¿Puedo aprender ciencias de datos en 2 meses?

Como usted ha hecho clic en este blog para leer esto, usted puede tener algún conocimiento o interés en la ciencia de datos. Dado que es un campo emergente, la mayoría de ustedes pueden tener curiosidad por aprender sobre él. Pero puede que no tengas idea de cómo empezar y cómo seguir adelante. Aquí está la hoja de ruta completa para que usted aprenda la ciencia de los datos paso a paso (enlaces fuente incluidos).

Estas son algunas de las habilidades blandas más importantes para convertirse en un Data Scientist:

Interés por explorar
Comprensión de los problemas empresariales
Conteo de historias — a partir de datos
Curiosidad en Matemáticas
etc...

Nota: Si sientes que estas habilidades no están dentro de ti, trata de mejorar o siéntase libre de buscar otro campo.

La gran manera de empezar a aprender Ciencia de Datos es haciendo “Python como tu amigo” . Python es uno de los lenguajes de programación más populares debido a su simplicidad y enormes aplicaciones. Debido a su facilidad en la naturaleza, las personas de origen no-CS tienden a amarlo más. Después de aprender python, si usted siente que la ciencia de datos no es su camino, hay muchas oportunidades para usted como el desarrollo de software, etc.

Fuentes para aprender:

Después de aprender los conceptos básicos de Python, puede estar familiarizado con funciones, clases y estructuras de datos. Pero para realizar el análisis de datos, es necesario trabajar con arrays, dataframes, etc. Para hacer más fácil para usted hay algunas bibliotecas de Python disponibles. Las bibliotecas más populares utilizadas en el análisis de datos son Numpy, Pandas y Matplotlib.

Nuppy — proporciona un alto rendimiento matriz multidimensional y herramientas básicas para calcular y manipular estos arrays.

Pandas — proporciona en memoria objeto de tabla 2d llamado Dataframe que se utiliza para manipulación de datos .

Fuentes para aprender:

SQL no es necesario para hacer proyectos personales. Pero en mundo real , las industrias almacenan los datos en forma de SQL. Por lo tanto, aprender a escribir consultas SQL sería más útil en exploración de datos . Puesto que es tan simple, no toma tiempo aprender.

Fuente para aprender:

Entre las tecnologías discutidas, aprender Tableau o Power BI sería más divertido. Porque esas son las herramientas más populares utilizadas en las técnicas de visualización de datos. No te arrepentirás de haberlo aprendido. Nos ayuda a entender los datos más claramente explorándolos.

“............................................................................................................... Tableau, Power BI ”- Interesantes palabras para pronunciar, ¿verdad?

¡Yepp! Es más interesante trabajar con él... Sí, puedo oírte decir que “¿Cuál necesitaba aprender? Tableau o Power BI?”

Hay muchos debates sobre esta cuestión. Y no hay una respuesta discreta para esto. En mi perspectiva, si usted está familiarizado con Microsoft Office componentes a continuación, prueba Power BI. Si realmente necesitas probar nuevo UI , ve con Tableau. Porque tanto Power BI como Tableau pueden realizar todas las acciones básicas. Una vez que usted es bueno con un software, tratar de explorar el otro.

Fuentes para aprender:

La parte más interesante está aquí. A lo largo de este viaje, usted ha aprendido muchas tecnologías utilizadas en la Ciencia de Datos. Pero este es el paso en el que intentarías aprender ‘¿Cómo utilizar esas tecnologías en el análisis de datos?’ Analizar los datos y sacar ideas es mucho más divertido.

Fuente para aprender:

Conceptos matemáticos como la estadística y la probabilidad desempeñan un papel importante en la ciencia de los datos. Finalmente obtuvo una respuesta para nuestro misterio de la escuela secundaria, "¿Dónde vamos a utilizar esos conceptos de matemáticas raros?!"

Fuentes para aprender:

Aunque es posible que haya aprendido algunos conceptos básicos sobre el desarrollo de un modelo de aprendizaje automático en “paso 7 — Análisis de datos utilizando pitón”, es necesario aprender más acerca de algoritmos de aprendizaje automático como “Regresión, clasificación y agrupación”. Primero, trate de entender los conceptos de aprendizaje automático de una manera teórica y luego hacerlo prácticamente usando Python.

Fuentes para aprender:

Después de entender profundamente sobre el aprendizaje automático, trate de saltar en el aprendizaje profundo. Aprende sobre las redes neuronales y cómo funcionan. Tipos de redes neuronales incluyen ANN, CNN y RNN . Visión computarizada y Procesamiento del lenguaje natural son las habilidades más demandadas en la actualidad. Trata de dominar esas habilidades. El aprendizaje profundo nos provoca a hacer más proyectos. Comenzar con el aprendizaje Keras . Debido a que la arquitectura de Keras es más fácil de aprender, es más apreciada para principiantes. Entonces ve con Tensorflow y PyTorch porque esas son las plataformas más populares.

Usted puede obtener más ideas de proyecto de Kaggle . Trate de inscribirse en las competiciones que celebran y resolver esos problemas. También puede recopilar datos a través del “raspado web” y tratar de analizar esos datos para aportar información. Trate de hacer los mismos proyectos usando Machine learning y Deep learning.

¡¡Felicidades!!! Si me has seguido hasta esto, realmente estás teniendo la pasión y la curiosidad de aprender. Si puedo aprender estas habilidades dentro de 2 meses, ¿por qué no puedes? Comente los puntos que he perdido y corrija si me equivoco. Si encuentras alguna otra fuente para aprender estas habilidades, comenta. Trataría de añadirlas también. ¡Crezcamos juntos!