¿Qué debo hacer para cambiar de un ingeniero de big data a un científico de datos?

En mi opinión, el mejor enfoque sería comenzar a aprender la teoría de la probabilidad, seguida de análisis estadísticos y técnicas de modelado. Comprenda cómo funcionan, por qué funcionan y cuándo fallan. Simplemente ajustando un modelo en particular sin entender por qué no te llevará muy lejos.

Ahora, a medida que aprende estas técnicas, busque oportunidades para aplicarlas en su trabajo. En esencia, aprenda a analizar e interpretar los datos que está ayudando a recopilar y almacenar. Esto puede considerarse favorable o desfavorablemente dependiendo de la cultura de su lugar de trabajo. Así que maneja en consecuencia.

Cuanto más lo haga, más cerca estará de la ciencia de datos real y podrá realizar la transición dentro o fuera de su empresa.

La habilidad crítica de un científico de datos es la capacidad de conectar el análisis cuantitativo con las necesidades del negocio. Mientras que una universidad es un gran lugar para aprender los antecedentes cuantitativos y los detalles técnicos de los métodos analíticos como las estadísticas y la programación, el mejor lugar para aprender el lado comercial del trabajo es en una empresa.

Después de completar un título técnico, su primer empleador probablemente lo contratará por sus habilidades técnicas y su gerente le pedirá que resuelva problemas técnicos, porque eso es lo que le pagan.

Pero trabajará con personas que están más cerca del lado comercial que usted. Si muestra interés, la mayoría de las personas con las que está trabajando estarán dispuestas a compartir qué problemas están tratando de resolver, por qué y cómo. Si hace las preguntas correctas, pueden comenzar a sospechar que podría ayudarlos de más maneras de las que inicialmente esperaban.

Cuando haya comprendido sus problemas, vea si puede encontrar una solución. Tenga en cuenta que está haciendo esto para su propio beneficio, por lo que deberá hacerlo además de sus responsabilidades habituales. Tal vez pueda usar algo de tiempo de inactividad después de terminar una tarea o puede trabajar en ella durante el fin de semana. Tan pronto como tengas algo presentable, muéstralo para verificar si puede ser útil para ellos.

Una vez que haya demostrado la capacidad de resolver problemas fuera de su área de especialización estrictamente técnica, tales tareas comenzarán a formar parte de sus responsabilidades laborales, reemplazando algunas tareas puramente técnicas. También mejorará cada vez más en esto, listo para dar el siguiente paso.

Los datos se encuentran en el núcleo de un negocio moderno, los datos bien estructurados son un requisito previo de cualquier análisis perspicaz y la elección de las métricas puede tener una fuerte influencia en la estrategia general. Tal vez su conocimiento de la infraestructura de datos le permita encontrar una forma más eficiente de realizar un análisis importante, tal vez pueda ayudar a un socio comercial a elegir una métrica bien definida y consistente que realmente mida lo que le interesa.

En primer lugar, no me referiría a la designación de carrera como “ingeniero de ciencia de datos” porque la ciencia de datos no necesariamente pertenece a la ingeniería per se. Use “ingeniería” para describir el conjunto de habilidades de big data. Para la ciencia de los datos, necesitará estar familiarizado con disciplinas como la informática, las matemáticas, las estadísticas, la teoría de la probabilidad, el aprendizaje automático, etc. Si tiene poco conocimiento sobre estos conjuntos de habilidades, el próximo año podría mejorar. entonces. De esa manera podrás ingresar al campo y sentirte competitivo.

Creo que puede recoger las estadísticas que aprendió e intentar analizar diferentes conjuntos de datos. Recomiendo este libro de minería de datos, inferencia y predicción. 2da edición. Como mencionó, puede obtener proyectos de análisis de datos de The Home of Data Science.

No creo que un maestro sea un deber. Puede aprender más fácilmente en línea, como una especialización en la página de Coursera en coursera.org. Es más flexible, ahorra dinero y es más divertido (discuta cualquier problema en el foro del curso).

Sigue las noticias sobre ciencia de datos (blogs de grandes personajes, libros, nuevas técnicas), mantente motivado y haz más ejercicio. El aprendizaje ocurre en el ejercicio.

El camino que tome (cursos oficiales versus autoformación) tiene más que ver con su estilo de aprendizaje y autodisciplina que con el contenido de estos enfoques. Debes tomar el camino que te llevará al dominio de la manera más rápida.

En términos de dominio versus simplemente “saber cosas”, debe participar en el análisis y la planificación estratégica en torno al uso de datos y participar en proyectos en los que siga los datos durante todo su ciclo de vida. Es solo cuando adquiere experiencia práctica que se convertirá en un “buen” científico de datos. No estoy diciendo que no puedas convertirte en un académico sin eso (porque puedes hacerlo y no hay nada de malo en eso), pero si quieres ser un científico de datos práctico que impacte proyectos necesitas experiencia, habilidad y teoría.