¿Puede una persona normal hacer ciencia de datos?

La ciencia de los datos es un campo de estudio multifacético e interdisciplinario. No es sólo dominar el mundo digital. Es parte integral de algunas de las funciones más básicas - búsquedas en Internet, redes sociales, campañas políticas, stocks de tiendas de comestibles, rutas aéreas, citas en hospitales, y más. Está en todas partes. ¿Qué hace que la ciencia de los datos sea tan aplicable a la experiencia humana? Entre otras disciplinas, la estadística es una de las disciplinas más importantes para los científicos de datos.

Josh Wills, ex jefe de ingeniería de datos de Slack, dijo: “Un científico de datos es una persona que es mejor en estadística que cualquier programador y mejor en programación que cualquier estadístico”.

En otras palabras, la estadística es un componente inherentemente necesario de la ciencia de los datos. A continuación exploraremos más sobre este concepto, además de las mejores maneras para que los estudiantes obtengan conocimientos estadísticos para una posición de ciencia de datos.

Introducción a las estadísticas para la ciencia de los datos

El análisis estadístico y la probabilidad influyen en nuestras vidas a diario. Las estadísticas se utilizan para predecir el clima, reabastecer los estantes minoristas, estimar el estado de la economía, y mucho más. Utilizado en una variedad de campos profesionales, la estadística tiene el poder de obtener información valiosa y resolver problemas complejos en los negocios, la ciencia y la sociedad. Sin una ciencia dura, la toma de decisiones depende de las emociones y reacciones intestinales. Las estadísticas y los datos anulan la intuición, informan las decisiones y minimizan el riesgo y la incertidumbre.

En la ciencia de los datos, las estadísticas son el núcleo de algoritmos sofisticados de aprendizaje automático, que capturan y traducen los patrones de datos en pruebas viables. Los científicos de datos utilizan estadísticas para recopilar, revisar, analizar y extraer conclusiones de los datos, así como para aplicar modelos matemáticos cuantificados a las variables apropiadas. Los científicos de datos trabajan como programadores, investigadores, ejecutivos de negocios y más. Sin embargo, lo que todas estas áreas tienen en común es una base de estadísticas. Así pues, las estadísticas en la ciencia de los datos son tan necesarias como la comprensión de los lenguajes de programación.

Hacia la ciencia de los datos, un sitio web que comparte conceptos, ideas y códigos, apoya que Los conocimientos en ciencias de los datos se agrupan en tres esferas principales: informática; estadística y matemáticas; y conocimientos empresariales o de campo . Estas áreas por separado dan lugar a una variedad de carreras, como se muestra en el siguiente diagrama. La combinación de la informática y las estadísticas sin conocimientos empresariales permite a los profesionales desempeñar una serie de funciones de aprendizaje automático. La informática y la experiencia empresarial conducen a las habilidades de desarrollo de software. Las matemáticas y las estadísticas (combinadas con la experiencia empresarial) resultan en algunos de los investigadores más talentosos. Es sólo con las tres áreas combinadas que los científicos de datos pueden maximizar su rendimiento, interpretar los datos, recomendar soluciones innovadoras y crear un mecanismo para lograr mejoras.

Hay una serie de técnicas estadísticas que los científicos de datos necesitan dominar. Al comenzar, es importante comprender estos principios de manera integral, ya que cualquier vacío en el conocimiento resultará en datos comprometidos o conclusiones falsas.

Estadísticas generales: Los conceptos más básicos en estadística incluyen sesgo, varianza, media, mediana, modo y percentiles.

Distribuciones de probabilidad: La probabilidad se define como la probabilidad de que algo ocurra, caracterizada como un simple porcentaje “sí” o “no”. Por ejemplo, cuando los informes meteorológicos indican que hay un 30 por ciento de probabilidades de lluvia, también significa que hay un 70 por ciento de probabilidades de que no llueva. La determinación de la distribución calcula la probabilidad de que se produzcan todos esos valores potenciales en el estudio. Por ejemplo, calcular la probabilidad de que el 30 por ciento de probabilidad de lluvia cambie en los próximos dos días es un ejemplo de distribución de probabilidad.

Reducción de dimensiones: Los científicos de datos reducen el número de variables aleatorias consideradas mediante la selección de características (elegir un subconjunto de características relevantes) y la extracción de características (crear nuevas características a partir de las funciones de las características originales). Esto simplifica los modelos de datos y simplifica el proceso de introducir datos en algoritmos.

Sobre y bajo muestreo: Las técnicas de muestreo se implementan cuando los científicos de datos tienen demasiado o demasiado poco de un tamaño de muestra para una clasificación. Dependiendo del equilibrio entre dos grupos de muestra, los científicos de datos limitarán la selección de una clase mayoritaria o crearán copias de una clase minoritaria con el fin de mantener una distribución equitativa.

Estadísticas bayesianas: Las estadísticas de frecuencia utilizan datos existentes para determinar la probabilidad de un evento futuro. Las estadísticas bayesianas, sin embargo, llevan este concepto un paso más allá al tener en cuenta los factores que predecimos que serán ciertos en el futuro. Por ejemplo, imagine tratar de predecir si al menos 100 clientes visitarán su cafetería cada sábado durante el próximo año. Las estadísticas de frecuencia determinarán la probabilidad analizando los datos de las visitas del sábado pasado. Pero las estadísticas bayesianas determinarán la probabilidad también al factorear para un espectáculo de arte cercano que comenzará en el verano y tendrá lugar todos los sábados por la tarde. Esto permite que el modelo estadístico bayesiano proporcione una cifra mucho más precisa.

Capacidades estadísticas necesarias para realizar trabajos de ciencia de datos

La ciencia de los datos requiere una mezcla de habilidades técnicas, como lenguajes de programación R y Python, así como “habilidades suaves”, incluyendo comunicación y atención al detalle. Aquí están varias de las habilidades más importantes que los científicos de datos necesitan perfeccionar con el fin de fortalecer las habilidades estadísticas.

Manipulación de datos: Utilizando Excel, R, SAS, Stata y otros programas, los científicos de datos tienen la capacidad de limpiar y organizar grandes conjuntos de datos.

Pensamiento crítico y atención al detalle: Utilizando regresión lineal, los científicos de datos extraen y modelan relaciones entre variables dependientes e independientes. Los científicos de datos eligen métodos con supuestos incorporados que se consideran durante su aplicación. Violar o elegir suposiciones inadecuadamente conducirá a resultados defectuosos.

Curiosidad: El deseo de resolver puzzles complejos impulsa a los científicos de datos a diseñar tramas de datos y explorar suposiciones. También descubren patrones y secuencias mediante visualizaciones avanzadas de datos.

Organización: Los científicos de datos están inundados de información procedente de diversas fuentes y de oportunidades de proyectos en curso. Con limitaciones presupuestarias y de tiempo, los científicos de datos funcionan de manera eficiente cuando están bien versados en funciones estadísticas. Además, tener procesos routinizados ayuda a asegurar que los datos no se vean comprometidos.

Innovación y resolución de problemas: Más allá de los cálculos puros y el análisis de datos básicos, los científicos de datos utilizan estadísticas aplicadas para emparejar hallazgos abstractos con problemas del mundo real. Los científicos de datos también utilizan análisis predictivos para determinar futuros cursos de acción. Todo esto requiere una cuidadosa consideración, utilizando enfoques lógicos e innovadores para analizar los problemas y resolverlos.

Comunicación: Todo el trabajo que hace un científico de datos debe traducirse en una historia cautivadora que los líderes de la industria y los ejecutivos puedan apreciar. Los científicos de datos llenan la brecha entre la tecnología y las operaciones. Traducen hallazgos en visualizaciones de texto y datos que los ejecutivos y clientes pueden entender fácilmente: una habilidad esencial para un científico de datos.

Estadísticas: Los científicos de datos deben considerar las estadísticas de aprendizaje, porque las estadísticas conectan los datos a las preguntas que las empresas están haciendo en todas las disciplinas. Preguntas que incluyen:

¿Cómo podemos crear eficiencias?
¿Cómo podemos limitar el gasto y aumentar los ingresos?
¿Cómo podemos maximizar las comunicaciones con nuestro público objetivo?

Cómo aprender estadísticas para la ciencia de datos

La escasez de datos científicos ha empujado a las empresas a Obtener creativo al tratar de llenar la brecha de talento de datos . Algunas empresas recapacitan al personal existente en la casa o organizan estudios de postgrado en ciencias de datos. Independientemente del método, la educación es la fuerza central que impulsa estos esfuerzos. Tres caminos educativos populares son cursos masivos abiertos en línea (MOOCs), campos de entrenamiento, o programas de maestría. Mientras que las opciones de educación científica de datos dejan a los empleadores preguntándose qué camino es el mejor, los programas de maestría han sido tradicionalmente los más valorados entre los tres.

La mejor educación en ciencia de datos depende de que las necesidades de un estudiante se ajusten a los recursos de formación más apropiados. El proceso de aprendizaje de estadísticas en ciencias de datos, por ejemplo, se verá diferente dependiendo de los antecedentes educativos y profesionales de una persona. Es razonable que un profesional de la ciencia de los datos que ya ha adquirido una fundación de la ciencia de los datos afinar sus técnicas de probabilidad a través de una variedad de opciones de aprendizaje. Sin embargo, un recién graduado universitario, sin embargo, encontrará el entrenamiento más profundo en ciencia de datos a través de un programa de maestría en ciencia de datos.

He aquí un vistazo rápido a los pros y los contras del aprendizaje de la ciencia de los datos a través de MOOCs, campos de entrenamiento y maestrías.

Estadísticas en la ciencia de los datos

MOOCs

Aunque los MOOC en ciencia de datos no pueden reemplazar el valor de un programa de posgrado integral, pueden ayudar a los estudiantes a actualizar sus conocimientos básicos. Los MOOC son una opción gratuita para los profesionales de la ciencia de los datos que necesitan repasar las habilidades estadísticas y matemáticas. Los profesionales de la ciencia de datos actuales se benefician del material en línea aprendiendo las últimas tendencias y técnicas, ya que el campo está cambiando constantemente. Los MOOC también son útiles para las personas que están en la valla para entrar en el campo de la ciencia de datos. Especialmente cuando es gratis, un MOOC es un método de bajo riesgo para probar el campo y ver si la ciencia de datos vale la pena seguir.

Aunque los campos de entrenamiento son útiles, normalmente no son programas integrales, a menudo tardan sólo seis meses o menos en completarse. Los líderes del campo de entrenamiento de ciencia de datos a veces cortan esquinas al enfocar el currículo en temas y habilidades que se cubren en una entrevista de trabajo de ciencia de datos. Esto proporciona apoyo y capacitación para los resultados inmediatos del trabajo, pero es no tan sostenible como la planificación profesional a largo plazo ofrece un máster .

Máster

Un programa de máster abarca todos los fundamentos de la ciencia de los datos. También proporciona habilidades del mundo real y la capacidad de continuar aprendiendo, que los campos de entrenamiento simplemente no tienen tiempo para cubrir. Al planificar una trayectoria educativa, pregúntese sobre la universidad que está considerando:

¿Los candidatos graduados tienen una oportunidad para la experiencia del mundo real?
¿Cuál es la trayectoria profesional de otros que han pasado por el programa?
¿Cuál es el salario medio de una persona con esta educación y formación?
Flexibilidad: usted no tiene que poner su vida en espera. Continúe trabajando, inicie una pasantía o cumpla con otras obligaciones de vida mientras continúa su educación.
Mientras que el programa está arraigado en la Escuela UVA de Ciencia de Datos, usted no tiene que desarraigar su vida y reubicarse en Virginia. Las clases se toman desde cualquier lugar.
Usted demostrará su habilidad para ser auto-motivado y practicar la gestión del buen tiempo.
A medida que los hábitos de trabajo evolucionen para ofrecer trabajos en línea más completos, tendrá la ventaja de comenzar su carrera en ciencias de datos con experiencia remota.
Obtenga conocimientos y experiencia con un programa en línea riguroso y de visión de futuro, así como oportunidades de pasantías, que le proporcionarán la ventaja competitiva que necesita para alcanzar sus objetivos de carrera en ciencia de datos.

Los solicitantes del programa MSDS están obligados a poseer un título de grado antes de comenzar el programa. Si bien se acoge con satisfacción la formación en ciencias de la computación, no es necesaria. De hecho, los estudiantes provienen de una variedad de estudios universitarios, incluyendo economía, estadística, ingeniería, informática, matemáticas, administración de hostelería y artes liberales.

Los estudiantes deben completar cada uno de los siguientes requisitos previos antes del inicio del período de verano en el que se inicia el programa:

Modelos lineales para la ciencia de datos : Este curso es una introducción a los modelos estadísticos lineales en el contexto de la ciencia de datos. Los temas incluyen regresión lineal simple y múltiple, y modelos lineales generalizados. El software principal es R.

Práctica y aplicación de la ciencia de los datos I y II : Este curso cubre la práctica de la ciencia de datos, incluyendo comunicación, análisis exploratorio de datos y visualización. También se incluyen la selección de algoritmos para adaptarse al problema a resolver, las necesidades del usuario y los datos. Los estudios de casos explorarán el impacto de la ciencia de datos en diferentes ámbitos.

Aprendizaje automático : Curso de postgrado en técnicas y aplicaciones de aprendizaje automático con énfasis en su aplicación a la ingeniería de sistemas. Los temas incluyen aprendizaje bayesiano, algoritmos evolutivos, aprendizaje basado en instancias, aprendizaje de refuerzo y redes neuronales. Los estudiantes deben tener suficientes conocimientos computacionales para completar varias tareas sustantivas de programación. Prerrequisito: Un curso que cubre técnicas estadísticas, como la regresión.

Fortalezca sus habilidades estadísticas en el MSDS en línea UVA

Un máster en ciencias de los datos — tales como el residencial o MSDS en línea ofrecido en Escuela de Ciencia de Datos de UVA — prepara a los graduados tanto para las oportunidades de empleo inmediato como para la planificación profesional a largo plazo. Los modelos de aprendizaje automático y las técnicas estadísticas seguirán evolucionando, pero el grado de postgrado ofrece una base sólida para que los estudiantes puedan adaptarse rápidamente a los cambios tecnológicos. La ciencia de los datos también trata de ayudar a las personas a resolver problemas mediante la colaboración. El MSDS en línea de UVA permite a los estudiantes desarrollar relaciones duraderas con sus compañeros y profesores. Estas oportunidades de networking pueden ofrecer a los estudiantes pasantías y oportunidades profesionales a lo largo de sus carreras, y fomentar relaciones enriquecedoras para el resto de sus vidas.