¿Qué nivel de experiencia en aprendizaje automático se espera de un científico de datos?

Esto depende mucho de cuáles sean sus deberes como Científico de Datos. Existen diferentes tipos de roles que son una combinación de, entre otros, negocios, análisis, investigación y desarrollo.
Por ejemplo, si usted es un Científico de Datos en una analítica / datos que no son un inicio de servicio, es muy probable que utilice ML pero no tenga que diseñar o investigar algoritmos.
Si usted es un científico de datos porque está investigando en instituciones académicas, entonces obviamente tendría que diseñar algoritmos de ML si fuera necesario.
De cualquier manera, debe tener una muy buena comprensión de ML para aprovecharla al máximo como Data Scientist. Por ejemplo, y en mi opinión, si no conoce las suposiciones hechas por diferentes algoritmos de ML, entonces no se lo llamaría Data Scientist.

Depende del ambiente de trabajo. En mi lugar de trabajo tenemos científicos de datos e ingenieros de aprendizaje automático. Los científicos de datos se concentran en encontrar patrones a través de la exploración científica y los ingenieros de aprendizaje automático se concentran en desarrollar algoritmos que podamos usar para aprovechar los patrones. Si bien las habilidades técnicas se superponen, hay una diferencia de mentalidad entre las personas que quieren descubrir algo y las personas que quieren construir algo.

Depende de si se trata o no de una posición de ciencia de datos real o de hacer algunos gráficos / escribir código de producción para conjuntos de datos gigantes. La ciencia de datos real requiere bastante experiencia matemática. Se me pidió que diseñara nuevos algoritmos cuando fallamos, tuve que escribir pruebas matemáticas y necesito aplicar el algoritmo estadístico y de aprendizaje automático correcto dado un conjunto de datos específico en la mayoría de las áreas de análisis de forma regular (supervisado, sin supervisión) , longitudinal, reducción de dimensionalidad, series de tiempo, supervivencia, análisis gráfico / de red …).

La industria permite una investigación mucho más rápida que la academia y tiene un enfoque mucho más amplio. No es necesariamente cierto que los mejores investigadores terminarán en la academia. Por un lado, odio esperar 3 años para publicar algo y luego quedar encerrado en el área por el resto de mi vida porque era mi trabajo de posgrado. En la industria, puedo desarrollarme a mi propio ritmo y publicar / conferencias o patentes. A veces, solo pongo documentos en ArXiv y paso a algo más interesante y relevante.