Dominando el Universo de los Datos Claves para una Carrera Exitosa en Ciencia de Datos
Dominando el Universo de los Datos Claves para una Carrera Exitosa en Ciencia de Datos
Para desarrollar una carrera exitosa en ciencia de datos, necesitas fortalecer lo que considero que son los seis pilares principales del área: habilidades técnicas, construir un portafolio, networking, habilidades blandas y, finalmente, desarrollar una especialidad de nicho. Una vez que lo tienes todo, también necesitas destacarte en la etapa de la entrevista.
Demasiados aspirantes a científicos de datos piensan que todo se trata de las habilidades y descuidan la red. O confías en un contacto de la red para conseguirte la entrevista de trabajo, pero te tambaleas bajo presión y no muestras tus habilidades correctamente.
- LlamaIndex Mejora fácilmente tus solicitudes de LLM con datos personalizados
- El Impacto de los Modelos de Lenguaje Amplio en el Análisis de Texto Médico
- Las 5 mejores plataformas y herramientas de aprendizaje automático en la nube
1. Educación y Desarrollo de Habilidades
Ninguna de estas secciones es realmente opcional, pero esta es probablemente la más importante de las seis. Puedes conseguir un trabajo si no conoces a las personas adecuadas, o si tu portafolio no es perfecto, pero si no tienes las habilidades adecuadas, no conseguirás el trabajo. O peor aún: podrías conseguir el trabajo, pero fracasar y ser despedido/a.
Esto es en lo que debes enfocarte:
Aprende los fundamentos
Cada trabajo en ciencia de datos requiere una sólida base en matemáticas, estadísticas y programación. La competencia en lenguajes como Python o R es esencial. Casi todas las descripciones de empleo en ciencia de datos mencionarán uno de esos dos lenguajes.
También sugiero que consideres aprender SQL como un requisito fundamental. Las bases de datos SQL son una realidad en la vida de los científicos de datos. Y es un lenguaje comparativamente simple de aprender.
Aprendizaje automático y manipulación de datos
No se trata solo del reciente auge de la inteligencia artificial; los científicos de datos siempre han necesitado dominar el aprendizaje automático. Necesitarás adquirir conocimientos en algoritmos de aprendizaje automático, preprocesamiento de datos, ingeniería de características y evaluación de modelos.
Visualización de datos
Los hallazgos de un científico de datos no tienen valor a menos que pueda comunicarlos a otros. Esto se logra con gráficos, diagramas y otros tipos de visualización de datos. Necesitarás dominar herramientas y técnicas de visualización de datos para comunicar de manera efectiva ideas y conocimientos derivados de los datos a los principales interesados en tu empresa.
Me adentraré un poco más en esto cuando hable de las habilidades blandas, también – la comunicación es una habilidad vital.
Tecnologías de Big Data
Han quedado atrás los días en los que los científicos de datos lidian con poca cantidad de datos, si es que alguna vez existieron. Hoy en día, debes estar extremadamente familiarizado/a con big data y las herramientas necesarias. Incluso si tu empresa no maneja datos verdaderamente “grandes”, aspirarán a hacerlo.
Familiarízate con herramientas como Hadoop, Spark y plataformas en la nube para manejar conjuntos de datos grandes.
2. Construir un Portafolio Sólido
Vamos a pillar dos: tu portafolio.
Hay escasez de científicos de datos calificados, como probablemente sabes. Los graduados de bootcamps han surgido para llenar ese vacío. Eso provocó un nuevo problema: falta de confianza. Las empresas saben que un título universitario no es necesariamente un requisito necesario para hacer un buen trabajo. Sin embargo, los malos bootcamps también han dado a los aspirantes a científicos de datos una mala reputación, porque muchos bootcamps produjeron “graduados” que no sabían distinguir una unión de una subconsulta. Por lo tanto, tu portafolio personal es una oportunidad para demostrar que sabes de lo que hablas. (También vale la pena mencionar que los bootcamps son muy caros, especialmente en comparación con las perspectivas de empleo ligeramente menos optimistas en la actualidad.)
Esto es lo que necesitas:
Proyectos personales
Trabaja en proyectos personales que demuestren tus habilidades. Estos podrían ser competiciones de Kaggle, contribuciones de código abierto o tus propios proyectos de análisis de datos. Puedes mantener un repositorio bien organizado en GitHub para mostrar tus proyectos, muestras de código y contribuciones.
Blog o sitio web
Considera crear un blog o un sitio web personal donde puedas compartir ideas, tutoriales y casos de estudio relacionados con la ciencia de datos. Es posible hacer trampas en este sistema y contratar a alguien para que lo haga por ti, pero es tan caro y consume tanto tiempo que pocas personas intentan falsificarlo. Un blog sirve como un gran portafolio de tus conocimientos.
Prepárate para explicar tus proyectos, metodologías y enfoques de resolución de problemas. Repasa las preguntas comunes de entrevistas de ciencia de datos y los desafíos de programación.
3. Networking
Recuerda la regla de oro de los trabajos, sin importar el campo: potencialmente hasta un 70% de las ofertas de trabajo nunca se publican. Esta es una estadística antigua, pero incluso si es del 20 al 30 por ciento, demuestra que es importante a quién conoces. Esto ni siquiera considera que hasta un tercio de las vacantes de trabajo publicadas son realmente falsas, diseñadas para hacer que una empresa parezca más exitosa de lo que es. Una red personal puede ayudarte a evitar perder tu tiempo.
Esto es lo que debes hacer:
Unirse a redes profesionales
Únete a comunidades de ciencia de datos y asiste a meetups, conferencias y webinars para conectarte con otros profesionales del campo. Este enfoque más formal de una red puede ayudarte a conocer a las personas adecuadas, destacarte en tu industria y estar al día con los eventos actuales.
Redes sociales
De manera más informal, también debes participar en plataformas como LinkedIn, Twitter y foros relevantes para compartir tu trabajo, ideas y aprender de otros.
4. Habilidades blandas
Recuerda, las habilidades duras son solo la mitad de la batalla. Por eso, debes asegurarte de que tus habilidades blandas no sean descuidadas. No estoy diciendo que las habilidades blandas sean más importantes. La dicotomía entre habilidades duras y habilidades blandas es falsa: ambas son importantes. Pero las personas no contratan máquinas de ciencia de datos, contratan personas. Aquí están las áreas en las que recomiendo enfocarse:
Comunicación
Recuerda esa habilidad de visualización de datos. Los científicos de datos necesitan comunicar de manera efectiva hallazgos técnicos complejos a partes interesadas no técnicas. Es sorprendente cuánto del trabajo de un científico de datos se reduce a explicar por qué alguien en marketing debería entender el bonito gráfico.
Resolución de problemas
Es casi una palabra de moda sin sentido en este punto, así que asegúrate de entender realmente lo que significa “resolución de problemas”. En el contexto de la ciencia de datos, resolver problemas no es solo depurar. También implica saber cuándo tiene sentido colaborar con diferentes departamentos, cuándo reorganizar la pila tecnológica de un proyecto para cumplir con nuevas especificaciones, o volver a revisar tu modelo si tropieza con el conjunto de datos de prueba.
Pensamiento crítico
Otra palabra de moda casi sin sentid0 que merece una consideración más profunda. Pensar críticamente significa la capacidad de analizar datos desde diferentes ángulos, cuestionar suposiciones y pensar creativamente para obtener ideas significativas.
Trabajo en equipo
Los científicos de datos no trabajan en un vacío. Trabajarás con desarrolladores web, analistas de datos, analistas de negocios, vendedores, ejecutivos de ventas y director ejecutivo. Colabora con equipos interfuncionales para entender las necesidades comerciales y alinear soluciones basadas en datos.
5. Especialización en la industria
¿No has oído? Estamos en medio de un invierno tecnológico para la contratación. El dinero del capital de riesgo no fluye como solía hacerlo y las empresas están apretándose el cinturón. No es un buen momento para ser un generalista. Necesitarás especializarte para sobrevivir.
Elige un nicho
La ciencia de datos abarca diversas industrias, como la salud, las finanzas, el comercio electrónico y más. Especializarte en un dominio particular puede hacerte más atractivo para los empleadores en ese campo. Busca en lo que naturalmente estás interesado o en lo que ya podrías tener conocimiento adicional.
Conocimiento del dominio
Adquiere conocimiento específico del dominio relevante para la industria en la que deseas trabajar. Esto te ayudará a comprender las sutilezas de los datos y tomar decisiones más informadas. Por ejemplo, si deseas trabajar en Google, deberás conocer las complejidades de los algoritmos de búsqueda y el comportamiento del usuario.
6. La entrevista
Por último, pero no menos importante: prepárate para las entrevistas. Puedes dominar los primeros cinco pilares y aún tropezar en la línea de meta. Así es como te recomiendo que te prepares:
Explicaciones
Puedes conocer un concepto sin realmente poder explicarlo a los demás. Para las entrevistas, debes estar preparado para explicar tus proyectos, metodologías y enfoques para resolver problemas.
Tómate el tiempo para asegurarte de que no solo tienes un entendimiento completo de lo que hiciste, por qué lo hiciste y por qué funciona para todos tus proyectos, sino que también eres capaz de explicarlo lo suficientemente bien como para que una persona sin conocimientos técnicos lo entienda. (esto también es una excelente manera de practicar la habilidad “comunicación”).
Preparación de codificación
El pizarrón es un pilar famoso de las entrevistas de codificación, sin embargo, muchas personas entran en pánico cuando se enfrentan a esa superficie en blanco. Cuanto más practiques preguntas de entrevista con anticipación, mejor te desempeñarás bajo presión el día de la entrevista.
Cómo desarrollar una carrera exitosa en ciencia de datos
Es un poco presuntuoso pretender que hay una única respuesta correcta aquí, o que se pueda explicar en un artículo. Esperemos que esta publicación de blog funcione más como una hoja de ruta que como una solución integral. Practica estos seis pilares de los trabajos de ciencia de datos y estarás en camino de desarrollar una carrera en ciencia de datos que dure tanto como desees.
****[Nate Rosidi](https://twitter.com/StrataScratch)**** es un científico de datos y estratega de productos. También es profesor adjunto de análisis y fundador de StrataScratch, una plataforma que ayuda a los científicos de datos a prepararse para sus entrevistas con preguntas de entrevistas reales de empresas destacadas. Conéctate con él en Twitter: StrataScratch o LinkedIn.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Conoce LoftQ LoRA-Fine-Tuning-Aware Quantization para grandes modelos de lenguaje.
- ¿Pueden los desarrolladores reducir el costo total de propiedad del software con IA?
- 8 Estrategias para acelerar el desarrollo de portales web
- Una guía completa para crear un asistente de IA para resumir videos de YouTube – Parte 1
- ¿Cómo optimizar los ingresos utilizando la fijación dinámica de precios?
- ¡Conoce a nuestro nuevo tutor de IA!
- 5 libros gratuitos para dominar el aprendizaje automático