¿Eres un Analista de datos ¿Buscas entrar en la ciencia de datos? Si es así, esta publicación es para ti.
Muchas personas comienzan en análisis porque generalmente tiene una barrera de entrada más baja, pero a medida que obtienen experiencia, se dan cuenta de que quieren asumir desafíos más técnicos, profundizar en el aprendizaje automático o incluso aumentar su potencial de ingresos. Pasar del analista de datos a Científico de datos Puede ser un movimiento profesional inteligente, pero requiere la estrategia correcta.
Si eres nuevo aquí, mi nombre es Marina. Soy un científico aplicado en Amazon, y He ayudado a docenas de personas Transición a la tecnología, incluso de entornos no tradicionales, incluido yo mismo.
En esta publicación, vamos a cubrir todo lo que necesita saber para hacer la transición de analista de datos a científico de datos exitoso:
- Que habilidades necesitarás para desarrollar
- Mis recursos de aprendizaje favoritos
- Y estrategias para aterrizar entrevistas y asegurar ofertas de trabajo
Vamos a entrar en ello, comenzando por decidir si esta transición es incluso una buena idea para usted en primer lugar.
Comparación de roles
Antes de comenzar, nos aseguremos de que todos estemos en la misma página sobre cuál es la diferencia entre estos roles de todos modos, comenzando con el análisis de datos.
Los analistas de datos se centran en trabajar con datos estructurados para impulsar las decisiones comerciales. Su kit de herramientas generalmente incluye SQL, Excel, Tableau o Powerbi, y Python básico para el procesamiento de datos, la visualización y tal vez análisis estadísticos simples. El rol se centra en la comprensión histórico Datos para responder preguntas sobre lo que sucedió y por qué.
Los científicos de datos se basan en estas bases, pero se extienden al modelado predictivo y la toma de decisiones automatizadas. Si bien también usan SQL y Python, funcionan más ampliamente con modelado estadístico, marcos de aprendizaje automático y plataformas en la nube. Su enfoque cambia a predecir futuro Resultados y acciones de recomendación.
Una idea errónea común es que los analistas de datos deben convertirse en científicos de datos para avanzar en sus carreras. ¡Eso definitivamente no es cierto!
Los analistas senior pueden ganar salarios altos y tener un impacto comercial realmente fuerte sin un profundo conocimiento de ML o estadística.
Honestamente, no todos disfrutarán de trabajo de ciencia de datos, y muchos serían más felices permanecer en la ruta de análisis.
Entonces, antes de ir más allá, hágase las siguientes preguntas:
- ¿Tienes curiosidad por el aprendizaje automático y cómo funciona?
- ¿Te sientes cómodo (o al menos interesado) en matemáticas y estadísticas avanzadas?
- ¿Se siente cómodo con los desafíos técnicos y los conceptos de ingeniería de software?
- ¿Estás de acuerdo con un papel que tiene mucha ambigüedad, tanto en el trabajo diario como en la progresión profesional?
Si todavía estás conmigo y pensando “Sí, definitivamente quiero seguir ciencias de los datos”, hablemos de cómo hacer que realmente suceda.
Habilidades necesarias para hacer la transición
Muy bien, ahora que has decidido hacer la transición, desglosemos las habilidades clave que necesitarás para desarrollar. Nos centraremos en cuatro áreas centrales que forman la base del trabajo de ciencia de datos.
Matemáticas y estadísticas
Si proviene de un entorno analítico, probablemente tenga algo de exposición a las estadísticas, pero la ciencia de datos puede requerir un poco más de profundidad en el frente de las matemáticas. Deberá sentirse cómodo con:
- Cálculo multivariable y álgebra lineal, particularmente operaciones de matriz y gradientes para comprender los algoritmos de aprendizaje automático. Pero no se preocupe: no necesita ser un experto en matemáticas, solo necesita suficiente para comprender los fundamentos para ayudarlo a comprender cómo funcionan los algoritmos.
- También necesitará teoría de probabilidad y pruebas de hipótesis para el diseño experimental.
- Así como conceptos estadísticos como diferentes tipos de distribuciones y técnicas de regresión
- E idealmente, alguna experiencia con inferencia causal
Programación
Si ya está usando SQL y Python básico en su papel, tiene una ventaja aquí. Ahora se trata solo de subir de nivel. Concentrarse en:
- Python más avanzado, por lo que cosas como los fundamentos de OOP, la redacción de código modular mantenible, las pruebas unitarias, la optimización del rendimiento, etc.
- Usando marcos ML como Scikit-Learn, TensorFlow y Pytorch.
- Y familiaridad con las estructuras y algoritmos de datos básicos para codificar entrevistas. En general, esto solo serán preguntas sobre matrices y cuerdas, por lo que no necesita volverse demasiado loco con esto, pero será importante saberlo para las entrevistas.
Aprendizaje automático y fundamentos de IA
Este es otro pilar central de la ciencia de datos, por lo que querrá sentirse cómodo con los fundamentos de ML como:
- Aprendizaje supervisado (por lo tanto, regresión y clasificación).
- Aprendizaje no supervisado (cosas como la agrupación y la reducción de la dimensionalidad).
- Evaluación y validación del modelo.
- Conceptos básicos de aprendizaje profundo.
- Y en estos días, estar familiarizado con Genai es una ventaja (pero con esto me refiero a aprender a trabajar con API, no modelos de entrenamiento desde cero)
Conceptos de ingeniería de big data e datos
Finalmente, muchos roles de ciencia de datos implican trabajar con conjuntos de datos a gran escala y construir tuberías automatizadas. Para esto, querrás concentrarte en:
- Trabajar con plataformas de computación en la nube, particularmente servicios de AWS como S3 y Sagemaker
- Desarrollo de la tubería de datos utilizando herramientas como Airflow
- Principios de diseño del sistema potencialmente básicos para escalar sus soluciones (esto es más importante a medida que se vuelve más senior o se centra más en ML).
Cómo desarrollar estas habilidades
Ahora que hemos cubierto qué Necesitas aprender, hablemos de cómo desarrollar estas habilidades. Hay algunas rutas diferentes que puede tomar, y las correctas para su presupuesto, estilo de aprendizaje y horario.
Autoestudio
Si eres motivado y disciplinado, el autoestudio puede ser una forma totalmente razonable y rentable de hacer la transición a la ciencia de los datos. La clave es la práctica consistente y la elección de los recursos correctos.
Aquí hay algunos cursos excelentes que recomiendo visitar, en orden (¡estos son enlaces de afiliados, por cierto!):
También necesitará comprender el DSA básico para la preparación de la entrevista de codificación. Por esto disfruté de Educative’s Acumulando los patrones de entrevistas de codificación En Python, que se centra en patrones comunes para estructuras de datos y preguntas de algoritmos. Encontré esto realmente útil para que no solo parezca que debes “conocer el truco” para responder al problema de LeetCode.
Y, algunos libros que valen la pena leer (estos también son enlaces de afiliados, pero hago <3 todos estos libros):
Hay toneladas más, pero este sería mis tres primeros. Aquí hay un enlace ¡A más de mis libros técnicos favoritos si quieres explorar más!
Lo más importante al seguir la ruta del autoestudio es la consistencia. Haga un horario y manténgalo, incluso si es solo un poco cada día.
Bootcamps
Ahora, tal vez estés pensando que preferirías tener un poco más de estructura y responsabilidad externa en tu aprendizaje. Si no desea comprometerse en un título completo, los bootcamps pueden ser otra opción.
Algunos pros de los bootcamps son:
- Aprendizaje de ritmo rápido: generalmente puede completarlos en unos meses.
- Plan de estudios estructurado, porque todo está dispuesto para usted, por lo que no tiene que reconstruir su propio plan de aprendizaje.
- Y apoyo comunitario: puede aprender junto con sus compañeros y obtener una tutoría de instructores que pueden ser personas que ya trabajan en el campo.
Una cosa a tener en cuenta es que los bootcamps varían en calidad, y no todos son súper valorados por los empleadores. Antes de inscribirse, investigue, por lo tanto, verifique las reseñas, hable con ex alumnos y asegúrese de que ofrezcan apoyo profesional.
Maestría
Para aquellos que buscan una inmersión profunda en la ciencia de los datos con fuertes oportunidades de redes, una maestría puede ser una inversión sólida. Esto es especialmente útil si está haciendo la transición de un fondo no técnico, o si le preocupa que sus antecedentes no pasen las herramientas de escaneo de currículums.
La desventaja es obviamente que los programas de maestría pueden ser caros y lentos. Pero la buena noticia aquí es que ahora hay programas en línea asequibles y a tiempo parcial que le permiten estudiar mientras trabaja. Por ejemplo, los programas de Georgia Tech son realmente asequibles y de calidad bastante decente.
Tutoría
No importa qué camino tome, la tutoría puede ser increíblemente útil. Tener a alguien que lo guíe, brindar comentarios y ayudar con la navegación profesional puede marcar una gran diferencia.
Algunas formas de encontrar mentores:
- En su empresa: si su empresa tiene científicos de datos, pregunte si puede colaborarlos o seguirlos.
- LinkedIn: unirse a grupos de ciencias de datos o comuníquese con profesionales (tengo un todo Video sobre estrategias de tutoría ¡Si necesitas ayuda con esto!).
- Las comunidades en línea como Reddit, los servidores de discordia y los grupos Slack pueden ser otra vía para conectarse con otros alumnos y profesionales.
- O contrate a un mentor: si te tomas en serio la nivelación rápidamente, invirtiendo en un mentor poder ser valido.
Demostrando experiencia
Ok, entonces has aprendido todas las habilidades que necesitas. Eso es genial, pero ¿cómo demuestra a un empleador potencial que realmente puede hacer el trabajo de un científico de datos?
Tengo Un video completo sobre cómo construir una cartera y obtener experiencia fuera de su empleo a tiempo completo. El TL; DR allí es que debe hacer todo lo posible para hacer proyectos automotivados que le permitan simular las condiciones de trabajo de estar en el trabajo lo más cerca posible.
Pero si está leyendo esta publicación, hay una posibilidad decente que ya está trabajando como analista de datos, lo que le brinda otro conjunto de oportunidades para aprovechar su rol actual.
Por ejemplo, supongamos que está creando informes regularmente en Excel o Tableau. Podría automatizar este proceso con scripts de Python, tal vez incluso agregar algunos elementos predictivos. O si su empresa realiza pruebas A/B, sea voluntario para ayudar con el análisis estadístico.
Si tiene un equipo de ciencia de datos, intente colaborar con ellos en un proyecto. Y si no hay un equipo de ciencia de datos, presente a su empleador en algunos proyectos impactantes que también lo ayudarían a aprender.
El mejor de los casos, esto puede resultar en una transición interna. En el peor de los casos, ahora tiene ejemplos concretos de impacto y proyectos de ciencia de datos reales para incluir en su currículum.
Conseguir un trabajo
Si puedes hacer la transición internamente, entonces genial, ¡ya terminaste! Si no, aquí hay algunas estrategias para ayudarlo a obtener ese primer papel de ciencia de datos:
Primero, hablemos sobre cómo posicionarse en línea. Su currículum, LinkedIn y GitHub deben contar una historia consistente de que ya es un científico de datos competente (¡porque si tiene las habilidades y ha realizado proyectos sólidos, lo es!). Entonces, en lugar de escribir “analista de datos que busca el rol de científico de datos”, podría decir “Profesional de datos especializado en análisis predictivo y aprendizaje automático”.
Cuando se trata de su Github, asegúrese de poner sus mejores cosas en la parte superior aquí. Esto es especialmente importante para los analistas, ya que sus habilidades de codificación estarán bajo más escrutinio. Entonces,
- Pon sus mejores proyectos de ML en la parte superior
- Escriba lecturas claras que expliquen su enfoque
- Asegúrese de que su código esté bien estructurado y documentado, mostrando que comprende los principios de ingeniería de software
- ¡Y agregue visualizaciones y resultados para mostrar el impacto, lo que debería ser fácil para usted con sus antecedentes!
Una vez que es hora de solicitar, priorice los roles híbridos. Estas son posiciones que se encuentran entre el análisis tradicional y la ciencia de los datos, y a menudo son un excelente trampolín.
Por ejemplo, muchas empresas (incluidas grandes empresas tecnológicas como Meta y Amazon) tienen roles que llaman “científico de datos”, pero en realidad se parecen más a las posiciones de análisis avanzados. Y honestamente en muchas compañías, las líneas son borrosas de todos modos. ¡Usa esta ambigüedad para tu ventaja!
Cuando esté en red y se prepara para entrevistas, aproveche sus antecedentes de análisis. Utilice su comprensión profunda del contexto comercial, las habilidades de comunicación claras y los ejemplos de cómo ha influido en el negocio para ofrecer un impacto medible. Otros candidatos que pueden ser más técnicos de lo que podría tener dificultades con el lado comercial y de comunicación de las cosas. Así que no tengas miedo de inclinarse en tus fortalezas.
Recuerde, esta transición no va a suceder de la noche a la mañana, y está bien. Lo que importa es un progreso consistente. Cada línea de código que escribe, cada concepto que aprende, cada proyecto que completa, todo se suma.
Si siente que necesita algún apoyo con su carrera de ciencia de datos/ML, aquí hay algunas maneras en que puedo ayudar:
Nota: Esta publicación contiene enlaces de afiliados. Si realiza una compra, obtendré una pequeña comisión, sin costo para usted. Gracias por su apoyo ❤