¿Necesito una maestría / doctorado para convertirme en científico de datos?

Respuesta corta: no.

Respuesta más larga: depende de los roles específicos de ciencia de datos que esté buscando. Tiendo a clasificar los roles de la ciencia de datos en dos grandes grupos.

1] Roles de ciencia de datos de ‘producto’
Si desea ser un científico de datos en una empresa o un equipo donde el producto se basa principalmente en la ciencia de datos, entonces la barra tiende a ser mucho más alta, y generalmente se requiere un Master / PhD. Por ejemplo, en mi papel en la ciberseguridad, la detección de fraudes se basó principalmente en la ciencia de datos y fue el producto principal de la compañía, por lo que cada científico de datos que contraté en mi equipo terminó teniendo una maestría / doctorado (aunque no necesariamente en ciencia de datos o incluso en computadoras Ciencias).

Si desea trabajar en el aprendizaje automático principal y los algoritmos de inteligencia artificial en empresas basadas en datos como Google o Facebook, por ejemplo, trabajar en las recomendaciones de anuncios de Google o el reconocimiento facial de Facebook, es mejor que tenga un doctorado de una de las mejores escuelas. Estas tecnologías son responsables de miles de millones de dólares en ingresos, y el listón será realmente alto para que dejen que alguien toque esas piezas de su pila.

2] Roles de ciencia de datos ‘Insight’
Por otro lado, hay muchas empresas en las que la ciencia de datos se utiliza no como el producto principal, sino como formas de proporcionar información a otros equipos o mejorar el producto central. Por ejemplo, los principales productos de MailChimp son herramientas de marketing por correo electrónico, pero tienen un equipo de ciencia de datos que utiliza datos para comprender mejor a sus clientes y sus suscriptores, recomendar varios servicios, identificar correos electrónicos fraudulentos, etc. Si bien la ciencia de datos hace que la empresa sea mucho más eficiente y competitiva, la empresa aún tendría un producto sin él.

En muchas otras empresas, el análisis de datos puede proporcionar información valiosa que ayuda a los equipos de productos, ventas y marketing a ser más eficientes y efectivos. Por ejemplo, una compañía minorista como Target podría usar la ciencia de datos para predecir cuánto inventario almacenar en diferentes tiendas. Incluso compañías como Google y Facebook tienen una amplia variedad de roles de conocimiento, típicamente llamados “análisis de producto”, “análisis de marketing” y demás.

Para muchos de estos roles de conocimiento, la barra de entrada es más baja. Están mucho más dispuestos a probar candidatos que tienen una gran cartera, pero no tienen credenciales oficiales como un MS / PhD.

Resumen
Si no tienes un Máster / Doctorado pero quieres entrar en ciencia de datos, concéntrate en desarrollar habilidades básicas y crear una cartera de proyectos realmente buena. Una vez que tenga eso, concentre su estrategia de trabajo en encontrar roles de “conocimiento” en una amplia variedad de empresas. Eventualmente, si realmente desea trabajar en la vanguardia de la ciencia de datos en un rol de producto, puede decidir regresar a la escuela de posgrado para obtener un Master / PhD especializado.
Echa un vistazo a nuestra publicación de blog sobre cómo aprender ciencia de datos sin un título.

Raj Bandyopadhyay es el Director de Data Science Education en Springboard . Él es responsable de crear y mantener el plan de estudios de ciencias de datos de Springboard y también brinda apoyo profesional específico para los estudiantes de ciencias de datos. Antes de esto, trabajó como científico de datos durante varios años, principalmente en el sector de ciberseguridad. Tiene una maestría / doctorado en informática de la Universidad de Rice y una licenciatura en informática de IIT Bombay.

Realmente depende de qué rol estás buscando. La etiqueta de “científico de datos” se adjunta a muchas descripciones de trabajo diferentes, algunas de las cuales la capacitación de doctorado es más útil que otras.

En el transcurso de un doctorado, es probable que desarrolle una serie de habilidades que a menudo no se enfatizan en los estudios de pregrado (o incluso de maestría):

• Navegar por la literatura relevante: Encontrar documentos útiles y extraer el significado de ellos es algo en lo que practicarás mucho mientras escribes tu tesis.
• Definir un problema metodológico claro para resolver : todas las tesis tendrán que responder una pregunta, pero descubrir qué pregunta responder puede ser una de las partes más difíciles de la investigación de doctorado: debe encontrar un problema que sea interesante, relevante y novedoso … pero también solucionable en 2 a 5 años por alguien con (probablemente) relativamente poca experiencia en investigación.
• Aplicando la teoría para saber cuándo un método es apropiado: hay una gran cita que dice que “saber la diferencia entre la tolerancia estricta y la tolerancia floja es quizás la medida más importante de un artesano” [1]. La capacitación teórica en el transcurso de un doctorado ayuda a desarrollar una comprensión más profunda de por qué ciertos métodos funcionan y qué tan dañino es violar los supuestos de cada modelo. Un título de maestría también te brinda parte de esta capacitación.

Dicho esto, un doctorado generalmente toma de 5 a 7 años después de la licenciatura (o de 3 a 5 post-maestría). También hay habilidades y atributos importantes que es más probable que acumule durante ese tiempo en un entorno industrial:

• Adoptar un enfoque pragmático de los problemas : no se puede vivir tanto por la regla 80/20 cuando se trata de la academia. Se gasta una gran cantidad de esfuerzo en el pulido final de un trabajo académico, y como tal, los doctores tienden a inclinarse demasiado hacia el perfeccionismo cuando salen de la escuela de posgrado. En la industria, también suele seleccionar un método basado en el problema, mientras que en la academia es a veces (no siempre) el método que viene primero.
• Conciencia de su industria específica: El conocimiento profundo de los matices de los problemas y las demandas de la industria elegida es (como era de esperar) algo mejor construido en el trabajo.
• Habilidades de las personas : gran parte del trabajo de doctorado es solitario o solo se realiza con un pequeño número de colegas. Las habilidades blandas como la tutoría, la realización de reuniones de manera efectiva y la creación de consenso se adquieren más fácilmente a través de los entornos más colaborativos que se encuentran en la industria.

Como es de esperar, las habilidades de doctorado son más importantes si está buscando un puesto de ciencia de datos orientado a la investigación que implique el desarrollo de una metodología novedosa. No quiere decir que los doctores tengan el monopolio de estas habilidades, pero son difíciles de adquirir incluso con el apoyo de un departamento académico y un asesor de tesis, por lo que no subestimaría la dificultad de adquirirlos por su cuenta. También vale la pena considerar que algunas empresas tampoco están dispuestas a contratar a postgrado para funciones de ciencia de datos, o promoverlas más allá de cierto nivel en una pista de IC.

Dicho todo esto, hay grandes extensiones de ciencia de datos que no requieren estas habilidades orientadas a la investigación. Hay una gran cantidad de impacto que puede tener al aprovechar las habilidades que se desarrollan mejor a través de la configuración de la industria también. Recomiendo mirar las ofertas de trabajo para el tipo de trabajo que desea hacer y hablar con los científicos de datos con y sin títulos de posgrado para determinar qué dirección es mejor para usted.

Notas al pie

[1] Mis 10 mandamientos para creadores – Probado

Si le pregunta a wrt los requisitos de calificación que implican las compañías, entonces diría que varía de una compañía a otra. Cada organización tiene su propia demanda de contratar a un candidato para un puesto. Un título de trabajo como un ‘ Científico de datos ‘ puede exigir un empleado de posgrado en ciertas organizaciones.

Un grado más alto solo protege la confianza que tales organizaciones requieren al contratarlo. Sin embargo, una vez que consigas el trabajo; Su futuro y éxito en la organización depende completamente de su conjunto de habilidades y no de su alma-mater.

Si está preguntando a Wrt el conocimiento requerido para convertirse en un científico de datos, entonces he visto a Kagglers (Kaggle es una plataforma competitiva de ciencia de datos bastante decente) que todavía están en su escuela secundaria y son candidatos a doctorados que han estado en el guión. Este campo durante casi una década. Y ten en cuenta que estar entre los 10 primeros puestos de una competencia de Kaggle no es fácil. Pero estos niños han estado haciendo esto antes de que incluso hayan calificado sus SAT.

Entonces, cuando se trata de conocimiento, un título es solo otro pedazo de papel. Todo depende de tu motivación y la cantidad de horas que estés dispuesto a dedicar.

La cantidad de cursos de ciencia de datos en línea disponibles en la actualidad no requiere que un estudiante seriamente motivado obtenga más de un título en términos de adquirir conocimiento. Pero sí, tal entusiasmo es difícil de lograr y es por eso que obtener un título hace que la curva de aprendizaje sea mucho más fácil.

Además, todavía hay empresas, el ejemplo principal es GOOGLE, que no analiza su título o su escuela cuando lo contrata, sino que evalúa su conocimiento.

Entonces, si está lo suficientemente motivado y está listo para dar ‘n’ no. de horas por su cuenta, entonces diría que debe aspirar a lo mejor y dar un ejemplo de cómo convertirse en un científico de datos sin un título de posgrado. 🙂

Respuesta corta: No. Tengo “solo” una Licenciatura en Economía, y estoy teniendo una carrera muy exitosa como científico de datos. Tres años después de graduarme obtuve mi primer papel en ciencia de datos. Se puede hacer, solo requiere mucha determinación y preparación. Por ejemplo, en la universidad, había una ruta fácil hacia el Bachillerato (clases fáciles de A y clases más fáciles en general), pero cada vez que tenía la oportunidad me esforzaba por tomar clases más difíciles: más matemáticas, más estadísticas, economía de nivel superior , programación Cuando me gradué, mi promedio de calificaciones fue sólido, pero no tan alto como hubiera sido de otra manera, pero estaba mucho mejor preparado para convertirme en científico de datos después de cierta experiencia profesional. Independientemente del grado que tenga en mente, la razón por la cual los científicos de datos están bien pagados es porque el trabajo puede ser excepcionalmente difícil. Gratificante, sí, pero difícil. Es parte de la apelación. Por lo tanto, postularse en cualquier educación que reciba es una buena preparación, como continuar aplicándose después de graduarse.

Dicho esto, a veces pienso en obtener una maestría, pero, francamente, el costo de oportunidad es demasiado alto. Me está yendo tan bien o mejor que mis amigos y ex colegas míos que también son científicos de datos o analistas, y que tienen títulos de maestría o doctorado.

Te encontrarás con empresas que valoran demasiado el grado avanzado, pero eso es de esperarse: las personas se sienten cómodas al tener doctorados en el personal. Después de todo, incluso un titular de doctorado promedio probablemente sea equivalente a un titular de licenciatura inteligente y motivado. Es un filtro razonable, molesto como lo es para aquellos de nosotros sin grados avanzados. Sin embargo, este obstáculo se supera en gran medida una vez que tiene uno o dos roles de científico de datos en su haber. La experiencia práctica y el éxito en otros roles de ciencia de datos triunfan sobre el grado avanzado.

No, tampoco lo necesita, pero necesita el fondo correcto.

Hay toneladas de recursos gratuitos para aprender ciencia de datos en línea, muchos de los cuales se enumeran en ¿Cómo me convierto en un científico de datos?

¿Por qué algunos graduados de MS / PhD pueden tener ventajas?

Los candidatos que salen de ciertos programas de MS / PhD pueden tener ventajas en la ciencia de datos porque al menos uno de estos es cierto:

Ellos….

• hacer investigaciones que involucren programación y grandes conjuntos de datos
• han reunido intuición estadística y de datos a través de su trabajo
• Mostrar resistencia al hacer / responder preguntas difíciles
• puede explicar las motivaciones y el razonamiento detrás de su trabajo
• son capaces de pensar críticamente sobre problemas difíciles
• puede aprender y adaptarse rápidamente

Lo que puedes hacer como estudiante

Como estudiante universitario, puede explotar sus cursos, trabajar a través de la miríada de recursos disponibles en línea de forma gratuita y hacer todo lo posible para obtener algunas prácticas de ciencia de datos / ofertas de trabajo mientras desarrolla las habilidades anteriores por su cuenta.

Si ya puede obtener pasantías / ofertas de trabajo en ciencia de datos, entonces no hay necesidad de obtener un título adicional para avanzar en su potencial profesional.

Durante cualquier período de tiempo fijo, la experiencia real de la ciencia de datos casi siempre superará el tiempo dedicado a un programa de maestría / doctorado, especialmente dado que años de experiencia en ciencia de datos todavía son bastante raros en este momento.

Si ya está cerca de graduarse y no puede obtener pasantías / ofertas de trabajo en ciencias de datos, le recomendaría uno de los siguientes:

• conseguir cualquier trabajo que pueda donde pueda trabajar en el desarrollo de sus habilidades de ciencia de datos
• unirse a un programa de maestría donde puede trabajar en sus habilidades de ciencia de datos.

Entonces puede saltar a la ciencia de datos cuando esté listo.

Tenga en cuenta que habrá menos puestos disponibles para usted si solo tiene una licenciatura

Hay bastantes compañías que solo aceptan candidatos con doctorado para sus puestos de ciencia de datos. Sin embargo, todavía hay un número creciente que aceptará candidatos con títulos de licenciatura para sus vacantes. ¿Qué empresas tienen pasantías en ciencia de datos para estudiantes universitarios? o ¿Qué compañías tecnológicas están contratando pasantes de ciencia de datos para el verano de 2016? para listas

¿Por qué recomendaría obtener una maestría sobre un doctorado?

Tenga en cuenta que un programa de doctorado puede ser una rutina muy larga. Si su objetivo principal es saltar a la ciencia de datos dentro de 5 años, estaría más preparado para pasar 1-2 años en un programa de maestría y 3-4 años en un puesto relacionado con datos que 5 años en un doctorado. Solo recomendaría un programa de doctorado si al menos uno de los siguientes es cierto:

• Has pasado horas tratando de resolver un problema de investigación, ya que no podías comprender dejarlo sin respuesta.
• Usted no es ciudadano estadounidense y necesita un punto de partida para emigrar a los Estados Unidos y trabajar aquí (si es así, puede intentar ingresar a un programa de doctorado en los estados).

Si todavía está apuntando a un doctorado, debe tener mucho cuidado de que su investigación se alinee muy bien con la ciencia de datos (por ejemplo, implica análisis de datos pesados, mucha programación, no completamente teórico). Muchos doctores están mal preparados para un papel de ciencia de datos porque no tienen el análisis de datos / programación / experiencia práctica. Como candidato a maestría, tendrá más flexibilidad para buscar lo que sea más útil para la ciencia de datos.

¿Por qué espero que ingresen muchos más estudiantes en ciencia de datos en el futuro?

A medida que más recursos y cursos / programas relevantes estén disponibles para estudiantes de pregrado en los próximos 5-10 años, muchos más científicos de datos de nivel de entrada saldrán directamente de un programa de licenciatura. Luego, comenzará a escuchar mucho más sobre los científicos de datos que comenzaron justo después de terminar su licenciatura.

Escribo más sobre esto en ¿Son los científicos de datos de doctorado mejores que los calificados? ¿Son los científicos de datos de doctorado mejores que los calificados?

Soy un científico de datos con un doctorado en epidemiología clínica. Durante el grado, tomé varios cursos de estadística (usando el software STATA) y un curso muy corto de enlace de datos. También tomé un curso de análisis y diseño de sistemas durante mi MBA.

Mi conocimiento de STATA fue útil, al igual que mi conocimiento de estadísticas, sin embargo, nunca hago estadísticas complicadas. La mayor parte de lo que hago es descriptivo (al menos en este punto). El curso de análisis y diseño de sistemas fue valioso para comprender cómo reunir los requisitos del usuario y el ciclo de vida de un proyecto de datos.

Dicho esto, casi todo lo que uso ahora, lo aprendí en el trabajo. Y me propuse mencionar esto a mi escuela de salud pública en la que recibí capacitación: creo que los cursos de gestión de datos (que incluyen cómo documentar adecuadamente), validación / prueba de datos, diseño de bases de datos, codificación básica (incluyendo algunos SQL) , el análisis visual y la capacitación no solo con paquetes estadísticos clásicos sino también con R o Python son necesarios para aportar habilidades prácticas al trabajo y ser competitivos. Todas estas cosas las tuve que aprender en el trabajo ya que no tenía experiencia con ellas antes.

También creo que la pregunta es complicada porque la descripción de la posición de un “científico de datos” es probablemente muy variable. Mi función también incluye escribir documentos y realizar investigaciones, para lo cual creo que mi experiencia de posgrado me preparó.

De los otros tres científicos de datos con los que trabajo, uno tiene un doctorado en geografía. Él es nuestro cartógrafo médico y es el experto cuando se trata de trabajar con datos espaciales, pero también tuvo que aprender mucho sobre la gestión de datos y la validación / prueba de datos en el trabajo. Los otros dos con los que trabajo tienen maestrías. Uno en salud pública y el otro en informática. Todos usamos algunos de nuestros antecedentes de posgrado en nuestro trabajo, pero una gran parte del conocimiento proviene de aprender lo que necesitábamos en el trabajo.

También creo que la codificación debería ser obligatoria para aprender en la escuela en estos días. La codificación es un requisito para muchos trabajos ahora y desearía haber comenzado a aprenderla mucho antes de los 35 años. Habría adquirido las habilidades necesarias mucho más rápido si hubiera tenido una comprensión básica de la codificación y la lógica de codificación.

Primero, deje de pensar que el trabajo de vanguardia solo ocurre en los EE. UU. Como prueba, abra el periódico de hoy (24 de septiembre) y lea sobre Mangalyaan. (Sí, los científicos indios lo desarrollaron en India).

1) Descubra las habilidades esenciales necesarias para ser un científico de datos. Para obtener detalles, consulte esta página: ¿Cuál es la diferencia entre un arquitecto de datos, un analista de datos, un ingeniero de datos y un científico de datos?
2) Identifique las brechas entre sus niveles de habilidad actuales y las habilidades específicas.
3) Busque fuentes que puedan ayudarlo a llenar esos vacíos. Hay muchos institutos (dentro y fuera de la India) para proporcionar cursos en línea (para comenzar).
4) Practica esas habilidades en proyectos reales. La Plataforma de datos de gobierno abierto (OGD) de la India y muchas instituciones educativas siguen presentando proyectos abiertos, donde puede aprender / mostrar sobre la implementación práctica de tales habilidades.
*) Sea parte activa de cualquier comunidad en línea, para estar al tanto de los últimos acontecimientos en el mundo.
*) Sigue publicando preguntas tan agradables en Quora, para que todos puedan discutir y aprender. 😀

No, no lo haces y déjame decirte por qué.

Solo piense en los diversos caminos que podrían conducir a una carrera de ciencia de datos. Tienes astrónomos que son científicos de datos (Jessica Kirkpatrick), biólogos que son científicos de datos (Roger Peng), informáticos que son científicos de datos (Verena Kaynig-Fittkau), físicos que son científicos de datos (Shankar Iyer), estadísticos que son científicos de datos (William Chen) e incluso ingenieros mecánicos que son científicos de datos (yo: P). Consulte ¿Cuáles son las diferentes formas de ingresar al campo de Ciencia de datos?

¿Qué tienen en común estas personas además de ser científicos de datos?

Están trabajando en diferentes campos. Ellos saben cosas diferentes. Un biólogo, astrónomo o físico preferiría tener una maestría en su campo respectivo que una maestría en ciencia de datos y qué valor podría agregar una maestría en física para un científico de datos en una compañía como Amazon. Yo digo Zilch.

La parte principal que debemos entender es que Estas personas han adquirido la habilidad de jugar con datos en algún momento de su carrera .

Algunos de ellos han leído sobre Estadística, Matemáticas, Aprendizaje automático no como parte de su título, sino como algo que sería útil en su trabajo. Un biólogo ha adquirido experiencia observando los datos genéticos, un astrónomo observando los datos del telescopio, etc.

¡Estas habilidades son las que las hacen importantes para compañías como Amazon, no sus títulos de maestría !

Y uno podría adquirir estas habilidades antes mencionadas trabajando con la industria o trabajando con conjuntos de datos disponibles públicamente.

Puedo apostar con seguridad que todas las personas mencionadas anteriormente definitivamente habrían pasado tiempo jugando con el conjunto de datos de Iris .

Y para contarle un secreto, también puede hacerlo sin un MS.

Puede consultar la experiencia de varios gurús de la ciencia de datos: por ejemplo, Jeff Hammerbacher, vea
http://amiquote.tumblr.com/post/ … y
Página en linkedin.com

Personalmente, siento pasión, una fuerte automotivación y un sinfín de prácticas prácticas para concluir, es el único camino hacia un * buen * científico de datos. Obtener un título de posgrado solo puede brindar una capacitación * clásica * en teoría estadística y análisis de datos, pero muchas de estas capacitaciones no están tan actualizadas. Y solo si puede ir a una escuela superior y trabajar con un asesor muy perspicaz, podría valer su costo de oportunidad en términos de tiempo. Esto es especialmente cierto para un doctorado. De lo contrario, ensuciarse las manos trabajando con algunos datos reales en la industria debería ser una mejor manera de hacerlo.

Anoche, formé parte de un panel de discusión dirigido a principiantes científicos de datos. Fuimos yo y dos ex científicos de datos de Google. Todos estuvimos de acuerdo en que, no, no necesitas un doctorado para convertirte en un científico de datos. Sin embargo, la respuesta a “si un proyecto de MS + / pasantías sería suficiente …” probablemente también sea “no”.

Lo que falta en lo que dijiste son las habilidades de búsqueda de empleo. Estoy hablando de cosas como escribir un currículum efectivo, optimizar su perfil de LinkedIn, investigar sobre empresas, entrevistar habilidades, sorprender a los empleadores que le dan conjuntos de problemas para llevar a casa, etc. He pasado años buscando trabajo y entrevistando candidatos y he descubierto que la gran mayoría de los solicitantes de empleo hacen un trabajo terrible en casi todos estos.

Entonces, un MS + proyectos / pasantías + HABILIDADES DE CAZA DE TRABAJO, sí, sería suficiente. Pero no subestimes la importancia de este último. Si tienes un doctorado, esto no es tan crítico. Pero para los candidatos a MS o BS, necesitará saber cómo presentarse de la mejor manera posible para competir con aquellos que tienen un doctorado de una escuela de primer nivel.

Aunque escuche sobre la gran demanda de científicos de datos, los empleadores siguen siendo muy cautelosos sobre a quién contratan.

Hola,

No es necesario, depende de usted si está interesado en las estadísticas, puede ir con Data Science. La siguiente explicación lo ayudará a comprender qué es realmente la ciencia de datos y cuáles son las herramientas que necesitará aprender. Espero que esto te ayudará.

Aprender ciencia de datos puede ser intimidante. Especialmente cuando estás comenzando tu viaje. ¿Qué herramienta aprender – R o Python? ¿En qué técnicas enfocarse? ¿Cuántas estadísticas hay que aprender? ¿Necesito aprender codificación? Estas son algunas de las muchas preguntas que debe responder como parte de su viaje.

Por eso pensé que crearía esta guía, que podría ayudar a las personas que comienzan en Analytics o Data Science. La idea era crear una guía simple, no muy larga, que pueda establecer su camino para aprender ciencia de datos. Esta guía establecería un marco que puede ayudarlo a aprender ciencia de datos a través de este período difícil e intimidante.

Si bien la esfera de la ciencia de datos está creciendo a un ritmo exponencial, muchas personas todavía se rascan la cabeza preguntándose qué hace exactamente un científico de datos o cómo pueden convertirse en uno.

Para empezar, la gran mayoría de los científicos de datos tienen una maestría, y muchos también tienen un doctorado.

La ciencia de datos es un campo multidisciplinario que gira en torno a la lectura y el procesamiento de datos, extrayendo el conocimiento de esos datos y siendo capaz de analizar y explicar la información de manera integral.

Los científicos de datos necesitan cerebros analíticos y matemáticos para analizar datos. También necesitan habilidades técnicas en informática, desarrollo integral y codificación. Un científico de datos también debería sentirse cómodo con bases de datos como MySQL y Oracle.

Según Glassdoor , el salario promedio de un científico de datos con menos de cinco años de experiencia en 2016 fue de $ 92,000.

Más de la mitad de los científicos de datos trabajan como investigadores, pero hay otros roles disponibles como desarrolladores o en la gestión empresarial.

Una vez que tenga las habilidades requeridas, es fácil pensar que los científicos de datos simplemente analizan los datos, pero ¿qué significa eso exactamente? ¿Cómo sería tu trabajo diario?

Algunas de sus responsabilidades pueden incluir realizar investigaciones, extraer grandes volúmenes de datos y limpiar esos datos para excluir información irrelevante o inutilizable.

Las habilidades de programación de computadoras entran en juego cuando está construyendo nuevos sistemas y algoritmos para resolver problemas de datos.

Una de las habilidades más suaves que necesitará, una que a menudo se olvida, son las habilidades de comunicación. Parte de su trabajo diario será presentar y comunicar de manera efectiva los datos que ha analizado.

Con la mayoría de los científicos de datos trabajando en el sector de la tecnología, puede ser fácil para los candidatos potenciales descuidar estas habilidades blandas, pero son esenciales para la ciencia de datos. Los datos que analiza son tan buenos como lo bien que se presentan y se comunican. Sin las habilidades necesarias, le resultará difícil progresar en este campo.

Tendencias de carrera del científico de datos

Las personas interesadas en seguir una carrera en esta línea de trabajo deben estar preparadas para llegar lejos en términos de su educación. Si observamos el grupo actual de especialistas en datos, veremos que casi la mitad de ellos tienen un doctorado del 48%. Otro 44% ha obtenido su maestría, mientras que solo el 8% tiene una licenciatura. Está claro que una sólida formación académica ayudará inmensamente tanto a obtener el conocimiento requerido para esta carrera como a impresionar a los guardianes importantes en varias compañías.

Responsabilidades comunes

Hay muchos problemas que aún no se han resuelto con datos que posiblemente proporcionen una respuesta clara de una vez por todas. En este campo, a menudo se confía en los profesionales para realizar investigaciones sobre preguntas abiertas de la industria y la organización. También pueden extraer grandes volúmenes de datos de varias fuentes, lo cual es una tarea no trivial. Luego deben limpiar y eliminar información irrelevante para que sus colecciones sean utilizables.

Una vez que todo ha sido preparado, los científicos comienzan su análisis para verificar las debilidades, tendencias y oportunidades. Las pistas están todas en sus manos. Simplemente tienen que buscar los marcadores y hacer conexiones inteligentes. Aquellos que están en desarrollo pueden crear algoritmos que resolverán problemas y construirán nuevas herramientas de automatización. Después de haber compilado todos sus hallazgos, deben comunicar efectivamente los resultados a los miembros no técnicos de la gerencia.

Sueldo esperado

Los científicos de datos están bien compensados ​​por sus habilidades técnicas. Sus ganancias promedio dependerán de sus años de experiencia en el campo. Los trabajadores de nivel de entrada con menos de 5 años en su haber pueden ganar alrededor de $ 92,000 al año. Con casi una década en análisis de datos, una persona puede llevarse a casa $ 109,000 por año. Los científicos experimentados con casi dos décadas en esta carrera obtienen alrededor de $ 121,000. Los pioneros más respetados ganan $ 145,000 al año o más. Se encontró que el salario promedio fue de $ 116,840 en 2016.

Posibilidades de carrera

Hay varias industrias con alta demanda de científicos de datos. No debería sorprendernos que el mayor empleador sea el sector tecnológico con aproximadamente el 41%. Le sigue el 13% que trabaja en marketing, el 11% en entornos corporativos, el 9% en consultoría, el 7% en atención médica y el 6% en servicios financieros. El resto se encuentra disperso en el gobierno, la academia, el comercio minorista y los juegos.

Roles de trabajo

En el lugar de trabajo elegido, a menudo asumen más de una función laboral. Alrededor del 55,9% actúa como investigador de su empresa, extrayendo los datos para obtener información valiosa. Otra tarea común es la gestión empresarial, con un 40,2% que dice que trabaja en esta capacidad. Su empleador les pide a muchos que usen sus habilidades como desarrolladores y creativos en 36.5% y 36.3%.

Imarticus Learning es un instituto galardonado que ofrece cursos de certificación para varias herramientas de análisis de big data como R, SAS, Python, Big Data y Hadoop.

Si desea sobresalir en una carrera en análisis de datos, puede considerar cualquiera de nuestros cursos de análisis de big data.

Brindamos asistencia profesional al 100% para estos programas, que incluye la creación de currículums, preparación extensa de entrevistas, etc.

Los cursos de Imarticus Learning son los siguientes :

Programa de posgrado en análisis de datos : este programa lo ayuda a comprender los conceptos fundamentales y el aprendizaje práctico de herramientas analíticas líderes, como SAS, R, Python, Hive, Spark y Tableau, así como análisis funcionales en muchos dominios.

Data Science Prodegree : este programa se creó conjuntamente con Genpact como el ‘Socio de conocimiento’. Este programa lo ayuda a comprender en profundidad el análisis de datos y las estadísticas, junto con las perspectivas comerciales y las prácticas de vanguardia que utilizan SAS, R, Python, Hive, Spark y Tableau.

Para obtener más información sobre los cursos, visite el sitio web de Imarticus ( https://imarticus.org/?id=Websit …).

¡Espero que esto te ayude en tu proceso de toma de decisiones!

Es difícil convertirse en un científico de datos, punto. Necesita aprender y practicar (y practicar y practicar) muchos conceptos y habilidades diferentes (estadística, ingeniería de datos, computación, visualización, disputas de datos y más), y poder usarlos todos juntos para resolver problemas reales. También debe aprender cómo aprender rápidamente sobre un nuevo dominio de tareas y formular problemas que puedan resolverse adecuadamente en ese dominio.

La educación de posgrado puede ayudarlo a aprender esas habilidades y brindarle oportunidades estructuradas (y tutoría) para practicarlas, pero es posible hacerlo fuera de la escuela de posgrado (aunque será aún más difícil). Si no vas a ir a la escuela, te aconsejo encarecidamente que encuentres un buen mentor, al menos.

¡Definitivamente no!

Hay dos tipos de científicos de datos: roles de analista e ingeniero. El primero debe conocer muy bien las estadísticas / SQL / SciKit / etc, el segundo – desarrollo de software / aprendizaje automático / etc. No necesitas doctorado o maestría para eso. Contraté a muchos científicos de datos con una licenciatura. Hicieron sus tareas muy bien.

Pero a veces se necesita el puesto de Investigación / Ciencia de datos. Se requiere un conocimiento profundo de la teoría matemática / ML para alguna investigación teórica o la adopción de una teoría a una práctica. Por ejemplo, RecSys – ACM Recomender Systems publicó muchos trabajos de investigación sobre algoritmos de recomendación. Si alguien decidiera implementarlos y probarlos en producción, PhD / Masters sería muy útil para comprender esos documentos en un corto período de tiempo.

No, no necesitas un doctorado. Pero sí necesita tener suficiente conocimiento de matemáticas (específicamente probabilidad y estadística) y ciencias de la computación. Estos a menudo vienen con obtener un título de posgrado en el campo correcto.

Tener un título de posgrado también le brinda el beneficio de la duda cuando los reclutadores y los empleadores potenciales están mirando su currículum. Sin embargo, como señala Wenwen, la experiencia del mundo real es más importante.

Entonces, ¿por qué no trabajar durante unos años y luego decidir obtener una maestría o un doctorado?

También está la cuestión de * dónde * quieres ser un científico de datos. Algunas compañías / grupos insistirán en una maestría o doctorado, pero la mayoría de las nuevas empresas probablemente no.

La forma en que uno de mis gerentes me lo explicó (antes de irme para obtener un doctorado) es que, al menos para las estadísticas: se puede esperar que una persona con un BS sepa qué métodos estadísticos existen. Se puede esperar que una persona con un Máster sepa cómo aplicarlos . Se puede esperar que una persona con un doctorado sepa cómo derivarlos . Si bien creo que es una generalización bastante burda (e incorrecta), muchos doctores probablemente no saben mucho más allá de un título de maestría en sus campos más amplios, y muchas personas con un BS son tan capaces como las personas con más educación, esa es la opinión de algunas personas, y afecta la forma en que contratan.

No. Nuestro equipo de ciencia de datos en Quora tiene personas con diversos antecedentes, que incluyen física, economía e ingeniería química. De hecho, hay algunos miembros del equipo con títulos en estadística y aprendizaje automático, pero no es un requisito. Sin embargo, cierta familiaridad y comodidad con esos campos (especialmente estadísticas) es importante para el trabajo.

Por cierto, solo unos pocos de nosotros tenemos un Ph.D. en cualquier campo, y definitivamente no necesitas uno para ser un científico de datos productivo.

Creo que el término “ciencia de datos” es demasiado amplio y nebuloso.

¿Qué quieres hacer en el ámbito de la ciencia de datos?

• Si desea asumir un rol de investigación pura, entonces un doctorado tiene sentido, especialmente si desea realizar una investigación a muy largo plazo en algún campo esotérico de aprendizaje automático. Lo que sea que quieras decir sobre los programas de doctorado, ciertamente te hacen mejor en la investigación.
• Si desea construir arquitecturas de big data, comience a construir cosas ahora y contribuya a proyectos de código abierto.
• Si desea trabajar en el lado del análisis de datos, trabaje para una empresa que tenga un gran equipo de analistas y aprenda de ellos.
• Si desea explicar la ciencia de datos a personas menos técnicas, o trabajar en consultoría, un MBA podría tener sentido en el futuro. Esta es una incipiente emergente de la ciencia de datos que he escuchado referida como “información de datos”.

Para resumir, a menos que quiera ser un investigador, recomendaría aprender “ciencia de datos” al hacerlo. Únase a una empresa nueva que necesita un científico de datos, incluso si no pueden pagarle mucho. Todavía será una mejor oferta que la escuela de posgrado.

Y solo para aclarar, no estoy adoptando una postura antiintelectual. Si te saltas la escuela de posgrado, debes ser del tipo que devorará el conocimiento de muchas disciplinas en los próximos años. Yo diría que ser un autodidacta es un requisito previo para la “ciencia de datos”.

Un científico de datos representa una evolución desde el rol comercial o analista de datos. La capacitación formal es similar, con una base sólida típicamente en informática y aplicaciones, modelado, estadísticas, análisis y matemáticas.

Lo que distingue al científico de datos es la perspicacia empresarial fuerte, junto con la capacidad de comunicar los hallazgos a los líderes empresariales y de TI de una manera que puede influir en la forma en que una organización aborda un desafío empresarial. Los buenos científicos de datos no solo abordarán los problemas comerciales, sino que elegirán los problemas correctos que tengan el mayor valor para la organización. Big Data, Data Science – Clases de capacitación de cursos combinados en línea | Big Data, Data Science – Cursos combinados de cursos en línea

El rol del científico de datos ha sido descrito como “analista en parte, artista en parte”. Un científico de datos es alguien que es inquisitivo, que puede observar los datos y detectar tendencias. Es casi como un individuo del Renacimiento que realmente quiere aprender y aportar cambios a una organización “.

Mientras que un analista de datos tradicional puede mirar solo los datos de una sola fuente, por ejemplo, un sistema CRM, un científico de datos probablemente explorará y examinará datos de múltiples fuentes dispares. El científico de datos examinará todos los datos entrantes con el objetivo de descubrir una información previamente oculta, que a su vez puede proporcionar una ventaja competitiva o abordar un problema empresarial urgente. Un científico de datos no solo recopila e informa sobre los datos, sino que también los mira desde muchos ángulos, determina lo que significa y luego recomienda formas de aplicar los datos.

Los científicos de datos son inquisitivos: exploran, hacen preguntas, hacen análisis de “qué pasaría si”, cuestionan los supuestos y procesos existentes

Los datos se duplican cada dos años, y todos han oído hablar de los números de crecimiento absurdos indicados en los informes. En este contexto, el resultado inevitable es la aparición del Data Scientist. Un científico de datos necesita analizar grandes cantidades de datos y proyectar el mapa tecnológico para hacer posible la transición de datos a ideas. El alcance del trabajo de un científico de datos incluye la identificación de las fuentes de datos, la calidad de los datos, las correlaciones entre los puntos de datos y la difusión a los usuarios de la información.

Por el momento, el papel de un científico de datos lo desempeña una combinación de personas en el equipo de BI, como el arquitecto del almacén de datos, el analista de negocios y otros de esa clase. A medida que la situación evoluciona, el científico de datos trabajará por encima de estos profesionales para descubrir nuevas tendencias y asociaciones que puedan estar más allá del ámbito de los modelos actuales y los problemas comerciales. El analista de negocios trabajaría en los datos que ha recopilado el científico de datos. James Kobielus, un analista senior de Forrester, en su negocio, llega a comparar el trabajo de un científico de datos con el trabajo de científicos en ciencias naturales y ciencias sociales, afirmando que necesitarían datos de observación y datos experimentales para trabajar con. “Históricamente ( los científicos de datos ) han tenido que contentarse con meros ejemplos”. Con el surgimiento de una carrera de pleno derecho, esto pronto cambiará.

Las discusiones sobre quién está calificado exactamente para ser un científico de datos no difieren demasiado del debate que se sostuvo anteriormente sobre si, sin embargo, al principio, los expertos de la industria han indicado que un científico de datos debe tener una maestría en matemáticas o estadísticas. Mientras tanto, el CTO del grupo en Shoppers Stop dice: “Hay una escasez de profesionales a los que se les puede llamar científicos de datos. Por el momento, quien tiene pasión por trabajar con datos está llenando el vacío ”.

Un científico de datos trabajará en el desarrollo de nuevos algoritmos y presentará nuevos patrones e ideas sobre los datos que de otro modo permanecerían ocultos. “Junto con las estadísticas, un científico de datos puede tener una calificación en economía, y definitivamente necesita una docena o más de experiencia trabajando con diez a quince herramientas de BI”, dice Chuck Hollis, vicepresidente de marketing global y CTO, EMC.

un proveedor de servicios de análisis y ciencia de decisiones dice que “los científicos de datos también incursionarán en psicología experimental, antropología y ciencias sociales”. Con la necesidad de establecer centros de excelencia de BI (CoE), los análisis se institucionalizarán.

Con el advenimiento de las redes sociales impactando la mayoría de las facetas de los negocios, las organizaciones esperan integrar la tecnología, el software social y el BI para crear un ambiente agradable para la toma de decisiones. El científico de datos será responsable de proporcionar un contexto social a la información. BI y análisis bailan a una nueva melodía cuando adoptan nuevos enfoques como Hadoop. No esperan datos estructurados, limpios y prístinos, sino que trabajan con una mezcla de datos para proporcionar un análisis en tiempo real o cercano. La analítica descriptiva, la analítica inquisitiva, la analítica preventiva y prescriptiva son parte del nuevo paradigma, con el científico de datos en el centro.

La curva de evolución se está moviendo del apoyo a la toma de decisiones a ser cada vez más operacional, con una progresión inminente que llevará la competencia estratégica a un nivel completamente nuevo con los científicos de datos en la imagen. BI entró en escena hace quince años y TI poseía estas iniciativas. Ahora, BI es una función comercial que involucra investigación de mercado con un enfoque central en análisis. Las compañías con grandes volúmenes de datos (internos y externos) irían a The Notion Market sin pestañear, pero las compañías más pequeñas lo pensarían dos veces antes de pagarle a alguien para hacer algo que su proveedor de BI les dijo que haría su producto de BI.

Sin embargo, no es que haya científicos de datos en abundancia, todos clamando por empleos. Por el contrario, como dice Hollis de EMC, “Hay una escasez de talento. Por cada científico de datos, hay treinta trabajos esperando.

Un doctorado no es un requisito previo, en el sentido de que probablemente no será excluido de la candidatura a un puesto de ciencia de datos por falta de uno. Yo no tengo más que una licenciatura.

Además de abordar los problemas que son puramente “de investigación” en la naturaleza, la ciencia de datos a menudo implica mucho trabajo orientado al diseño de sistemas, ideando visualizaciones de datos efectivas y experiencias de usuario intuitivas en las aplicaciones, aprendiendo a usar nuevas bibliotecas de software rápidamente, simplemente depurando y mantenimiento de código, etc. Estas habilidades son típicamente lo suficientemente importantes como para superar las habilidades de investigación por sí solas, y no creo que se encuentren mejor al filtrar “¿tiene PhD?

Además, un doctorado probablemente habrá contribuido significativamente a la literatura académica sobre su tema. Este nivel de experiencia a menudo no es necesario: ¡hay mucho trabajo de ciencia de datos para implementar hábilmente ideas mucho más básicas!

Pero … si alguien tiene un doctorado en el campo correcto, ciertamente aumenta la probabilidad de que al menos tengan ciertas bases de conocimiento cubiertas o sean lo suficientemente brillantes como para aprender lo que no saben. Al menos cuando hablo con alguien con un doctorado, tengo menos miedo de que no puedan manejar estadísticas básicas o trabajo de codificación.

Me gustó la respuesta de Sean Owen, pero modificaría su definición de “ciencia de datos” agregando el famoso diagrama de Drew Conway: El diagrama de Venn de ciencia de datos. El trabajo de ciencia de datos varía puede inclinarse más hacia uno de esos tres ámbitos de experiencia que otro, pero este diagrama es un buen resumen de lo que las empresas buscan en los científicos de datos, y un doctorado no necesariamente garantizará que los tenga todos.

parece que todavía estás en el nivel de “pensamiento”. Permítame darle algunos consejos sobre la información que necesita reunir para que la decisión sea más fácil para usted.

• En primer lugar, tenga en cuenta que una EM sería una inversión de tiempo significativa.
• Y dinero. Obtenga las cifras y verifique, ¿Está listo para eso?
• Estudie cuidadosamente el programa de estudios de todos los programas de EM que esté considerando [o haya escuchado]. La “ciencia de datos” es un vasto espacio y podría ser que cada curso se inclina más específicamente hacia un campo dentro de la ciencia de datos que no le interesa mucho. Filtrar cursos basados ​​en esta información.
• Determine si estas habilidades cubiertas en el programa de estudios de su elección, se pueden adquirir fuera del campus o no.
• Puede que se te ocurra, que pasar 2 años en una universidad muy buena te dará una marca y probablemente un reinicio … pesar si ese arranque / marca es equivalente o mejor que trabajar durante dos años en la industria en proyectos en vivo.
• Verifique a sus posibles instructores para el curso y vea cuán involucrado / visible es su trabajo en la industria. Específicamente en este punto, si está demasiado impresionado con una de estas personas, verifique si son realmente una parte importante del proceso de enseñanza según lo anunciado o no. [Obtendrá esta información de ex alumnos, reseñas en línea, debates, etc.]
• Si está trabajando a tiempo completo, es muy difícil trabajar en kaggle [y sus gustos], datos del gobierno. [Lo que la gente diga, siempre es fácil decirlo] Mientras esté en la universidad, tendrá mucho más tiempo y mejores grupos para trabajar. trabaje en los proyectos de su elección. Estas redes son importantes, no solo para la carrera; Estos grupos también funcionan como un conjunto de conocimientos al que puede acceder más adelante en cualquier momento de su carrera. [muchas personas tienden a socavar eso] Eso es una gran ventaja.
• Elige ahora.
• Además, no se concentre en “EE. UU.”, Concéntrese en “Ciencia de datos” y vaya a donde lo lleve.

Espero que haya ayudado.