¿Cuál debería ser el plan adecuado para aprender el aprendizaje automático desde cero para un estudiante del tercer semestre?

Elegir una carrera adecuada y tener éxito en ella es una gran pregunta en el creciente mercado analítico actual, una de esas nuevas tendencias es la ciencia de datos.

La ciencia de datos implica una combinación de ciencias de la computación, matemáticas y observador de tendencias, su trabajo es descifrar grandes datos y hacer un análisis más profundo para impulsar a la compañía con éxito.

La industria de nicho está en su apogeo y está pensando en desarrollar una Carrera en Ciencia de Datos, este es el momento adecuado para aprovecharla.

¿La educación que necesitas?

No podrá aprovechar una oportunidad hasta y, a menos que tenga conocimiento al respecto, para desarrollar una carrera en habilidades de ciencia de datos que necesite aprender.

  • Matemáticas Aplicadas.
  • Programación y comunicación.
  • Capacidad para probar hipótesis.
  • Lenguajes que incluyen Python, Hadoop, SQL, R, SPSS y tableau.

Además de las habilidades mencionadas anteriormente, debe tener un título en:

  • Matemáticas / ciencia / investigación operativa / economía o en tecnología de la información.

Para ganar más en el campo de la ciencia de datos, puede optar por Ph.D. en un campo similar o puede obtener un curso en línea sobre ciencia de datos para construir más conocimiento.

Si es ingeniero de software, le resultará fácil activar la ciencia de datos, ya que la mayor parte del trabajo implica programación y análisis.

¿Dónde puedes postular?

Con un estimado de 190,000 escasez de científicos de datos solo en EE. UU., Muestra que elegir Carrera en Ciencia de Datos es uno de los derechos profesionales más lucrativos ahora .

Los campos que puede elegir son:

Arquitecto de datos:

Trabajan en estrecha colaboración con un usuario, desarrollador y diseñador de sistemas al crear un plan para que puedan integrar, mantener, centralizar y proteger las fuentes de datos.

Analista de inteligencia empresarial:

El trabajo del analista de inteligencia empresarial es analizar los datos y aclarar dónde se encuentra la empresa, también ayudan a descubrir las tendencias del mercado y del negocio.

Ingeniero de minería de datos:

El ingeniero de minería de datos también analiza los datos y crea un algoritmo para construir un análisis de datos adicional en el futuro.

Científico de datos:

Ayudan a traducir el caso de negocio en una agenda analítica al comprender los datos, desarrollar hipótesis y explorar patrones estadísticos para medir el impacto del mismo en los negocios.

También hacen un análisis para referencias futuras y explican qué datos afectarán a la compañía en el futuro y también para encontrar la solución para impulsar una compañía más.

Científico de datos sénior:

El científico de datos senior analiza más a fondo las necesidades futuras del negocio. Su tarea es resolver un problema empresarial altamente complejo de manera eficiente. Aunque tienen mucha más experiencia, sus habilidades ayudan a una empresa a impulsarlo aún más con nuevos estándares.

Ingeniero de datos:

El ingeniero de datos confía principalmente en tecnologías de software y tiene experiencia para manejar gran cantidad de datos de manera eficiente. Se centran más en la codificación, la implementación del formulario de solicitud científico de datos y en la limpieza del conjunto de datos.

Prácticamente cuando uno toma datos del científico de datos y los implementa en código, está desempeñando un papel de ingeniero de datos.

Salario:

Hablando sobre el salario, uno que sigue su carrera en ciencia de datos, el científico de datos con el salario más bajo puede ganar 60,000 $ y más, y puede imaginarse una vez que estabilice una Carrera en Ciencia de Datos .

A2A:

Para el aprendizaje automático, necesita mucha base en matemáticas. Si eres bueno con las matemáticas de ingeniería del primer año, entonces puedes comenzar en el segundo año. La mayoría de las universidades ofrecen múltiples cursos de aprendizaje automático para estudiantes de licenciatura. En su mayoría, uno o dos son cursos generales y el resto son más especializados.

Tome las bases del aprendizaje automático en el tercer semestre. Cubre principalmente las técnicas básicas de regresión y su formulación matemática. Aparte de eso, también puede incluir conceptos básicos de redes neuronales como CNN, RNN, etc. Realice todas las tareas y el proyecto del curso. También ofrece una buena introducción a algunas bibliotecas populares de aprendizaje automático. En este punto, obtiene suficiente conocimiento para comprender algunas preguntas estándar y aplicar ML a ellas. Obviamente esto solo está comenzando. Comience probando ML en conjuntos de datos estándar. Hay varios conjuntos de datos con diferentes niveles de dificultad.

El siguiente paso es conocer más acerca de las bibliotecas de ML y tomar cursos avanzados de ML. Esto trata más con aplicaciones generales de ML. Tiene mucho más trabajo de codificación. Solo toma este curso cuando estés cómodo.

Al hacer estos dos cursos, debería poder hacer algo, dado un problema bien definido. Esto también ayuda a decidir qué quieres hacer a continuación. Hay varias opciones, como PNL, procesamiento de imágenes médicas, etc.

Ahora viene la parte difícil. Realmente formulando un problema y diseñando un modelo para ello. Requiere mucho tiempo y práctica. Pruebe sus manos en conjuntos de datos más difíciles. Resulta que cuando se trata de algunos problemas del mundo real, debe hacer algo más que simplemente aplicar los modelos conocidos. Gran parte si realmente obtiene los datos y la identificación de una situación en el mundo real donde puede aplicar ML. (Pasé un mes completo tratando de diseñar un modelo para una tarea aparentemente fácil. Adivina qué desempeño tuvieron los modelos estándar demasiado mal para ser de alguna utilidad).

Una vez que esté aquí, no necesitará que le diga qué hacer a continuación. 🙂

La respuesta de Prasoon Goyal a Soy Btech de segundo año. estudiante de informática. Estoy interesado en el aprendizaje automático y la inteligencia artificial. ¿Cómo debo hacerlo?

More Interesting

¿Hay algún lugar para ingenieros de software que no aprendan IA o Machine Learning en los próximos 10 años o todos tienen que aprenderlo?

¿Qué métodos / códigos están disponibles para estudiar un corpus que consiste en correos electrónicos?

¿Por qué decimos que las redes neuronales simples no pueden manejar la entrada de longitud variable?

¿Cuál es el mejor software para implementar algoritmos de aprendizaje automático / minería de datos a gran escala?

¿Puedo aprender ML por mi cuenta?

¿Por qué el aprendizaje en estructuras de datos complejas (gráficos, árboles, etc.) está tan poco representado en el aprendizaje automático?

Dado el mismo tamaño de lote, ¿hay algún beneficio en transferir la capacitación CNN de una sola GPU a múltiples GPU (para un tamaño de lote de 128 en 4 GPU, cada GPU procesará 32 muestras)?

¿Qué es una explicación intuitiva de la diferencia entre equilibrios correlacionados y equilbria correlacionada gruesa?

¿Cuál es el mejor método de selección de características cuando los datos del tren tienen más características que el número de puntos de datos? ¿Asumir que los datos son muy grandes?

Cómo estudiar el aprendizaje automático mientras se construye una cartera

Cómo obtener una pasantía de investigación del profesor en la NYU en proyectos que necesitan experiencia en minería de datos o aprendizaje automático

¿Cuáles son algunas reglas de clasificación de pulgares?

¿Qué libros o recursos de probabilidad y estadística debo consultar antes de sumergirme en Machine Learning, PNL, minería de datos, etc.? Soy un completo principiante.

Al cambiar de plataforma, ¿cómo se debe planificar con anticipación para garantizar que el almacenamiento y el análisis de datos se mantengan rápidos y eficientes?

¿Cuánto Python necesito saber para completar un nanogrado de aprendizaje automático de Udacity?