Sí, por supuesto, puede convertirse en un buen científico de datos. La idea de que la juventud tiene soluciones más creativas es en gran parte un mito con muchos estudios y ejemplos para contrarrestar tales ideas. Se sabe que la inteligencia social y emocional mejora con la edad y esto jugará un papel cada vez más importante en Data Science por varias razones. En la parte superior de esa lista se encuentra cómo el aprendizaje automático cambia las habilidades que se consideran relevantes para crear software. Estas habilidades se centran en cómo entrenar máquinas en lugar de programarlas. Este tipo de pensamiento es a menudo superior en aquellos que saben cómo conectar los resultados que producimos en el aprendizaje automático a las necesidades de alto nivel de los usuarios. Esto significa que Data Science puede beneficiarse enormemente de la experiencia de vida / dominio de profesionales más experimentados. Equilibre esto con su afinidad natural para trabajar con números, detectar tendencias, contar historias con imágenes y (sobre todo) crear aplicaciones que usen datos para hacer algo interesante, y tiene todo el derecho de ingresar al campo como la siguiente persona.
Habiendo un mercado para ello es otra discusión. Como alguien que contrata regularmente en este campo aquí es mi opinión. Mientras que el software tradicional (es decir, no contiene aprendizaje automático) tiene una gran cantidad de edad en la industria, Data Science espera una gama mucho más amplia de habilidades. Esto se debe en parte a que el campo todavía se está definiendo a sí mismo, pero también es una consecuencia de cómo Data Science intenta automatizar decisiones estratégicas muy importantes. El software tradicional alivia las tareas cotidianas, pero el aprendizaje automático guía las decisiones de alto nivel que toman y rompen las empresas (el software tradicional clasificará una lista para mostrarle las carteras más rentables; Data Science le dirá cómo juntar esas carteras en primer lugar ) Esto significa que cuando creamos equipos de ciencia de datos no buscamos una habilidad singular bien definida, sino más bien una amplia gama de antecedentes y experiencia para evaluar los problemas difíciles que intentamos resolver. Entonces, aunque la edad se destaca, a veces se destaca de manera beneficiosa. Cuando puedo agregar algunas “canas” a mi equipo, significa que probablemente agregue más experiencia social / emocional / de dominio a mi equipo, en concierto con el beneficio que los jóvenes también traen.
Por supuesto, el mejor consejo profesional es hacer lo que haría incluso si no le pagaran. ¿Ya está revisando blogs de aprendizaje automático, leyendo diarios y creando algunas aplicaciones simples para ver qué puede hacer? No hay información a la que no tenga acceso para construir la base de conocimiento necesaria para sobresalir en este campo. No espere a que una compañía le brinde su identidad como Data Scientist. Crea cosas, obténlas en línea, escribe sobre ellas y deja que las fichas caigan donde puedan. Es tu carrera y la tienes.
- ¿Serán suficientes R, Python, Tableau y Spark para que yo adquiera las habilidades requeridas de un científico de datos como nuevo?
- ¿Ser un experto en algoritmos es una habilidad necesaria como científico de datos, que se especializa específicamente en el aprendizaje profundo?
- ¿Cuáles son las posibilidades de que Australia incluya posiciones relacionadas con la ciencia de datos en SOL en un futuro cercano?
- Como científico de datos junior de fin de estudios en París, ¿qué tan difícil será encontrar oportunidades de trabajo en los Estados Unidos?
- Cómo construir una cartera de ciencia de datos sin experiencia laboral