Su lista de verificación esencial de aprendizaje automático para sobresalir como científico de datos en análisis
En la última década, hemos visto un crecimiento explosivo en la industria de la ciencia de datos, con un aumento en los casos de uso del aprendizaje automático y la IA. Mientras tanto, el título de «Científico de datos» ha evolucionado hacia diferentes roles en diferentes empresas. Pensando en funciones, están los Product Data Scientists, los Marketing Data Scientists, los especializados en Finanzas, Riesgos y personas de apoyo a Operaciones, RRHH, etc.
Otra distinción común son las pistas de DS Analytics (a menudo denominada DSA) y DS Machine Learning (DSML). Como sugiere el nombre, el primero se centra en analizar datos para obtener información, mientras que el segundo entrena e implementa más modelos de aprendizaje automático. Sin embargo, esto no significa que los puestos de DSA no impliquen proyectos de aprendizaje automático. A menudo puede encontrar aprendizaje automático entre las habilidades requeridas en las descripciones de trabajo de las vacantes de DSA.
Esta superposición a menudo genera confusión entre los aspirantes a científicos de datos. Durante las charlas de café, con frecuencia escucho preguntas como: ¿Los puestos de DSA todavía requieren habilidades de aprendizaje automático? ¿O los DSA también implementan modelos de aprendizaje automático? Desafortunadamente, la respuesta no es un simple Sí o No. En primer lugar, los límites entre las dos posiciones siempre son borrosos (incluso una década después de que el trabajo de ciencia de datos se convirtiera en una tendencia). En ocasiones, dentro de una misma empresa, los DSA…