La suposición en esta pregunta es profundamente defectuosa: la ciencia de datos no es una profesión en la que pueda aprender seis algoritmos y ser competente.
Un gran científico de datos tiene un sólido conocimiento de lo siguiente. Tenga en cuenta que, si bien esto es (casualmente) una lista de 6, estos no son algoritmos, sino campos de estudio.
- Mejoramiento
- Álgebra Lineal y Álgebra Lineal Numérica
- Probabilidades y estadísticas.
- Una comprensión decente del kit de herramientas estadísticas estándar, que incluye regresiones, estimación de máxima verosimilitud, modelos de entropía, máquinas de vectores de soporte, métodos de kernel, etc.
- Para muchos problemas: modelos de Markov y procesos estocásticos
- Métodos bayesianos
Trabajar con redes neuronales y modelos profundos también es cada vez más valioso. Puede recoger muchas de estas cosas utilizando herramientas estándar como Numpy y un curso de ciencias de datos; y esa no es una mala estrategia si está tratando de construir productos basados en algoritmos aprendidos por máquina. Pero si está hablando de ciencia de datos, como resolver problemas difíciles en IA o Machine Learning o similares, hay un límite en cuanto a lo lejos que va a llegar sin tomarse el tiempo para aprender el campo.
- ¿La experiencia laboral en PHP te ayudará cuando realices una maestría en ciencia de datos o aprendizaje automático?
- ¿Cuáles son algunas certificaciones sugeridas para un aspirante a científico de datos?
- ¿Cuáles son las mejores empresas en la India para trabajar como Data Scientist? ¿Qué tan buenos son los salarios?
- ¿Qué conecta a los científicos / analistas de datos y al Internet de las cosas?
- ¿Cuáles son las buenas fichas de estadísticas para un analista / científico de datos?