¿Es posible dominar completamente todos los temas de la ciencia de datos?
Dado que la ciencia de datos cubre una gama tan amplia de áreas (estadística, programación, optimización, diseño experimental, narración de datos, IA generativa, por nombrar algunas), personalmente no lo creo.
Aquí hay una pregunta más específica. ¿Es posible dominar por completo un solo tema dentro de la ciencia de datos? Claro, puedes convertirte en un experto en algunas áreas, pero ¿podrás alguna vez llegar a un punto en el que no quede nada más que aprender? Una vez más, realmente no lo creo.
Todo científico de datos tiene algo que aprender, incluso aquellos con amplia experiencia. El objetivo de mi escrito es brindar algunas ideas de mi viaje de aprendizaje que espero le ayuden en el suyo.
Esta es la primera parte de una serie de dos. En este artículo cubriré:
Por qué deberías aprender continuamente como científico de datos Cómo idear temas para estudiar
¡Saltemos!
1. ¿Por qué aprender continuamente como científico de datos?
Los estudiantes continuos se diferencian
Cuando era más joven, estudié español en un ambiente grupal. Algo interesante sucedió después de que el grupo comenzó a conversar. Muchos estudiantes dejaron de estudiar, estaban contentos con su nivel de competencia. Otros continuaron estudiando y practicando diariamente.
Al principio no había mucha diferencia entre los dos grupos. Pero con el tiempo, aquellos que continuaron aprendiendo salieron adelante. Su fluidez, vocabulario y confianza aumentaron, mientras que los demás se estabilizaron.
Desafortunadamente, a los científicos de datos les puede pasar lo mismo. Algunos dejan de aprender después de haber desarrollado suficientes habilidades para hacer bien su trabajo. Al igual que la cohorte española, al principio de una carrera, los estudiantes continuos y los científicos de datos de contenido serán similares. Pero a medida que pasa el tiempo, aquellos que siguen aprendiendo empiezan a destacar. Su conocimiento se enriquece, su juicio mejora y su capacidad para resolver problemas complejos se profundiza.
Los estudiantes continuos y los científicos de datos de contenido tendrán un aspecto similar al principio de sus carreras. Pero a medida que pasa el tiempo, aquellos que siguen aprendiendo empezarán a destacar.
Los estudiantes continuos brillan porque pueden utilizar sus conocimientos para encontrar soluciones más inteligentes a los problemas. Tendrán una comprensión más madura de las herramientas de ciencia de datos y de cómo utilizarlas correctamente en su trabajo.
El aprendizaje trae satisfacción (para la mayoría)
Esto es un poco esponjoso, así que lo seré breve. Pero realmente disfruto aprendiendo. Obtengo mucha satisfacción al tomarme un tiempo para invertir en mí mismo y dominar nuevos temas. Si te gusta la idea del aprendizaje continuo, ¡probablemente también te satisfará mucho!
2. Cómo pensar en cosas para estudiar
Hemos establecido el valor del aprendizaje a lo largo de la carrera en la sección anterior, hablemos sobre cómo pensar en cosas para estudiar.
Lo mejor de estudiar por tu cuenta es que nadie te dice qué estudiar. Lo peor de estudiar solo es que nadie te dice qué estudiar.
Ya no estás en la escuela, lo cual es genial. No más plazos, no más exámenes y, quizás lo más importante, no más matrículas. Pero también pierde la lista seleccionada de temas para estudiar con los materiales, textos y conferencias correspondientes. ¡Crear eso es tu trabajo ahora! La flexibilidad de desarrollar tu propio plan de estudios es asombrosa. Pero el espacio ambiguo y sin dirección puede resultar desalentador.
A lo largo de los años, he desarrollado tres enfoques para encontrar temas de estudio que funcionen muy bien para mí. Mi objetivo es que puedan ser un buen punto de partida para que usted desarrolle su propio enfoque. En última instancia, tendrás que encontrar lo que funcione mejor para ti.
Entremos en los tres enfoques.
Temas de proyectos en el trabajo.
Si trabaja como científico de datos, sus proyectos le brindarán una gran cantidad de temas de estudio de “inmersión profunda”. Este enfoque es bastante sencillo: estudia técnicas/temas que sean pertinentes para tu trabajo. Preste especial atención a las áreas donde su comprensión sea más débil.
Por ejemplo, si estás diseñando un experimento, estudia diseño experimental. Si está resolviendo un problema de optimización, estudie la optimización.
Un gran beneficio de este enfoque es que lo hace mejor en su trabajo de inmediato. Tendrá una comprensión más profunda de los problemas que enfrenta y podrá aplicar esa comprensión de inmediato.
Siguiendo una “red” de temas
La ciencia de datos es un campo de estudio tan rico que siempre puedes profundizar en cualquier tema determinado y muchos temas están interrelacionados.
Al estudiar, encontrarás muchos temas “tangentes” que están relacionados con el tema en cuestión. A menudo tomo nota de esos temas y vuelvo a ellos más tarde. Yo llamo a esto la “red de temas”. Esta es una gran técnica porque poco a poco construyes una red de comprensión en torno a grupos o temas relacionados. Esto te da un conocimiento profundo que te diferenciará.
A continuación se muestra un ejemplo de una pequeña red de temas relacionados con la regresión logística. Solo incluí algunos temas para la ilustración; estoy seguro de que se te ocurrirán muchos más. Cada uno de los temas de la web tiene su propia web, formando una mega-web de temas de estudio relacionados.
Podría seguir adelante, pero entiendes el punto. Cualquier tema individual tendrá una enorme red de temas relacionados. Mantenga una lista de estos en algún lugar y cuando haya terminado con el tema actual, siempre tendrá una acumulación de temas pertinentes en los que profundizar.
Nota: Su red de temas debe comenzar en alguna parte. Si tiene dificultades para comenzar, le recomiendo leer ‘Los elementos del aprendizaje estadístico’ o ‘Introducción al aprendizaje estadístico’ de Hastie, Tibshirani y Friedman. Estas son lecturas fundamentales que lo llevarán a una excelente red de temas de estudio.
Canales de descubrimiento
Los proyectos de trabajo y las redes temáticas son dos enfoques excelentes para seleccionar una lista de temas de estudio. Sin embargo, estos dos enfoques tienen un importante punto ciego. Si solo utiliza estas técnicas, no estará expuesto a temas que no aparecen en el trabajo o en su secuencia natural de estudio. Es probable que haya temas realmente importantes que quedarán intactos.
Utilizo ‘canales de descubrimiento’ para ayudar a captar temas importantes que no surgen de forma orgánica. Un canal de descubrimiento es cualquier fuente de contenido que me expone a temas independientes de mis otros estudios. Mi principal fuente de canales de descubrimiento son Towards Data Science, podcasts y canales de YouTube.
Al elegir un canal de descubrimiento, es importante elegir una fuente que cubra una amplia gama de temas. Si, por ejemplo, siguiera un podcast que se centrara en el diseño experimental, probablemente no encontraría una amplia gama de temas para estudiar a partir de él. Podría ser un gran recurso para el estudio del DOE, pero no sería un buen canal de descubrimiento.
Dedico un porcentaje relativamente pequeño de mi esfuerzo general de estudio a canales de descubrimiento, pero juegan un papel muy importante en mis estudios.
Envolviéndolo
Espero que este artículo te haga sentir motivado para comenzar a estudiar de forma independiente si aún no lo estás haciendo o te haya dado una motivación adicional para continuar si ya estás estudiando. También espero haberte dado algunas ideas nuevas sobre cómo pensar en cosas para estudiar.
En unas semanas publicaré la parte 2 de este artículo que cubrirá cómo (1) evitar el agotamiento, (2) elegir estrategias de aprendizaje y (3) aprovechar la soledad para consolidar y profundizar sus conocimientos. ¡Estad atentos!