Comenzaré la escuela de posgrado solo este otoño, por lo que con mi conocimiento limitado de lo que pasa como calificación para un puesto de minería de datos en la industria, sugeriría que aprenda las herramientas que se usan todos los días en trabajos de ciencia de datos. Debería sentirse cómodo con la creación de modelos de datos para analizar y visualizar datos, y creo que los libros que ha estado leyendo le darán una buena base sobre estos. Aunque los libros le dan una idea bastante buena sobre las técnicas, es probable que se sienta cómodo e incluso competente con esas técnicas y algoritmos de modelado solo cuando los ponga en práctica.
Intente jugar con los datos disponibles aquí: Depósito de aprendizaje automático de UCI
Intenta participar en competiciones de datos en Kaggle. Esto, además de brindarle un conocimiento práctico de las herramientas y técnicas de minería de datos, lo proyectará como un buen candidato para puestos de análisis y minería de datos.
Como estás en China (como entendí por tu comentario en la respuesta de Shawn Xiong, te sugiero que eches un vistazo a la división de Asia de Microsoft Research. (Microsoft Research Asia).
- ¿Cuáles son las ventajas del aprendizaje semi-supervisado sobre el aprendizaje supervisado y no supervisado?
- ¿Qué problemas o conjuntos de datos existen cuando usar el impulso da mejores resultados que usar un SGD simple?
- ¿Qué son las máquinas complejas?
- ¿Cuál es la diferencia entre D3M y el aprendizaje profundo?
- ¿Cuáles son las características del texto en la minería de datos?
Es posible que esta respuesta no sea del todo útil, ya que solo he reiterado lo que otros han estado diciendo. Actualizaré la respuesta a medida que pueda reunir más información. Buena suerte.