¿Puedo aprender ciencias de datos sin antecedentes matemáticos?

¿Quieres entrar a la fuerza? ciencias de los datos pero no tienen antecedentes en matemáticas? Tal vez usted ha pensado en la ciencia de los datos como una carrera, pero usted está preocupado por las matemáticas necesarias para la ciencia de los datos porque usted piensa que no es una persona de números.

En primer lugar, ¿puede usted En realidad irrumpir en la ciencia de los datos sin una formación en matemáticas o STEM? ¡La respuesta es sí! Mientras que la ciencia de los datos requiere un fuerte conocimiento de las matemáticas, las habilidades matemáticas importantes de la ciencia de los datos puede ser aprendido — incluso si usted no piensa que usted es de mente matemática o ha luchado con las matemáticas en el pasado.

En este post patrocinado con Practicum por Yandex , Vamos a desglosar cuánto matemáticas necesita saber para una carrera en ciencias de datos, cómo se utiliza la matemática en el campo, y cómo aprender los conceptos matemáticos necesarios para el papel.

Practicum by Yandex es un campo de entrenamiento totalmente online para individuos autodirigidos diseñado por una compañía de alta tecnología. Ofrece un apoyo integral de profesionales de datos que pueden ayudar a llenar lagunas en el conocimiento matemático.

Si estás en las primeras etapas de considerar una carrera en ciencia de datos, probablemente tengas un montón de preguntas. ¿Es difícil la ciencia de los datos? ¿Necesitas un título para ser un científico de datos? Y la pregunta más importante para ti a nivel personal: “¿Debería convertirme en un científico de datos?”

¡Cubriremos estos y más abajo! Ten la seguridad. es posible entrar en la ciencia de los datos sin una formación en matemáticas. Aquí están algunos pasos prácticos a tomar para llegar allí.

No me gustan las matemáticas. ¿ Es la ciencia de los datos para mí?

Si no te gustan las matemáticas o la lucha con las estadísticas, la ciencia de los datos todavía puede ser una gran carrera para ti, siempre y cuando estés dispuesto a tomar el tiempo para aprender algunos conceptos matemáticos importantes.

Lo primero que hay que saber es que, como científico de datos, will necesidad de conocer un cierto nivel de matemáticas para la ciencia de los datos. As Practicum por Yandex lo pone : “La matemática es la base de toda la ciencia de los datos”. La matemática de la ciencia de los datos casi siempre será parte de su trabajo, pero ciertas industrias la usarán más que otras.

Por ejemplo, los científicos de datos que trabajan en el mundo académico a menudo practican la ciencia de datos “teórica”, que está mucho más centrada en las matemáticas. Los profesionales de la industria, por otra parte, a menudo practican la ciencia de los datos “práctica”, que a menudo es mucho menos intensa matemáticamente.

Muchas veces, usted sólo tendrá que saber cómo utilizar ciertas herramientas de ciencia de datos, sin necesidad de conocer todas las matemáticas para la ciencia de datos detrás de esas herramientas.

Si ya sabes matemáticas de nivel secundario o estás dispuesto a invertir tiempo en el aprendizaje de conceptos clave, no ser “bueno” o no gustar las matemáticas no debería ser un gran obstáculo. Además, recuerda que nunca es demasiado tarde para ser bueno en matemáticas y desarrollar una pasión por ella.

Anton Eremin, líder de productos de programas de ciencia de datos en Practicum, dice: “No desestimes una carrera en ciencias de datos solo porque no tengas credenciales estelares de matemáticas. Usted necesita una comprensión sólida de una cantidad relativamente modesta de matemáticas avanzadas para ser bueno en la mayoría de los puestos de ciencia de datos junior. Usted puede dominar esa cantidad con un par de meses de valor de la teoría y luego la práctica extensa que proporcionamos en Practicum a lo largo del programa.”

Sin embargo, si realmente no te gustan las matemáticas y no quieres mirar nunca los números o ecuaciones, es posible que desees reconsiderar la búsqueda de este campo. Al final, ¡no hay manera de repasar las matemáticas necesarias para la ciencia de los datos!

Eremin añade: “No pienses que tu carrera de matemáticas terminará cuando te gradúes: la mayoría de los profesionales siguen aprendiendo en el trabajo durante la mayor parte de su carrera y tendrás que hacer lo mismo ”.

¿Cómo se usa la matemática en la ciencia de los datos?

Las matemáticas para la ciencia de los datos se utilizan para ayudar a identificar patrones en los datos, crear y aplicar algoritmos, hacer cálculos, construir modelos predictivos, datos preprocesados, entender datos en un nivel superior y mucho más.

Así que ahora que sabes que la matemática es una parte importante de la ciencia de los datos, ¿cuántas matemáticas se utilizan realmente en la ciencia de los datos?

Dependiendo del papel, es probable que necesite conocer las siguientes habilidades matemáticas de ciencia de datos:

Estadísticas y probabilidad: Muy importante en la ciencia de los datos para hacer estimaciones y predicciones a partir de los datos. También es esencial para aplicar correctamente algoritmos. Este es el tipo de matemáticas que es posiblemente el más importante para la ciencia de los datos, y en la mayoría de los casos, usted necesitará saber este tipo de matemáticas más íntimamente.
álgebra lineal: Una disciplina matemática que involucra vectores, matrices y transformaciones. Muchos modelos de ciencia de datos se implementan usando álgebra lineal.
Cálculo: Suena aterrador, pero no es necesario saber todo sobre cálculo para la ciencia de los datos. Con frecuencia es suficiente comprender los principios fundamentales. El cálculo se utiliza en la ciencia de datos para calcular derivados, minimizar sumas de cuadrados, crear algoritmos, etc.

(No te preocupes si todo esto suena a galimatías, ¡estaremos explicando cómo aprender estos conceptos importantes más adelante en este post!)

Cómo aprender matemáticas para la ciencia de datos

¿Cómo puedes aprender las matemáticas relevantes necesarias para la ciencia de datos? ¿En qué orden deberías aprender matemáticas de ciencias de datos?

El primer consejo es no aprender y estudiar sólo los conceptos estadísticos antes de realizar cualquier trabajo práctico de ciencia de datos. Este enfoque de abajo hacia arriba puede hacer que se sienta desanimado y puede ser sobrecarga matemática.

En su lugar, intente un enfoque de aprendizaje de arriba hacia abajo. Trate de aprender a codificar primero, entender conceptos clave de ciencia de datos, probar la diversión proyectos , entonces el elemento matemático tendrá más sentido en el contexto. As este artículo de Stanford explica: “El profesor Jo Boaler dice que los estudiantes aprenden matemáticas mejor cuando trabajan en problemas que disfrutan, en lugar de ejercicios y ejercicios que temen”.

Cuando se trata de aprender matemáticas para la ciencia de datos, se puede empezar por tomar cursos individuales en temas como álgebra lineal, estadísticas aplicadas, teoría de probabilidad y cálculo. Considere cursos en línea o asistir a una clase en su colegio comunitario local si prefiere aprender en persona.

Lo bueno es que aprender los fundamentos no tardará mucho. Usted puede aprender un montón de principios clave en menos de una hora.

Practicum by Yandex es también una gran opción para aprender toda la gama de habilidades en ciencia de datos. Para aquellos que están preocupados por aprender matemáticas, el equipo de Practicum está creando un curso separado para preparar a los estudiantes antes de tomar una decisión final para comenzar una carrera en ciencias de datos.

Programa de ciencias de datos de Practicum incluye cursos de estadística y álgebra lineal, diseñados para aquellos sin antecedentes estadísticos. Sus programas también enfatizan la aplicación inmediata de lo que los estudiantes aprenden, por lo que no aprenderás matemáticas en el vacío, sino que te enseñan lo que vas a usar, en lugar de enfocarte solo en la teoría compleja.

Eremin dice: “Construimos el programa Practicum data science con personas con antecedentes de escasez de matemáticas en mente. Aprender ciencias de datos y matemáticas fundamentales requeridas es dos trabajos en uno, por lo que nunca es fácil. Sin embargo, encontramos que la gente tiene un tiempo más fácil conseguir sus cabezas alrededor de los conceptos matemáticos cuando usted puede explorar sus aplicaciones de inmediato en ejemplos del mundo real. Y así es como se hace en Practicum: te presentamos los conceptos matemáticos y las fórmulas necesarias, y luego dominas su aplicación a través de casos relevantes del mundo real.”

Aprendizaje automático: Construyendo máquinas inteligentes y algoritmos para ayudar a procesar datos y aprender a medida que avanzan. Echa un vistazo estos 13 cursos de aprendizaje automático y aprender bibliotecas relevantes como Scikit-Learn, XGBoost, PyTorch y LightGBM

También hay habilidades blandas a considerar, incluyendo un apetito por el aprendizaje (ya que la industria está en constante evolución!), comunicación y ser un jugador de equipo, etc. Para conseguir un trabajo increíble, ¡quieres ser una persona con la que la gente quiera trabajar!

¿ Es difícil la ciencia de los datos?

¿Qué tan difícil es la ciencia de los datos? Bueno, es importante empezar diciendo que muy pocas cosas que vale la pena hacer son fáciles. La ciencia de los datos no es una excepción: necesitará determinación y un apetito voraz para aprender a hacerlo en el campo.

Sin embargo, puede ser muy útil tener un programa estructurado como Practicum para guiarte a través de las cosas que necesitas saber. Usted no será puesto a la deriva a empedrar juntos cursos usted mismo: usted sólo tendrá que centrar sus esfuerzos en el éxito en el plan de estudios diseñado para prepararlo!

Esto también nos lleva a la pregunta: ¿necesitas un grado (o Ph.D.) para ser un científico de datos? Como usted puede haber adivinado por ahora, ciertamente no lo hace. La universidad es sólo una opción de lugares para aprender la ciencia de los datos, pero no es el único!

Una vez que haya practicado sus habilidades en proyectos personales, trate de ramificarse ayudando a las empresas locales en su área con la ciencia de datos o análisis de datos proyectos. Por ejemplo, ¿puede ayudar a un restaurante local a ajustar su dotación de personal y existencias para aumentar el ahorro y reducir los residuos?

Intente tomar ajetreos laterales o incluso un trabajo a tiempo completo en funciones adyacentes a la ciencia de datos para aprender habilidades adicionales en el trabajo. Por ejemplo, podrías conseguir un trabajo o un trabajo independiente como analista de datos, analista de productos, analista de marketing de crecimiento, etc.

Ejemplos de personas que irrumpieron en la ciencia de los datos sin antecedentes matemáticos

Con un fondo como mecánico, Jaylen estaba buscando hacer un cambio de carrera - y sus ojos se desviaban hacia el mundo tecnológico. Cuando lo mencionó, la gente que conocía desanimó la idea, diciendo que no tenía un título de matemáticas o antecedentes y que podría ser demasiado difícil para él.

Pero en vez de dejar que se metieran en su cabeza, el objetivo de Jaylen era demostrarse a sí mismo que podía.

“Antes de asistir a Practicum por Yandex, no provenía de un Antecedentes técnicos ni un fondo de matemáticas. Había estado mirando bootcamps durante algún tiempo y se encontró con Practicum. Después de investigar cada uno de los diferentes currículos decidí que la ciencia de los datos es la que más me interesaba. Poco después de comenzar el programa completo descubrí una pasión por la ciencia de los datos que no sabía que tenía. El trabajo fue más allá de las expectativas. Ellos no asumieron que usted tenía conocimiento de todas las matemáticas detrás de algoritmos y no usaron terminología que sólo los matemáticos profesionales sabrían.”

¿Su mejor consejo? No tengas miedo de probar algo nuevo. ¡Súbete y hazlo!

Hijo de trabajadores agrícolas migrantes, Danny creció en una casa sin televisión ni computadora. Nació en San Quintín, pueblo de Baja California Sur, México. Entonces, cuando tenía siete años, sus padres lo llevaron a él y a su hermano menor a California, donde la vida comenzó a cambiar. Sin embargo, la educación nunca fue un foco para él hasta la escuela secundaria, cuando descubrió una pasión por la psicología durante un curso de verano.

Avance rápido a la universidad, cuando Danny se inscribió en el programa de psicología de UC Riverside. Obtuvo una pasantía en la Asociación para el Servicio Público, que incluyó la transcripción de entrevistas con expertos sobre las implicaciones éticas de la IA y su probable impacto en el lugar de trabajo.

AI realmente lo intrigaba, y sabía que la ciencia de los datos era un campo altamente pagado y prometedor. Así que cuando sus pensamientos siguieron a la deriva de nuevo a la pasantía un año después, Danny comenzó a estudiar Python, y luego se inscribió en el programa de Analista de Datos de Practicum.

¿Debo convertirme en un científico de datos?

Si usted está deseando un cambio de carrera y su mente sigue a la deriva de nuevo a la ciencia de los datos, usted se debe a sí mismo para darle una oportunidad. Tal vez sólo se cimenta que realmente no quieres abordar ninguna matemática que no se puede hacer en su calculadora de teléfonos inteligentes - y eso está bien! Pero si despierta una nueva pasión por ti, entonces hazte un favor y inclínate en eso.

Siga el consejo de Eremin: “Concéntrese en ello, dé el primer paso, tierra su primer trabajo y nunca dejar de aprender. Después de un par de años, usted se sorprenderá al ver cuánto ventaja usted ha ganado en sus colegas con un grado de matemáticas.”

¡Oye! Soy el creador de Learn to Code With Me, un blog para principiantes que se enseñan a codificar. Érase una vez, yo era digitalmente poco entendido. Pero ya no. Descubre cómo cambié mi vida por enseñándome habilidades digitales aquí .