0x0fvpgbfydnr6uw9.jpeg

¿Te sientes inspirado para escribir tu primera publicación de TDS? Siempre estamos abiertos a contribuciones de nuevos autores..

No hace mucho, parecía que conseguir su primer trabajo en ciencia de datos o cambiar a una función de datos o aprendizaje automático más interesante seguía una secuencia bastante bien definida. Aprendió nuevas habilidades y amplió las existentes, demostró su experiencia, se centró en los listados más adecuados y… tarde o temprano, algo bueno se le presentaría.

Por supuesto, las cosas nunca fueron tan sencillas, al menos no para todos. Pero aun así, hemos experimentado un cierto cambio de humor en los últimos meses: el mercado laboral es más competitivo, los procesos de contratación de las empresas más exigentes y parece haber mucha más incertidumbre y fluidez en la tecnología y más allá.

¿Qué debe hacer un profesional de datos ambicioso? Preferimos evitar atajos y trucos mágicos en favor de habilidades fundamentales que muestren su profundo conocimiento de los problemas que pretende resolver. Nuestros autores más experimentados parecen apuntar en la misma dirección: la serie de artículos que destacamos esta semana ofrece información concreta para los profesionales de datos y ML en una amplia gama de etapas profesionales y áreas de enfoque; ponen de relieve el aprendizaje continuo y la creación de resiliencia frente al cambio. ¡Disfruta tu lectura!

Foto por Conor Brown en desempaquetar
  • Combinando narración y diseño para presentaciones inolvidables
    Independientemente del rol, el nivel de antigüedad o el tipo de proyecto, la narración efectiva sigue siendo una de las habilidades más cruciales que los profesionales de datos pueden desarrollar para garantizar que su trabajo llegue a su audiencia y genere un impacto. Hennie de Harder ofrece pautas prácticas para elaborar una presentación de diapositivas convincente que tenga un gran impacto y transmita su mensaje a diversas audiencias de partes interesadas.
  • Cómo seguir desarrollándose como científico de datos
    Para Eryk Lewinson, “ser un científico de datos a menudo implica tener la mentalidad de un aprendiz permanente”. Si bien abundan los cursos, libros y otros recursos, lo que hace que sus consejos sean particularmente útiles es su enfoque en el aprendizaje que puede tener lugar durante el horario laboral habitual, desde programación en pareja y tutoría hasta intercambios de conocimientos y ciclos de retroalimentación.