Aquí está la lista completa de cosas que probablemente necesitará saber para la ciencia de datos. Se clasifica de más importante a menos, lo que significa que la importancia de cada elemento posterior es exponencialmente menor que el elemento justo encima de él. Entonces, si está buscando obtener un 80% por un 20%, puede enfocarse en los puntos más altos.
- Probabilidad básica y estadística
- Python, SQL, R : secuencias de comandos básicas para la recuperación, el raspado, la manipulación, el análisis y la visualización de datos
- Aprendizaje automático : técnicas para crear programas de autoaprendizaje a medida que se introducen nuevos datos.
- Recursos: Aprendizaje automático | Coursera
- Aprendizaje profundo : subcampo de aprendizaje automático donde no hay extracción manual de características. Esto a menudo es muy intensivo desde el punto de vista computacional y solo vale la pena en ciertos campos como la visión por computadora, el habla y algunas aplicaciones de series de tiempo y PNL
- Recursos: CS231n: Redes neuronales convolucionales para el reconocimiento visual, CS224d: Aprendizaje profundo para el procesamiento del lenguaje natural
- Big Data (esto podría ser mayor dependiendo de si está enfocado en más roles de tipo de ingeniería de datos)
- Recurso: ¿Cómo aprende big data? (gran lista de recursos)
Si está buscando conectarse con otros científicos de datos en proyectos que crean, puede ir a sitios como Kaggle y Datmo para ver lo que otros han construido y construir sobre ellos.
Espero que esto ayude 🙂
- ¿Qué son las computadoras cuánticas y cómo funcionan?
- ¿Desde cuándo los procesadores de doble núcleo se volvieron comunes?
- ¿Hasta qué punto pueden los políticos ser reemplazados por modelos de computadora?
- ¿Cuáles son las desventajas de usar Linux en lugar de Windows?
- ¿Generará una interrupción entre procesadores (IPI) cuando una tarea se migre de una CPU a otra?