Desde el analista de datos hasta la ciencia de datos es una forma viable de entrar en el campo de la ciencia de datos, y este artículo tiene como objetivo explicar cómo puede hacer esa transición.
¿Por qué ser analista de datos primero?
A menudo recomiendo convertirse primero en un analista de datos y luego hacer la transición a un científico de datos.
Ahora, ¿por qué hago esto, dado que nunca he trabajado como analista de datos? Bueno, es por las siguientes razones.
- Convertirse en analista de datos es más fácil que convertirse en científico de datos.
- Realmente aprende y comprende el impacto comercial que los datos pueden tener: los científicos de datos para principiantes a menudo se centran en construir modelos elegantes en lugar de resolver problemas comerciales.
- En algunas empresas, incluso puede hacer el mismo trabajo que el científico de datos a pesar de las diferencias de título.
- Tiempo en el tiempo de ritmo. Entonces, estar en la industria siempre es mejor en mi opinión.
Una hoja de ruta integral para convertirse en analista de datos está más allá del alcance de este artículo, pero estaría encantado de crear una si eso es algo que le interesa.
¿Cuál es la diferencia entre analista de datos y científico?
Aunque los analistas de datos y los científicos pueden ser similares en algunas compañías, los roles difieren en la mayoría de los casos.
En general, un analista de datos está más centrado en la decisión comercial y funcionará con herramientas como:
Un científico de datos podrá hacer todo lo que un analista de datos puede y tendrá habilidades más avanzadas en:
Puede pensar en ello, ya que los analistas de datos están más preocupados por observar lo que sucedió, y los científicos de datos están más preocupados por lo que sucederá, por ejemplo, prediciendo el futuro.
No tiene que hacer la transición a la ciencia de datos de Data Analytics; Conozco a muchas personas que son analistas fantásticos y están felices en su papel actual, obteniendo mucha satisfacción y ser compensadas muy bien.
Sin embargo, también conozco a muchas personas que desean mudarse a la ciencia de datos y están utilizando la posición del analista de datos como un trampolín.
Ninguno de los dos es correcto o incorrecto; Simplemente se reduce a cuál es tu objetivo. Lo más probable es que, si está leyendo este artículo, entonces desea dar el salto, así que repasemos por qué convertirse en un analista de datos primero no es algo malo en absoluto.
Habilidades para desarrollar a la transición
Para pasar del analista de datos al científico de datos, debe aprender lo siguiente.
Matemáticas
Si está trabajando como analista de datos, es probable que ya posee habilidades estadísticas decentes, por lo que las áreas principales en las que debe centrarse son el álgebra y el cálculo lineales.
- Diferenciación y los derivados de las funciones estándar.
- Derivados parciales y cálculo multivariable.
- Regla de cadena y producto.
- Matrices y sus operaciones, incluidas características como Trace, Detetinant y Transpose.
Codificación
Como analista de datos, sus habilidades SQL probablemente ya sean excelentes, por lo que lo principal que debe mejorar es Python y General Software Engineering.
- Conceptos avanzados de Python como pruebas unitarias, clases y programación orientada a objetos.
- Estructuras de datos y algoritmos, y diseño del sistema.
- Una comprensión de los sistemas de nubes como AWS, Azur o GCP.
- ML bibliotecas como lear, Xgboost, Flujo tensory Pytorch.
Aprendizaje automático
No necesita ser un experto en ML, pero debe comprender los conceptos básicos bastante bien.
¿Cómo aprender?
Autoestudio
El enfoque más directo e intuitivo es estudiar en su tiempo libre, ya sea después del trabajo o los fines de semana.
Es posible que a algunas personas no les guste eso, pero si desea hacer un cambio en su carrera, debe dedicar tiempo y esfuerzo; Esa es la verdad brutal. Un montón de personas quieren ser científicos de datos, por lo que no es un paseo por el parque.
Hay numerosos recursos disponibles para aprender sobre los temas anteriores, y he escrito varias publicaciones de blog sobre los libros y cursos exactos que debe usar.
Los dejaré vinculados a continuación, ¡y le recomiendo que los revise!
Los profesionales del autoaprendizaje son:
- Muy rentable e incluso puede ser completamente gratuito.
- Aprenda en su propio horario.
- Ruta de aprendizaje personalizada.
Y los contras:
- No hay estructuras claras, por lo que es fácil salir mal.
- No hay credenciales formales.
- Requiere alta disciplina y motivación.
Grados
Siempre puede regresar a la escuela y obtener un título formal en ciencias de datos o aprendizaje automático.
Los pros de este enfoque son:
- Énfasis en las matemáticas, las estadísticas, la informática y la comprensión algorítmica.
- Un título (especialmente de una universidad superior) tiene más peso con algunos empleadores.
- Acceso a profesores, redes de alumbre, proyectos de investigación y pasantías.
Los contras son:
- Puede ser demasiado pesado en la teoría y carece de proyectos y datos del mundo real.
- Toma 2–4 años (licenciatura) o 1–2 años (maestría).
- Puede ser caro
- Necesita un registro académico sólido, posiblemente GRE, cartas de recomendación o cursos de requisitos previos.
Bootcamps
Estos han surgido en todas partes en los últimos años debido a la creciente demanda de datos y roles de aprendizaje automático.
En general, ofrecen una alternativa más barata a los títulos, con más proyectos prácticos y lecciones prácticas.
Los profesionales son:
- La mayoría de los campamentos de entrenamiento duran de 3 a 6 meses, centrándose solo en habilidades de ciencia de datos.
- Enfoque pesado en proyectos, codificación y herramientas del mundo real (Python, SQL, Bibliotecas de aprendizaje automático).
- Muchos ofrecen coaching profesional, revisiones de currículums, entrevistas simuladas y apoyo de colocación de empleo.
- Más barato que un grado.
Y los contras:
- Profundidad teórica poco profunda.
- Puede ser demasiado rápido.
- La calidad puede variar, así que asegúrese de investigar antes de participar.
- Credibilidad limitada para los empleadores.
En tu trabajo actual
Este es mi favorito, y es el más efectivo y valioso.
Puede aprender todo en su trabajo actual si trabaja en los proyectos correctos y también expresa interés a su gerente sobre las habilidades y herramientas que desea desarrollar.
A los gerentes les encanta cuando sus informes directos toman la iniciativa y muestran pasión por su trabajo porque también los beneficia como un subproducto.
Los profesionales son:
- Te pagan para aprender, ¡qué victoria!
- Acceso a datos del mundo real y problemas comerciales.
- Experiencia de ciencia de datos de la vida real para agregar a su cartera.
- Incluso podría permitirle hacer la transición a tiempo completo a la ciencia de datos.
Los contras son:
- Esto podría conducir a más carga de trabajo.
- Las expectativas de rol pueden ser solucionadas, y puede haber poca o ninguna movilidad interna.
Creando su cartera
Durante y después de sus estudios, debe crear alguna evidencia del trabajo que pueda hacer como científico de datos, básicamente haciendo una cartera.
Estoy planeando lanzar un video más profundo pronto sobre lo que debe incluir una fuerte cartera de ciencias de datos. Pero por ahora, aquí está la versión corta:
- Competiciones de Kaggle– Haz uno o dos. No se trata de colocar alto; Se trata de mostrar que puede trabajar con conjuntos de datos reales y seguir.
- 4–5 proyectos simples– Estas deberían ser construcciones rápidas que pueda completar en un día o dos. Sube a Github. Aún mejor, escriba publicaciones de blog breves para explicar su proceso y decisiones.
- Publicaciones de blog– Apunte a alrededor de las cinco. Pueden cubrir cualquier cosa relacionada con la ciencia de datos: tutoriales, ideas, lecciones aprendidas, solo demuestre que está pensando críticamente y comunicando bien.
- Un proyecto personal sólido– Esta es tu pieza central. Algo más profundo en el que trabajas más de un mes, una hora o dos cada día. Debería exhibir el pensamiento de extremo a extremo y ser algo en lo que te interese realmente.
Eso es todo.
La gente complica demasiado este paso demasiado. Solo comienza a construir y sigue apareciendo.
Conseguir el trabajo
Como dije anteriormente, la forma más fácil es hacer la transición internamente.
Si esta no es una opción, ¡entonces debe estar ocupado aplicando!
Debe alinear su CV/currículum, perfil de LinkedIn y cuenta de GitHub con el rol de trabajo de científico de datos. Asegúrese de comenzar a referirse a usted mismo como científico de datos, no “aspirante”.
Estudié física en la universidad, pero nunca me han pagado para practicar la física; Todavía soy físico. Lo mismo se aplica a la ciencia de datos.
Utilice su cartera en todo el mundo que pueda para demostrar sus habilidades. Su perfil de GitHub debe vincular a su perfil de LinkedIn, que luego debe vincular a las publicaciones de su blog y otro contenido relevante. Obtenga un ecosistema que atrapa a las personas para que “pasen” más tiempo con usted.
Después de que todo esté suficientemente preparado, comience a solicitar más roles centrados en el análisis con el científico de datos del título. Puede, por supuesto, optar por los más aprendizaje automático, pero serán más difíciles de conseguir.
Aproveche también su red para referencias. Si ha estado trabajando en el campo de datos durante algún tiempo, debe haber al menos una persona que sepa que puede remitirlo a un trabajo de ciencia de datos.
La belleza de la transición de un analista de datos a un científico de datos es que puede tomarse su tiempo, ya que ya está ganando dinero y en el campo, lo que quita la presión. ¡Solo asegúrate de seguirlo y hacer un progreso constante!
¡Otra cosa!
Ofrezco llamadas de coaching 1: 1 donde podemos conversar sobre lo que necesite, ya sean proyectos, consejos profesionales o simplemente descubrir su próximo paso. ¡Estoy aquí para ayudarte a avanzar!
Llamada de tutoría 1: 1 con Egor Howell
Orientación profesional, asesoramiento laboral, ayuda del proyecto, revisión de reanudarTopmate.io