Comience por desarrollar sus habilidades en visualización de datos, disputas de datos y aprendizaje automático.
Practique explorar conjuntos de datos y crear visualizaciones. Al principio, comience a explorar pequeños conjuntos de datos. SHARP SIGHT LABS: fue un gran recurso para mí cuando comencé a convertirme en un científico de datos. Desea sentirse realmente cómodo explorando, transformando y analizando datos a pequeña escala antes de continuar explorando datos a gran escala. Una vez que comience a explorar conjuntos de datos muy grandes, comience a usar tecnologías de big data (Hadoop, Spark, etc.) para facilitar su análisis.
Se utiliza una gran cantidad de estadísticas, probabilidad y álgebra lineal en el aprendizaje automático, así que asegúrese de tener una comprensión sólida de los conceptos básicos antes de comenzar a aprender. Hay muchos MOOC en línea que le presentarán los algoritmos de aprendizaje automático ampliamente utilizados. ¡Definitivamente intente implementar estos algoritmos desde cero! Le ayudará a obtener una comprensión más profunda de cómo funcionan y las matemáticas detrás de esto.
- Como aspirante a científico de datos, ¿qué lenguaje de programación debo aprender entre Python, R, C # y Java, dado que no tengo experiencia previa en programación? Tengo una licenciatura en economía y estadística y una maestría en administración.
- ¿Cómo hacemos un envío de código en Kaggle?
- ¿Vale la pena intentar hacer ciencia de datos si uno no tiene experiencia en informática, matemáticas o estadísticas?
- ¿Cuáles son los métodos de selección de funciones disponibles en los paquetes de Python?
- ¿Hacer una ciencia de datos implica crear nuevas ideas creativas para que una empresa sea mejor en ventas y publicidad (como Don Draper de Mad Men)?
Entonces es solo una cuestión de encontrar proyectos y roles de trabajo en el lugar de trabajo que le permitirán aplicar las habilidades de ciencia de datos que ha aprendido.
