Las habilidades que ayudan a los científicos de datos a crecer

Skills for Data Scientists' Growth

Incluso si estás en las etapas iniciales de tu aprendizaje en ciencia de datos, probablemente tengas una idea sólida de las habilidades fundamentales que necesitarás para entrar en el campo: estadísticas, conocimiento práctico de un lenguaje de programación (o dos) y una comprensión razonable de cómo procesar, analizar y visualizar datos, por nombrar algunas de las más obvias.

¿Qué hay de las habilidades que te ayudarán a prosperar y crecer en tu carrera a largo plazo? Ahí es donde las cosas a menudo se vuelven más confusas, y es donde resulta útil lo destacado de esta semana. Hemos seleccionado algunos artículos escritos por profesionales de datos que comparten conocimientos prácticos basados en sus propias experiencias y trayectorias profesionales no lineales. Si bien pueden centrarse en dominios y roles específicos, las lecciones que ofrecen son aplicables a muchas otras situaciones del mundo real. Vamos a sumergirnos en ellos.

• Se podría argumentar en contra de ver las habilidades a través de una dicotomía rígido-vs-flexible, pero es innegable que aquellas que tendemos a categorizar como “flexibles” son algunas de las más esenciales para encontrar éxito en una carrera enfocada en datos. Recientemente, Eirik Berge se enfocó en cinco habilidades cruciales, incluyendo colaboración y mentoría, e infundió estos conceptos con consejos concretos y refrescantes.
• Hablando desde la perspectiva de un ingeniero de software, Naomi Kriger ha creado una guía útil para destacarse en presentaciones de proyectos en el contexto de entrevistas de trabajo. Sin embargo, las lecciones que encontrarás aquí también serán útiles en tu próxima reunión trimestral de planificación, análisis postmortem de un pipeline de aprendizaje automático o cualquier otra ocasión en la que contar una historia clara y convincente sea clave.

• La recién llegada colaboradora de TDS, Fiona Victoria, completó recientemente el arduo proceso de solicitar programas de doctorado en inteligencia artificial, y escribió sobre los (muchos) factores diferentes a considerar y pasos a seguir en el camino. Incluso si no tienes en mente la escuela de posgrado, el enfoque reflexivo de Fiona puede ayudarte a navegar el estrés de lo desconocido, una característica presente en muchas otras decisiones relacionadas con la carrera.
• “Si eres un aspirante a científico de datos, puede sorprenderte saber que el riesgo de agotamiento nunca desaparece realmente”, advierte Matt Chapman, y esto es especialmente cierto para las personas que hacen la transición al campo desde un rol diferente. Los consejos de Matt para construir tu carrera con sostenibilidad a largo plazo en mente se centran en una mejor priorización y descanso, lo cual nos beneficia a la mayoría, independientemente de la etapa de la carrera en la que nos encontremos.

Si has llegado hasta aquí, ¡felicidades! Tus habilidades superiores de gestión del tiempo claramente te permiten seguir leyendo, lo cual esperamos que hagas, ya que nuestros otros destacados semanales son demasiado buenos para perderlos:

• La introducción de Conor O’Sullivan acerca de los riesgos que las herramientas de IA representan para los miembros de la comunidad trans aborda un tema urgente y oportuno, y pide una mayor conciencia y disposición para actuar por parte de todos los profesionales de ciencia de datos y aprendizaje automático.
• ¿Cómo explicas las anomalías en tus datos? La nueva guía accesible de Mariya Mansurova sobre el análisis de la causa raíz responde a esta pregunta en detalle.
• Ponte al día con las técnicas emergentes para avanzar en la IA verde siguiendo la útil visión general del trabajo reciente en este campo cada vez más importante, presentada por Federico Peccia.
• Para una perspectiva fresca sobre los sistemas de recomendación que retienen con éxito a los usuarios, lee la explicación exhaustiva de Christabelle Pabalan sobre los conceptos de novedad y serendipia.
• La introducción amigable para principiantes de Elena Samuylova sobre la detección de cambios propone cinco métodos para medir cambios en las incrustaciones de aprendizaje automático.
• MusicGen, un nuevo modelo de generación de música, puede tomar una melodía de referencia y crear nuevos temas basados en ella. Max Hilsdorf prueba las habilidades del modelo y reflexiona sobre sus potenciales efectos en el proceso creativo de los músicos.

¡Gracias por apoyar a nuestros autores! Si disfrutas los artículos que lees en TDS, considera convertirte en miembro de Zepes, lo cual te dará acceso a todo nuestro archivo (y a cada otra publicación en Zepes también).

• Revelando el Precision@N y Recall@N en un Sistema de Recomendación
• ¿Cómo ayuda la inteligencia artificial en la generación de leads?
• Potenciando conocimientos sobre la Web 3.0 y Blockchain

Hasta la próxima Variable,

Los editores de TDS

We will continue to update Zepes; if you have any questions or suggestions, please contact us!