¿Qué entrenamiento necesitas para ser un científico de datos?

La guía profesional de Data Scientist de BrainStation puede ayudarle a dar los primeros pasos hacia una carrera lucrativa en ciencia de datos. La guía ofrece una visión en profundidad de las habilidades de datos que debe aprender, las mejores opciones de capacitación de datos, trayectorias profesionales en la ciencia de datos, cómo convertirse en un científico de datos, y más.

Convertirse en un científico de datos

Hable con un asesor de aprendizaje para obtener más información sobre cómo nuestros campos de entrenamiento y cursos pueden ayudarle a convertirse en un científico de datos.

¡Gracias!

Hay muchas maneras de convertirse en un Científico de datos , pero debido a que generalmente es una posición de alto nivel, los científicos de datos han sido tradicionalmente bien educados, con grados en matemáticas, estadísticas, y ciencias de la computación, entre otros. Sin embargo, esto ha comenzado a cambiar.

1. Desarrollar las habilidades adecuadas en materia de datos

Si usted no tiene ninguna experiencia de trabajo en datos, usted todavía puede convertirse en un Data Scientist, pero usted tendrá que desarrollar el fondo adecuado para trabajar hacia una carrera de ciencia de datos.

Data Scientist es una posición de alto nivel; antes de alcanzar ese grado de especialización, querrá desarrollar una amplia base de conocimientos en un campo asociado. Eso podría ser matemáticas, ingeniería, estadísticas, análisis de datos, programación o TI — algunos científicos de datos incluso han comenzado en finanzas y exploración de béisbol.

Conocimientos relacionados con el científico de datos

Matemáticas
Ingeniería
Programación
Estadística
Análisis de datos
Tecnología de la información

Pero sea cual sea el campo con el que empieces, debería incluir los fundamentos: Python, SQL y Excel . Estas habilidades serán esenciales para trabajar y organizar los datos brutos. No hace daño estar familiarizado con Tableau también, una herramienta que usarás a menudo para crear visualizaciones.

Vigile las oportunidades para ayudarle a empezar a pensar como un científico de datos; cuanto más este fondo le permite trabajar con los datos, más le ayudará con el siguiente paso.

2. Aprenda los fundamentos de la ciencia de los datos

Un curso de ciencias de los datos o un campo de entrenamiento puede ser una forma ideal de adquirir o construir sobre los fundamentos de la ciencia de los datos. Espera aprender cosas esenciales como cómo recopilar y almacenar datos, analizar y modelar datos, y visualizar y presentar datos utilizando todas las herramientas del kit de herramientas de ciencia de datos, incluyendo aplicaciones especializadas como los programas de visualización Tableau y PowerBI, entre otros.

Al final de su entrenamiento, debe ser capaz de usar Python y R para construir modelos que analicen el comportamiento y predigan incógnitas, y ser capaz de reenvasar los datos en formas fáciles de usar.

Muchos puestos de trabajo listan títulos avanzados como un requisito para puestos de Ciencia de Datos. A veces, eso es no negociable, pero a medida que la demanda supera la oferta la prueba está cada vez más en el pudín. Es decir, La evidencia de las habilidades requeridas a menudo supera el mero credencialismo .

Lo más importante para contratar gerentes es la capacidad de demostrar dominio del tema de alguna manera, y cada vez se entiende más que esta demostración no tiene que seguir los canales tradicionales.

Fundamentos de la ciencia de los datos

Recopilación y almacenamiento de datos
Análisis y modelado de datos
Construyendo modelos que predicen incógnitas
Visualización, reenvasado y presentación de datos en formatos fáciles de usar

3. Aprender idiomas clave de programación para la ciencia de los datos

Datos Los científicos confían en una serie de herramientas y programas especializados desarrollados específicamente para la limpieza, análisis y modelado de datos. Además de Excel de propósito general, Data Scientists necesita estar familiarizado con un lenguaje de programación estadística como Python, R, o Hive, y lenguajes de consulta como SQL.

Una de las herramientas más importantes de un Data Scientist es RStudio Server, que admite un entorno de desarrollo para trabajar con R en un servidor. Open-source Jupyter Notebook es otra aplicación popular, que incluye modelado estadístico, datos, funciones de aprendizaje automático, y más.

Idiomas y herramientas clave de programación de la ciencia de los datos

Python

Colmena

SQL

Servidor RStudio

Cuaderno de notas Jupyter

h2o.ai

Tensorflow

Apache Mahout

La ciencia de los datos también implica cada vez más el aprendizaje automático – herramientas que aplican la inteligencia artificial para dar a los sistemas la capacidad de aprender y ser más precisos sin ser explícitamente programados.

Las herramientas utilizadas para el aprendizaje automático dependen en gran medida de la aplicación, es decir, si está entrenando a la computadora para identificar imágenes, por ejemplo, o extraer tendencias de publicaciones en redes sociales.

Dependiendo de sus objetivos, los científicos de datos podrían elegir entre una amplia gama de herramientas como h2o.ai, TensorFlow, Apache Mahout y Accord.Net.

Una vez que hayas aprendido los conceptos básicos de los lenguajes de programación y las herramientas digitales que usan los científicos de datos, puedes empezar a ponerlos a usar, practicar tus habilidades recién adquiridas y construirlas aún más. Trate de asumir proyectos que se basen en una amplia gama de habilidades, utilizando Excel y SQL para administrar y consultar bases de datos, y Python y R para analizar datos utilizando métodos estadísticos, construir modelos que analicen el comportamiento y produzcan nuevas percepciones, y utilizar análisis estadísticos para predecir incógnitas.

Como usted practica, trate de tocar en diferentes etapas del proceso, comenzando con la investigación inicial de una empresa o sector de mercado, a continuación, definir y recoger los datos adecuados para la tarea en cuestión, la limpieza y la prueba de esos datos para optimizar su utilidad.

Consejos para el proyecto de ciencia de datos

Asumir proyectos que demuestren una amplia gama de habilidades y presenten múltiples tipos de datos
Empaque sus datos en imágenes o tableros fáciles de leer, luego practique presentarlos con amigos

Finalmente, puedes crear y aplicar tus propios algoritmos para analizar y modelar esos datos, en última instancia empaquetándolos en gráficos o paneles de control fáciles de leer que permiten a los usuarios interactuar y consultar tus datos de una manera sencilla. Usted puede incluso practicar la presentación de sus hallazgos a otros para mejorar sus habilidades de comunicación.

También querrás practicar el trabajo con diferentes tipos de datos: texto, datos estructurados, imágenes, audio e incluso vídeo. Cada industria utiliza sus propios tipos de datos para ayudar al liderazgo a tomar decisiones mejores y más informadas.

Como científico de datos que trabaja, es probable que se especialice en sólo uno o dos – pero como principiante construyendo su conjunto de habilidades, usted querrá llegar a conocer los fundamentos de tantos tipos como sea posible.

Abordar proyectos más complejos te dará la oportunidad de explorar todas las formas en que se pueden utilizar los datos. Una vez que haya dominado el uso de análisis descriptivos para examinar los datos para los patrones, usted estará en una posición más fuerte para intentar utilizar técnicas estadísticas más complicadas como la minería de datos, el modelado predictivo y el aprendizaje automático para predecir resultados futuros o incluso generar recomendaciones.

Ideas de proyectos de ciencia de datos

Utilice Excel y SQL para administrar y consultar bases de datos
Utilice Python y R para analizar datos utilizando métodos estadísticos
Construir modelos de datos que analicen comportamientos y produzcan nuevas ideas
Utilizar análisis estadísticos para predecir incógnitas

5. Desarrollar visualizaciones y prácticas presentándolos

Usando programas como Tableau, PowerBI, Bokeh, Plotly o Infogram, practica la construcción de tus propias visualizaciones desde cero, encontrando la mejor manera de dejar que los datos hablen por sí mismos.

Programas populares de visualización de datos

Tableau

PowerBI

Plotly

Infograma

Excel

Gráficos de Google

Excel entra en juego incluso durante este paso: aunque la premisa básica detrás de las hojas de cálculo es sencilla – haciendo cálculos o gráficos al correlacionar la información en sus celdas – Excel sigue siendo increíblemente útil después de más de 30 años y es virtualmente inevitable en el campo de la ciencia de datos.

Pero crear hermosas visualizaciones es sólo el principio. Como Data Scientist, también necesitarás ser capaz de usar estas visualizaciones para presentar tus hallazgos a una audiencia en vivo. Estas habilidades de comunicación pueden llegar naturalmente a usted, pero si no, tenga la seguridad de que cualquiera puede mejorar con la práctica. Comience de pequeño, si es necesario – entregando presentaciones a un solo amigo, o incluso a su mascota – antes de pasar a un entorno de grupo.

6. Construya una cartera para mostrar sus habilidades en ciencia de datos

Una vez que haya hecho su investigación preliminar, conseguido el entrenamiento, y practicado sus nuevas habilidades mediante la construcción de una impresionante gama de proyectos, su próximo paso es demostrar esas habilidades mediante el desarrollo de la cartera pulida que le llevará a su trabajo de sueño.

De hecho, su cartera puede ser el contribuyente más importante a su búsqueda de empleo . El Data Science Bootcamp de BrainStation, por ejemplo, está diseñado para ofrecer una experiencia basada en proyectos que ayuda a los estudiantes a construir una impresionante cartera de proyectos completados en el mundo real. Es una de las mejores maneras de destacarse en el mercado laboral.

4 consejos para construir un portafolio de ciencia de datos

Muestra tu trabajo con Github así como un sitio web personal
Muestra una amplia gama de técnicas en tus proyectos
Acompaña tus datos con una narrativa y un contexto convincentes
Resalte algunas piezas clave relacionadas con su rol/empresa preferido

Al solicitar una posición de Data Scientist, considere mostrar su trabajo con GitHub además de (o en lugar de) su propio sitio web. GitHub muestra fácilmente su proceso, trabajo y resultados al mismo tiempo que aumenta su perfil en una red pública. Pero no te detengas ahí.

Su cartera es su oportunidad de mostrar sus habilidades de comunicación y demostrar que usted puede hacer más que simplemente crujir los números.

Es útil mostrar una gama de diferentes técnicas, ya que la ciencia de los datos es un campo bastante amplio, lo que significa que hay muchas maneras de abordar un problema, y una variedad de enfoques que puede traer a la mesa.

Acompaña tus datos con una narrativa convincente y demuestra los problemas que estás trabajando para resolver para que el empleador entienda tu mérito. GitHub le permite mostrar su código dentro de un contexto más amplio, en lugar de en aislamiento, haciendo sus contribuciones más fáciles de entender.

Cuando usted está solicitando un trabajo específico, no incluya todo su cuerpo de trabajo. Resaltar sólo unas pocas piezas que se relacionan más estrechamente con la posición a la que se está aplicando, y que se mejor mostrar su gama de habilidades a lo largo de todo el proceso de ciencia de datos – empezando con un conjunto de datos básicos, definiendo un problema, haciendo una limpieza, construyendo un modelo y, en última instancia, encontrando una solución.

7. Eleva tu perfil

Un proyecto bien ejecutado que consigas por tu cuenta puede ser una gran manera de demostrar tus habilidades e impresionar a los potenciales gerentes de contratación.

Elige algo que realmente te interese, haz una pregunta al respecto y trata de responder a esa pregunta con datos.

Como se mencionó anteriormente, también debe considerar mostrar su trabajo en GitHub.

Convertirse en miembro de una red de ciencia de datos en línea como Kaggle es otra gran manera de demostrar que usted está comprometido con la comunidad, mostrar sus habilidades como un aspirante a Data Scientist, y seguir creciendo tanto su experiencia y su extensión.

8. Aplicar a trabajos relevantes de ciencia de datos

Hay muchos papeles dentro del campo de la ciencia de los datos. Después de adquirir las habilidades esenciales, la gente a menudo se especializa en varios subcampos, tales como: Ingenieros de datos , Analistas de datos , o Ingenieros de aprendizaje automático , entre muchos otros.

Averigüe qué prioridades tiene una empresa, en qué están trabajando, y confirme que se adapta a sus fortalezas, metas y lo que se ve a sí mismo haciendo en la línea. Y asegúrese de mirar más allá de Silicon Valley: ciudades como Boston, Chicago y Nueva York están experimentando una escasez de talento técnico, ¡así que abundan las oportunidades!

Mejores trabajos de ciencia de datos

Debido a que el trabajo de los científicos de datos toca muchas industrias y disciplinas diferentes, los papeles que los científicos de datos pueden llenar van por muchos nombres diferentes, incluyendo:

Científico de datos
Analista de datos
Arquitecto de datos
Ingeniero de datos
Estadístico
Administrador de bases de datos
Analista de Negocios
Gestor de datos y análisis
Ingeniero de aprendizaje automático
Analista cuantitativo

Hay muchas otras variaciones por ahí, y éstas continuarán evolucionando a medida que la ciencia de los datos se vuelva cada vez más frecuente.

Pero mientras que la lista de títulos de trabajo en la ciencia de los datos puede parecer ser interminable, hay cuatro categorías principales que describen los diferentes roles que los científicos de datos suelen desempeñar:

Ingeniero de datos

Los ingenieros de datos recopilan, almacenan y organizan datos. Los anuncios de trabajo para Ingenieros de Datos suelen enumerar una serie de responsabilidades, incluyendo la capacidad de obtener datos externos, construir almacenes de datos y diseñar modelos de datos – tres tareas que también crean una base para el análisis de datos y el aprendizaje automático.

Data Engineer es una posición profesional relativamente avanzada, por lo que normalmente requiere un historial en ciencias de la computación, matemáticas o ingeniería, así como conocimientos de SQL, Python, Java o Ruby, y la capacidad de administrar y diseñar bases de datos.

Analista de datos

Los analistas de datos utilizan los datos organizados y accesibles por el trabajo de un Ingeniero de Datos, convirtiéndolos en información que puede resolver problemas, optimizar productos y ayudar a tomar decisiones basadas en pruebas.

Los analistas de datos pueden tomar información compleja y convertirla en estadísticas que los ejecutivos de negocios pueden utilizar para informar la estrategia y la planificación, a menudo en forma de visualizaciones de datos fáciles de entender como gráficos y gráficos.

Los títulos de trabajo relacionados incluyen Analistas de Investigación de Operaciones y Analistas de Inteligencia de Negocios. SQL es la base de una carrera en análisis de datos, así como el conocimiento de Python o R, y la capacidad de crear visualizaciones de datos utilizando software como Tableau.

Científico de datos

Dependiendo de la empresa, las personas con el título de trabajo de “Data Scientist” podrían hacer el trabajo de un Ingeniero de Datos y Analista de Datos (recopilar, organizar y analizar datos), así como más trabajo de datos estratégicos.

Donde el papel de Data Scientist difiere del papel del Analista e Ingeniero de Datos está en la capacidad del Data Scientist para liderar la estrategia de big data de una empresa haciendo las preguntas correctas y desarrollando nuevas ideas, productos y servicios.

Aquí, el conocimiento de Python, SQL y Tableau son claves, junto con otros lenguajes de programación, una comprensión de cómo se construyen y mantienen las bases de datos, fuertes habilidades de comunicación y perspicacia empresarial.

Ingeniero de aprendizaje automático

Machine Learning Engineers diseña software que puede descubrir ideas y aprender de los resultados a medida que se recopilan más y más datos.

Hay un poco de superposición entre los científicos de datos y los ingenieros de aprendizaje automático; ambos trabajan con datos para producir insights. La diferencia es que los científicos de datos descubren ideas para presentar a la gente (por ejemplo, CEOs y otros líderes empresariales), mientras que los ingenieros de aprendizaje automático diseñan las herramientas que pueden descubrir ideas y generar resultados.

La buena noticia es que casi todas estas posiciones están en gran demanda . Si tienes habilidades y experiencia en ciencia de datos, ya estás en una gran posición cuando se trata de desarrollo profesional y progresión.

¿Es la ciencia de los datos un campo en crecimiento?

Sí, el campo de la ciencia de los datos es uno de los crecimiento más rápido de la tecnología , con más de 2,7 millones de nuevos puestos de trabajo en la previsión de datos que se va a crear.

Este crecimiento también parece que continuará cuando se tiene en cuenta la creciente importancia de las habilidades de datos. Según la Encuesta Digital de Habilidades 2020, el 89 por ciento de los profesionales cree que mejorar las habilidades de datos mejorará el éxito en su organización, y el 78 por ciento cree que la IA es la tecnología que tendrá el mayor impacto en los próximos años.

El 89% de los profesionales cree que mejorar las habilidades de datos mejorará el éxito en su organización.

¿Cuál es el sueldo de un científico de datos?

En 2020, Glassdoor informó que el salario promedio de Data Scientist es 84.000 dólares un año en Canadá y más 113.000 dólares en los EE.UU.

¿Necesita un título para ser científico de datos?

No, usted no necesita un grado específico para ser un científico de datos , pero usted necesita las habilidades duras y suaves adecuadas para ser considerado para un papel en los datos.

Tenga en cuenta que los científicos de datos han sido tradicionalmente muy altamente educados; en el último recuento, 88% tener al menos una maestría, y 46 por ciento tener un doctorado.

Algunas de las vías educativas más comunes para una carrera en ciencias de datos comienzan con una licenciatura en ciencias de la computación, matemáticas o estadísticas.

Pero ese nivel de educación no es un requisito difícil. Una cartera fuerte y un curriculum vitae repletos de todas las habilidades necesarias pueden recorrer un largo camino —especialmente a medida que la demanda de Data Scientifics sigue superando el ritmo al que las universidades pueden producirlos. En última instancia, la manera más segura de convertirse en una Ciencia de Datos es simplemente comenzar a hacer ciencia de datos.

¿Cómo me convierto en un científico de datos sin experiencia?

Incluso si usted tiene Sin experiencia laboral en datos, todavía es posible convertirse en un científico de datos . Pero antes de comenzar a explorar las especializaciones dentro del campo de la ciencia de datos, necesitará desarrollar una amplia base de conocimiento en un campo relacionado. Eso podría ser matemáticas, ingeniería, estadísticas, análisis de datos, programación o TI – algunos científicos de datos incluso han comenzado en finanzas y exploración de béisbol.

Sea cual sea el campo con el que empieces, debe incluir los fundamentos: Python, SQL y Excel. Estas habilidades serán esenciales para trabajar y organizar los datos brutos.

Para pasar de un campo adyacente a la ciencia de los datos en sí mismo, necesitarás adquirir un conjunto específico de habilidades, y la manera más efectiva de hacerlo es inscribiéndote en un curso de ciencias de los datos o en un campo de entrenamiento con un programa de aprendizaje estructurado.

Una educación en ciencia de datos garantiza que cubras todos los aspectos básicos, sin perderte en las malas hierbas de áreas de estudio irrelevantes o anticuadas.

Espera aprender lo esencial de la ciencia de los datos como la recopilación y el análisis de datos, el modelado de datos, la visualización de datos y las herramientas de visualización de datos más utilizadas por los científicos de datos. Al final de su curso de ciencia de datos, usted debe saber cómo usar Python, R, y Hadoop, y cómo construir modelos que analicen el comportamiento, predicen incógnitas, y sean capaces de reenvasar los datos en formas fáciles de usar.

Con entrenamiento de habilidades y una cartera fuerte, puedes empezar a trabajar en establecer tu perfil público como Data Scientist.

Un proyecto bien ejecutado que usted hace por su cuenta es una gran manera de hacer precisamente eso. Elija un tema en el que esté realmente interesado, haga una pregunta al respecto y trate de responder a esa pregunta con datos. Luego, publique su trabajo en GitHub para presentar su proceso, trabajo y hallazgos para destacar sus habilidades técnicas y creatividad en una narrativa convincente.

Cómo obtener un trabajo de ciencia de datos sin experiencia

Desarrollar un conocimiento básico en un campo relacionado, como matemáticas, ingeniería, estadística, análisis de datos, programación o TI
Establecer su perfil de ciencia de datos públicos a través de una cartera fuerte y proyectos publicados en plataformas como Github

¿Cuánto tiempo se tarda en convertirse en un científico de datos?

Usted puede aprender las habilidades necesarias para convertirse en un científico de datos en tan sólo 12 semanas , por lo que se ha vuelto cada vez más común que los científicos de datos neófitos asistan a los campos de entrenamiento de la ciencia de datos, lo que permite un mayor aprendizaje práctico y el desarrollo de habilidades específicas.

El consenso general, sin embargo, es que dada la complejidad y antigüedad del papel, puede tomar años de experiencia antes de convertirse en un buen científico de datos.