¿Puedo aprender ciencias de datos en 1 año?

La compilación completa de mi lista de verificación para aprender Ciencia de datos para un principiante a un maestro es sólo un año con la narración de viajes en el tiempo. ¡Disfrute aprendiendo!

F inally, este artículo es algo que todos hemos estado esperando. En este artículo completo, estaríamos discutiendo cómo un estudiante de primer año completo puede comenzar su viaje en el vasto campo del aprendizaje automático y la ciencia de los datos comenzando desde aprender conceptos básicos y escribir códigos básicos hasta romper entrevistas y ganar experiencia con el tiempo. Hay mucho contenido disponible en Internet y en los libros, pero ¿qué leer y qué no? ¡Totalmente confundido! Retrocedamos y retrocedamos en el tiempo para empezar todo desde el principio.

Si usted es un Principiante y quiere aprender la ciencia de los datos con una gran pasión hacia ella, entonces confíe en mí, este artículo definitivamente le ayudará a construir su plan para aprender Machine Learnign y Ciencia de los datos.

Antes de eso, Sólo un pequeño consejo, este artículo va a ser corto ( no tan corto), simple y preciso, discutiendo los enfoques exactos que habría seguido si fuera a empezar de nuevo en el tiempo y prepararse para convertirse en un científico de datos con una narración de viajes en el tiempo fresco!

Así que, como hemos dicho, retrocedamos en el tiempo dentro de un año y comencemos nuestro viaje.

¡Gracias, Rick y Morty por devolvernos en 2019! Ahora que tenemos un año completo con nosotros, planifiquemos nuestra hoja de ruta completa. Así que básicamente primero vamos a crear una lista de cosas que podríamos haber pensado antes de saltar directamente a explorar las cosas y inclinarnos. Mi lista de verificación simple y descriptiva está presente a continuación:

Aprende un lenguaje de programación (R o Python).
Familiarízate con las matemáticas aplicadas (LA, Stats, Prob).
Empieza a leer blogs en ML/AI y escucha podcasts.
Lea algunos libros increíbles para construir cimientos.
Aprendizaje automático y aprendizaje profundo.
Trabajar en experimentar con las habilidades y hacer algunas prácticas.
Construyendo algunos proyectos de extremo a extremo con una ciencia de datos competitiva.
Aplicar y romper entrevistas.

Ahora, la lista de verificación sería inútil hasta que sepamos lo mejor y útil Recursos para empezar y mantenernos bombeado siempre hacia el aprendizaje.

Estas dos cosas si se dirigen perfectamente hacia la ejecución podría hacerme un buen DS realmente en sólo un año!

Aprender un lenguaje de programación

Para convertirse en un científico de datos, usted no tendrá que ser un pro-codificador o un 5 estrellas en CodeChef o TopCoder, sólo tiene que saber cómo escribir un código bien optimizado en su idioma preferido. Personas de varios orígenes, especialmente con cero experiencias de codificación han demostrado convertirse en buenos científicos de datos en sólo un año al aprender a codificar inteligentemente.

Elija un idioma: Python y Programación R han sido uno de los idiomas mejor apoyados desde 2014 para Machine Learning y Data Science debido a su facilidad de uso y el amplio apoyo de una lista exhaustiva de bibliotecas para hacer cualquier cosa literariamente con muy pocas líneas de código. El gráfico de tendencias de Google anterior muestra lo populares que eran estos idiomas en el motor de búsqueda de Google. Uno puede probar ambos idiomas y explorar cuál se adapta mejor a usted y cuál usted piensa que podría ayudarle más para su perfil de trabajo más adelante.

Familiarizarse con las matemáticas aplicadas

Cualquier persona puede hacer que un modelo de aprendizaje automático funcione con sólo 3-4 líneas de código, pero ¿alguna vez has pensado en lo que está pasando detrás de la escena. El núcleo de un algoritmo de aprendizaje automático aloja las matemáticas corriendo detrás y haciendo que funcione para nosotros. El apoyo a las bibliotecas ha facilitado el trabajo para nosotros, pero tenemos que ser claros con cómo funciona y cómo podemos incluso construir nuestros propios modelos.

Para hacer eso tenemos que ser muy claros con el núcleo de matemáticas como álgebra lineal, explicándome la intuición geométrica de cada algoritmo y cómo puedo incluso hacer mi propio modelo con la comprensión de álgebra y sistema vectorial. Temas como la comprensión del álgebra de matriz y sistema vectorial que se puede utilizar en el análisis de componentes de principio (PCA), máquinas vectoriales de soporte (VMS), y muchos otros modelos matemáticos.

En segundo lugar, las estadísticas y la probabilidad son realmente importantes para entender los patrones en los datos y encontrar información de forma que. La teoría estadística y de probabilidad necesaria para el aprendizaje automático son la comprensión de diversas distribuciones como la distribución gaussiana, la distribución binomial, las reglas de probabilidad Bayes Teorema basado en la probabilidad condicional, la ley Perito, etc.

El cálculo también juega un papel muy importante en la comprensión de los modelos matemáticos y algunos de los temas necesarios incluyen Cálculo Diferencial e Integral, Laplaciano, Jacobiano, Derivados Parciales, Gradiente Directivo, Distribución Lagrangiana, etc.

Por último, los algoritmos y los problemas de optimización son otra rama muy importante de las matemáticas necesarias para la eficiencia computacional y escalabilidad de nuestro algoritmo de aprendizaje automático. La comprensión sobre la escritura de una construcción de modelos o la normalización de datos bien óptima podría ser bien construida usando una comprensión algorítmica óptima.

Leer blogs, artículos y escuchar podcasts

Hay toneladas de blogs increíbles que son publicados por personas altamente experimentadas cada día. Puedo elegir leer unos cuantos todos los días. Ahora necesito planificar cuántos blogs/artículos puedo digerir en un día sin romper el flujo y entender lo que está pasando en el mundo de la ciencia de datos o familiarizarme con algunas noticias de tecnología de inteligencia artificial o puede ser cualquier cosa. Algunos editores muy buenos que publican regularmente algunos contenidos increíbles son Hacia la ciencia de los datos , Inversor impulsado por datos , Analítica Vidya , o Nuggets de KD , etc.

Escuchar unos cuantos grandes podcasts podría mejorar drásticamente mis habilidades para entender la ciencia detrás del trabajo de proyectos increíbles o cómo los investigadores profundos están interrumpiendo el campo de Machine Learning e IA. Podcasts básicamente nos ayudan a construir una alfabetización de datos bien alcanzable para comunicar nuestras historias de datos con todos. Una buena lista de podcasts que uno puede escuchar regularmente es aquí de la cual yo personalmente preferiría DataFramed por Hugo-Bownie o Podcast SuperDataScience por Kirill Eremenko o a veces Radio DataHack en la nube de sonido para el día a día.

Leyendo libros de aprendizaje automático

“La lectura es esencial para aquellos que buscan elevarse por encima de lo ordinario.” — Jim Rohn

Leer libros es una de las cosas más importantes que debería hacer este año para mejorar mi aprendizaje. Debo decir esto, si usted es un amante del libro entonces los libros son una de las mejores fuentes para mejorar su aprendizaje. Puedo elegir leer libros electrónicos libremente disponibles o comprar la copia impresa, cualquier cosa puede funcionar. Hay muchos libros que uno puede comprar y empezar a leer, pero algunos buenos libros que yo sugeriría leer son:

Aparte de estos, algunas universidades estándar en todo el mundo también ofrecen increíbles cursos en línea o fuera de línea para ML y Data Science. Uno puede verlos en su sitio web oficial si desea explorar más o leer el artículo asociado con él para saber más.

Gimnasio de habilidades y práctica práctica

‘Dime y lo olvidaré. Enséñame y lo recuerdo. Involucrarme y aprender.’ — Benjamin Franklin

Muy bien dicho, si uno simplemente sigue aprendiendo y no implicando en las cosas entonces no pueden guardar el conocimiento en la memoria persistente por mucho tiempo. Hacer las manos es un proceso muy importante para el aprendizaje. Sin duda preferiría escribir código para cada concepto que aprendí en mi Máquina local y empujarlo hacia adelante alguna nube o GitHub para mantener la seguridad o utilizar algunas buenas plataformas en línea para hacer lo mismo en sus nubes, tales como DataCamp o Dataquest . Esto me ayudaría no sólo a hacer mis conceptos fuertes, sino también a mejorar mis habilidades de codificación con el tiempo que podría revisar en cualquier momento con sólo mirar el código.

Construcción de proyectos de extremo a extremo y participación en concursos

Trabajar en proyectos para aplicar lo que he aprendido es el pasado es muy importante para crear un sentido de cómo los proyectos de ML se construyen en la industria real. Obtendría una lista exhaustiva de proyectos en los que puede trabajar DataFlair , Simplilearn o cualquier artículo al azar en Internet puede ayudarle a empezar a hacer proyectos básicos. En segundo lugar, hacer un repositorio bien documentado de mi código para un proyecto público en GitHub o cualquier VCS definitivamente me ayudaría en la construcción de una buena cartera.

Participar en competiciones también me ayudaría a llegar a ser bueno en la codificación y a aplicar mis habilidades a los problemas del mundo real y ver cómo estoy globalmente en la clasificación, lo que puede ayudarme a rectificar mis errores y construir un yo mejor. Yo participaría en concursos en cualquiera de los Kaggle , Analítica Vidya , Datos impulsados o HackerEarth , etc. que albergan increíbles investigaciones globales, así como competiciones a nivel de la industria. Pero asegúrese de que usted no termina un sobrefit!

Usted puede leer este artículo a continuación para saber más sobre mi viaje en Kaggle del futuro ( no olvide que estamos en el pasado ahora).

Golpear una entrevista

Ahora debería estar completamente listo con todo y empezar a solicitar un papel de ciencia de datos y debería trabajar en mejorar mis habilidades de comunicación, narración de datos y otras habilidades suaves. Debería ser capaz de entender mi trabajo realizado en el pasado y los proyectos que he hecho al máximo y podría ser capaz de explicarlos de la mejor manera posible que nadie más.

Su conocimiento no le conseguirá un buen trabajo a menos que usted tiene un buen portafolio que dice mucho sobre usted, lea este artículo si usted está interesado en aprender más sobre la construcción de un buen portafolio para usted!

Si sigo todas las cosas ahora, dentro de un año sería capaz de romper a través de la tecnología ML y Data Science y sería capaz de bolsa de un buen trabajo, lo mismo va para usted mi amigo que caminó a través del viaje completo conmigo a través de este artículo!

Volvamos en el tiempo en 2020 después de un viaje en el tiempo fresco y aprovechemos al máximo el tiempo que tenemos debido a la incertidumbre de la pandemia de COVID para aprender y ser buenos en Machine Learning y Data Science.

¡Consejo de bonificación para ti!

Felicitaciones, si usted todavía está leyendo este artículo hasta ahora, usted es realmente la persona que tiene persistencia y determinación hacia ser un científico de datos y eventualmente se convertiría en uno pronto!

Si usted es un principiante y estaba buscando algo con lo que empezar, espero que haya tenido una imagen clara para elegir y planificar su propia lista de verificación personalizada.

¿Quieres saber más sobre las estadísticas, el aprendizaje automático y la ciencia de los datos?