¿Cómo puede un programador convertirse en un científico de datos?

Esta es una pregunta muy común que recibo cada vez que realizo talleres en nombre de IEEE en Bangalore (Taller sobre ciencia de datos y IEEE IEEE Smart Tech Metro Area Workshop: Bangalore).
Comencemos con tu fuerza: la programación. Como programador, le resultará fácil implementar algunos de los casos de uso, mientras aprende o usa la ciencia de datos. A decir verdad, su trabajo está hecho solo en un 10%, ya que la ciencia de los datos tiene mucho más que la programación. ¿Cuáles son las técnicas típicas que tal vez quieras aprender?
1) Modelado estadístico (al menos Regresión, PCA, Selección de características, ANOVA)
2) Algoritmos (esta es la columna vertebral de la ciencia de datos, porque la forma en que modeles una solución depende de tu comando sobre el algoritmo, especialmente la heurística)
3) Técnicas estándar de ML (SVM, Bayesian, et al)
4) Dominio (a menudo se le echa de menos, pero si no comprende el dominio, tanto su aprendizaje como su aplicación se convertirán en una caja negra).
No soy un gran admirador de los MOOC cuando se trata de aprender material duro, como Data Science. Por lo tanto, tome el sabor de tales videos y pase al menos 20 horas por tema central y pruébelo con un mini proyecto. Hay muchos desafíos / proyectos disponibles en Kaggle. Cuanto más practiques, mejor serás. No hay forma de lograr resultados rápidos.
La última línea con la que quiero dejarlo, tomada del profesor Joshua Blumenstock, ” Un científico de datos conoce más estadísticas que un científico de la computación, y más ciencia de la computación que un estadístico”.
Buena suerte.