Creo que tener tantos recursos disponibles puede ser a veces una bendición y una maldición. Es genial que tengamos tantas herramientas y fuentes de información para elegir, pero para aprovecharla al máximo, y nuestro tiempo, es realmente importante “elegir” y mantener la “concentración”.
No quiero decir que muchos recursos son “redundantes”, ya que “redundante” tiene un tono algo negativo. Sin embargo, hay muchos libros, herramientas y cursos diferentes que cubren esencialmente lo mismo, aunque el alcance y el estilo pueden ser un poco diferentes.
Entonces, en lugar de agregar todo lo que encontramos a nuestras listas de lectura, diría que tiene más sentido ser absolutamente claro acerca de las metas personales primero (“¿Qué habilidades necesito aprender para resolver el problema X?” ¿Realmente aprender esta nueva herramienta brillante X en lugar de Y? “). Dado que hay tanto material por ahí, es necesario ser un poco más selectivo al elegir el material de aprendizaje y explorar diferentes herramientas. Por supuesto, a veces parece que nos estamos perdiendo algo, pero creo que acostumbrarse a este sentimiento realmente ayuda a mantenerse enfocado y a progresar constantemente.
- ¿Dónde podemos encontrar científicos de datos en India?
- ¿Cómo me convierto en un científico de datos del analista de datos junior con una licenciatura en matemáticas?
- ¿Qué herramientas utilizan los científicos de datos para presentaciones profesionales (por ejemplo, diagramas, gráficos, diagramas de flujo, etc.)?
- ¿Puede un ingeniero mecánico convertirse en científico / analista de datos?
- ¿Cuál es la diferencia entre un científico de datos, un analista de datos y un analista de negocios? ¿Cuál de estos debe elegir un graduado en informática?
Por ejemplo, creo que un libro de “introducción al aprendizaje automático” realmente debería ser suficiente, no tiene sentido leer múltiples “introducciones a ML”, a menos que realmente sienta que el recurso en particular no era comprensible o suficiente.
Como explicaron Cathy O’Neil y Rachel Schutt, no hay un científico de datos “perfecto”: simplemente no hay tiempo suficiente para aprender todo, más bien, todos desarrollan un cierto conjunto de habilidades y son mejores en ciertas áreas:
(De: Cathy O’Neil y Rachel Schutt. “Doing Data Science”).
Creo que no saberlo todo no es necesariamente algo malo. Dado que (como se muestra en la figura anterior), podemos compensarnos trabajando en equipo.