Según Harvard Business Review , el científico de datos es “el trabajo más sexy del siglo XXI”. ¿No es esto suficiente para saber más sobre ciencia de datos? En el mundo del espacio de datos, la era de Big Data surgió cuando las organizaciones manejan petabytes y exabytes de datos. Se volvió muy difícil para las industrias el almacenamiento de datos hasta 2010. Ahora, cuando los marcos de trabajo populares como Hadoop y otros resolvieron el problema del almacenamiento, la atención se centra en el procesamiento de los datos. Y aquí la Ciencia de Datos juega un papel muy importante . Hoy en día, el crecimiento de la ciencia de datos se ha incrementado de varias maneras, por lo que uno debe estar preparado para el futuro aprendiendo qué es la ciencia de datos y cómo podemos agregarle valor.
¿Qué es la ciencia de datos?
Así que ahora surge la primera pregunta: “ ¿Qué es la ciencia de datos ? “La ciencia de datos significa diferentes cosas para diferentes personas, pero en esencia, la ciencia de datos utiliza datos para responder preguntas. ¡Esta definición es una definición moderadamente amplia, y eso se debe a que hay que decir que la ciencia de datos es un campo moderadamente amplio!
La ciencia de datos es la ciencia de analizar datos sin procesar utilizando estadísticas y técnicas de aprendizaje automático con el propósito de sacar conclusiones sobre esa información.
Así que brevemente se puede decir que Data Science implica:
- Estadística, informática, matemáticas
- Limpieza y formateo de datos
- Visualización de datos
Hoy en día es de todos conocido lo popular que es la ciencia de datos . Ahora las preguntas que surgen son, ¿Por qué la ciencia de datos (¿Decidir primero el objetivo?), ¿Cómo empezar? ¿Donde empezar? ¿Qué temas se deben cubrir? etc, etc. ¿Necesitas aprender todos los conceptos de un libro o deberías ir con algunos tutoriales en línea o deberías aprender Data Science haciendo algunos proyectos en él? Entonces, en este artículo, vamos a discutir todas estas cosas en detalle.
¿Por qué ciencia de datos? (¿Decidir primero el objetivo?)
Entonces, antes de saltar a la hoja de ruta completa de Data Science, uno debe tener un objetivo claro en su mente: ¿por qué quiere aprender Data Science? ¿Será por la frase “ El trabajo más sexy del siglo XXI ”? ¿Es para sus proyectos académicos universitarios? o es para su carrera a largo plazo? ¿O quieres cambiar tu carrera al mundo de los científicos de datos? Así que primero haz una meta clara. ¿Por qué quieres aprender Data Science?Por ejemplo, si desea aprender Data Science para sus proyectos académicos universitarios, basta con aprender las cosas para principiantes en Data Science. Del mismo modo, si desea construir su carrera a largo plazo, también debe aprender cosas profesionales o avanzadas. Tienes que cubrir todos los requisitos previos en detalle. Así que está en tu mano y es tu decisión por qué quieres aprender Data Science.
¿Cómo aprender ciencia de datos?
Por lo general, los científicos de datos provienen de diversos antecedentes educativos y de experiencia laboral, la mayoría debe ser competente o, en un caso ideal, ser maestro en cuatro áreas clave.
- Conocimiento del dominio
- Habilidades matemáticas
- Ciencias de la Computación
- Habilidad de comunicación
Conocimiento del dominio
La mayoría de la gente piensa que el conocimiento del dominio no es importante en la ciencia de datos, pero es muy importante. Pongamos un ejemplo: si desea ser un científico de datos en el sector bancario y tiene mucha más información sobre el sector bancario, como el comercio de acciones, sabe sobre finanzas, etc., entonces esto será muy beneficioso para usted y el El propio banco dará más preferencia a este tipo de solicitantes que a un solicitante normal.
Habilidades matemáticas
Álgebra lineal, cálculo multivariable y técnica de optimización, estas tres cosas son muy importantes ya que nos ayudan a comprender varios algoritmos de aprendizaje automático que juegan un papel importante en la ciencia de datos. Del mismo modo, comprender las estadísticas es muy importante ya que es parte del análisis de datos. La probabilidad también es importante para las estadísticas y se considera un requisito previo para dominar el aprendizaje automático.
Ciencias de la Computación
Hay mucho más que aprender en informática. Pero cuando se trata del lenguaje de programación, una de las principales preguntas que surgen es:
¿Python o R para la ciencia de datos?
Hay varias razones para elegir qué lenguaje para Data Science, ya que ambos tienen un amplio conjunto de bibliotecas para implementar el complejo algoritmo de aprendizaje automático, la visualización y la limpieza de datos. Consulte R vs Python en Data Science para obtener más información al respecto.
Pero mi recomendación es que uno debe tener conocimiento de ambos lenguajes de programación para convertirse en un científico de datos exitoso.
Además del lenguaje de programación, las otras habilidades informáticas que debe aprender son:
- Conceptos básicos de estructura de datos y algoritmo
- sql
- MongoDB
- linux
- Git
- Computación distribuída
- Aprendizaje automático y aprendizaje profundo, etc.
Habilidad de comunicación
Incluye comunicación escrita y verbal. Lo que sucede en un proyecto de ciencia de datos es que después de sacar conclusiones del análisis, el proyecto debe comunicarse a otros . A veces, este puede ser un informe que envía a su jefe o equipo en el trabajo. Otras veces puede ser una entrada de blog. A menudo puede ser una presentación a un grupo de colegas. Independientemente, un proyecto de ciencia de datos siempre implica alguna forma de comunicación de los hallazgos de los proyectos. Entonces, es necesario tener habilidades de comunicación para convertirse en un científico de datos.
Recursos de aprendizaje
Hay muchos recursos y videos disponibles en línea y es confuso para alguien dónde comenzar a aprender todos los conceptos. Inicialmente, como principiante, si se siente abrumado con tantos conceptos, no tenga miedo y deje de aprender. Ten paciencia, explora y mantente comprometido con ello.
Algunos enlaces útiles de recursos de aprendizaje disponibles en GeeksforGeeks:
Una hoja de ruta para aprender
Comience con la descripción general de la ciencia de datos. Lea algunos blogs relacionados con la ciencia de datos y también investigue algunas cosas relacionadas con la ciencia de datos. Por ejemplo, lea blogs sobre Introducción a la ciencia de datos, Por qué elegir la ciencia de datos como carrera, Industrias que más se benefician de la ciencia de datos, Las 10 mejores habilidades de ciencia de datos para aprender en 2020 , etc., etc., y haga un maquillaje mental completo. para comenzar su viaje en Data Science. Motívate para aprender Data Science y crea algunos proyectos increíbles en Data Science. Hágalo regularmente y también comience a aprender uno por uno nuevos conceptos sobre ciencia de datos. Será mucho mejor unirse a algunos talleres o conferencias sobre ciencia de datos antes de comenzar su viaje. Deje clara su meta y avance hacia su meta.
1) Matemáticas
La habilidad matemática es muy importante ya que nos ayudan a comprender varios algoritmos de aprendizaje automático que juegan un papel importante en la ciencia de datos.
- Parte 1:
- Álgebra lineal
- Geometría analítica
- Array
- Cálculo vectorial
- Mejoramiento
- Parte 2:
- Regresión
- Reducción de dimensionalidad
- Estimación de densidad
- Clasificación
2) Probabilidad
La probabilidad también es importante para las estadísticas y se considera un requisito previo para dominar el aprendizaje automático.
- Introducción a la probabilidad
- Variable aleatoria 1D
- La función de una variable aleatoria
- Distribución de probabilidad conjunta
- Distribución discreta
- Distribución Continua
- Uniforme
- Exponencial
- Gama
- Distribución Normal ( Python | R )
3) Estadísticas
La comprensión de las estadísticas es muy importante ya que es una parte del análisis de datos.
- Introducción a la Estadística
- Descripción de datos
- Muestras aleatorias
- Distribución muestral
- Estimación de parámetros
- Prueba de hipótesis ( Python | R )
- ANOVA ( Python | R )
- Ingeniería de Confiabilidad
- Proceso estocástico
- Simulación por ordenador
- Diseño de experimentos
- Regresión lineal simple
- Correlación
- Regresión múltiple ( Python | R )
- Estadísticas no paramétricas
- Prueba de signos
- La prueba de los rangos con signo de Wilcoxon ( R )
- La prueba de la suma de rangos de Wilcoxon
- La prueba de Kruskal-Wallis ( R )
- Control Estadístico de Calidad
- Conceptos básicos de gráficos
4) Programación
Uno necesita tener una buena comprensión de los conceptos de programación tales como estructuras de datos y algoritmos . Los lenguajes de programación utilizados son Python, R, Java , Scala . C++ también es útil en algunos lugares donde el rendimiento es muy importante.
- Python:
- Conceptos básicos de Python
- Lista
- Establecer
- tuplas
- Diccionario
- Función , etc
- NumPy
- pandas
- Matplotlib / Seaborn , etc.
- Conceptos básicos de Python
- R:
- Base de datos:
- sql
- MongoDB
- Otro:
Referencias:
5) Aprendizaje automático
ML es una de las partes más vitales de la ciencia de datos y el tema de investigación más candente entre los investigadores, por lo que cada año se realizan nuevos avances en esto. Uno al menos necesita comprender los algoritmos básicos de aprendizaje supervisado y no supervisado . Hay varias bibliotecas disponibles en Python y R para implementar estos algoritmos.
- Introducción:
- Cómo funciona el modelo
- Exploración básica de datos
- Primer modelo de aprendizaje automático
- Modelo de validación
- Subequipamiento y sobreequipamiento
- Bosques aleatorios ( Python | R )
- scikit-aprender
- Intermedio:
- Manejo de valores faltantes
- Manejo de variables categóricas
- Tuberías
- Validación cruzada ( R )
- XGBoost ( Python | R )
- Fuga de datos
6) Aprendizaje profundo
Deep Learning usa TensorFlow y Keras para construir y entrenar redes neuronales para datos estructurados.
- Red neuronal artificial
- Red neuronal convolucional
- Red neuronal recurrente
- TensorFlow
- Keras
- PyTorch
- Una sola neurona
- Red neuronal profunda
- Descenso de gradiente estocástico
- Overfitting y Underfitting
- Normalización de lotes de abandono
- Clasificación binaria
7) Ingeniería de características
En Feature Engineering descubre la forma más efectiva de mejorar tus modelos.
- Modelo de referencia
- Codificaciones categóricas
- Generación de funciones
- Selección de características
8) Procesamiento del lenguaje natural
En PNL distínguete por aprender a trabajar con datos de texto.
- Clasificación de texto
- Vectores de palabras
9) Herramientas de visualización de datos
Realice excelentes visualizaciones de datos. ¡Una gran manera de ver el poder de la codificación!
- Excel VBA
- BI (Inteligencia de Negocios):
- Cuadro
- BI de energía
- Vista Qlik
- Sentido Qlik
10) Despliegue
La última parte es hacer el despliegue. Definitivamente, ya sea que sea más nuevo o tenga más de 5 años de experiencia, o más de 10 años de experiencia, la implementación es necesaria. Porque la implementación definitivamente te dará un hecho es que trabajaste mucho.
11) Otros puntos para aprender
- Conocimiento del dominio
- Habilidad de comunicación
- Aprendizaje reforzado
- Diferentes casos de estudio:
- Ciencia de datos en Netflix
- Ciencia de datos en Flipkart
- Proyecto de Detección de Fraude en Tarjetas de Crédito
- Proyecto sobre recomendación de películas, etc.
12) Sigue practicando
“La práctica hace al hombre perfecto” que habla de la importancia de la práctica continua en cualquier materia para aprender cualquier cosa.
Así que sigue practicando y mejorando tus conocimientos día a día. A continuación se muestra una representación esquemática completa de la hoja de ruta del científico de datos.
Publicación traducida automáticamente
Artículo escrito por AmiyaRanjanRout y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA