto valioso para los problemas de la ciencia de datos, pero son * no * herramientas de ciencia de datos. Si el programa de MS usa principalmente Excel para resolver problemas de ciencia de datos, entonces hay algo muy mal (o los problemas son poco realistas o los tamaños de muestra son pequeños).
Estas son las herramientas que espero que un buen programa de MS enseñe:
- ¿Cómo funciona Data Scramblr?
- ¿Cuál es la mejor manera posible de comenzar a aprender rápidamente y obtener un control firme de las ciencias de datos?
- ¿Debería haber siempre más datos de entrenamiento que datos de prueba? ¿Por qué?
- ¿Qué se puede inferir de esta gráfica de función de autocorrelación con pendiente descendente totalmente positiva?
- ¿Cuál de los siguientes dos cursos ayudaría a un principiante absoluto de ML a comenzar rápidamente con las competencias de Kaggle y por qué? Aprendiendo de los datos - Curso en línea Coursera ML Course
- Comunicación. Los profesionales de análisis trabajan en una empresa con necesidades comerciales. Por lo tanto, es muy importante tener las habilidades y la experiencia para desarrollar relaciones sólidas con los socios comerciales de la empresa. Estoy buscando fuertes habilidades de escritura y presentación. La experiencia en proyectos de pasantías y prácticas patrocinadas por empresas / capstone es un gran problema.
- Programación de computadoras. Si no sabes cómo programar en Python, R o SQL, entonces queja con el decano del programa de MS.
- Análisis predictivo y aprendizaje automático. Tener una comprensión clara de la compensación de la variación de sesgo, cómo evaluar el rendimiento del modelo y la encuesta de los métodos tradicionales y modernos: regresión lineal, regresión logística, validación cruzada, Ridge, Lasso, bootstrapping, árboles, bosque aleatorio, aumento de gradiente, redes neuronales, agrupamiento, PCA.
TLDR: Me alegra que haya muchos programas de maestría para la ciencia de datos. Tenga cuidado con los programas que le enseñan cómo hacer ciencia de datos avanzada en Excel.
