5 Errores que cometí al cambiar a la carrera de Ciencia de Datos

5 errores al cambiar a Ciencia de Datos

 

Transicioné de la gestión tecnológica a la ciencia de datos porque me interesaba el aspecto analítico de mi carrera anterior. Incorporar el Internet de las cosas (IoT) en los negocios y utilizar diversas técnicas analíticas para recopilar y analizar datos fue muy valorado en el pasado. Comencé a aprender programación, estadística y múltiples terminologías de datos para dedicarme a la ciencia de datos.

En este blog, compartiré cinco errores que me han costado tiempo y energía. Además, proporcionaré soluciones propuestas para evitar cometer estos errores en el futuro.

 

1. Tomar cursos al azar

 

Intenté aprender ciencia de datos viendo cursos gratuitos al azar en YouTube o Coursera, pero solo me dejó más confundido. Aunque pensaba que entendía lo que estaba aprendiendo, no podía resolver problemas por mí mismo.

Después de tres meses de esto, me di cuenta de que necesitaba un enfoque más estructurado. Por eso decidí tomar la carrera de DataCamp. Este programa incluye todos los cursos necesarios para comprender los conceptos básicos de la ciencia de datos. La carrera también tiene proyectos guiados, ejercicios interactivos y pruebas de evaluación que me han ayudado a ganar más confianza en mis habilidades analíticas.  

Solución: Considera inscribirte en una carrera de pago que ofrezca varios cursos interactivos que cubran conceptos básicos y avanzados. Muchas plataformas educativas de renombre ofrecen esta opción.

 

2. No tomé en serio las matemáticas y la estadística

 

Debes entender la base matemática detrás de los modelos para mantener tu reputación profesional. He experimentado vergüenza en entrevistas de trabajo, reuniones y al crear documentación debido a esto. Recuerdo vívidamente una entrevista en la que un experto me preguntó sobre la ecuación del descenso de gradiente y no pude proporcionar una respuesta. Fue entonces cuando me di cuenta de que necesitaba revisar y fortalecer mi comprensión de los fundamentos estadísticos.  

Solución: Es recomendable tomar un curso de estadística y probabilidad y comprender cómo funcionan matemáticamente los modelos de aprendizaje automático.

 

3. No documentar mi trabajo

 

Aunque he trabajado en varios proyectos y competiciones de Kaggle, no documenté mi progreso y logros. Me llevó un año darme cuenta de la importancia de documentar tanto mi proyecto como mi trayectoria, lo cual puede ayudarme a obtener mejores oportunidades laborales y construir un portafolio más sólido. A posteriori, debería haber compartido mi trayectoria en LinkedIn y VoAGI desde el principio. Hacerlo me habría permitido establecer nuevas conexiones, ampliar mi alcance, mejorar mi portafolio profesional y facilitar la colaboración.

 

Solución: Para mostrar tu proyecto, es mejor compartir los elementos del proyecto y el código en GitHub. También puedes escribir una publicación de blog al respecto en VoAGI y compartirla con el grupo de ciencia de datos de LinkedIn. Esto te ayudará a obtener más exposición.

 

4. Solicité los trabajos equivocados

 

En el pasado, solicité todos los puestos de científico de datos, analista de datos o inteligencia de negocios sin investigar lo que las empresas estaban buscando. Creía que podía hacer la transición a la ciencia de datos sin esfuerzo. Sin embargo, subestimé el amplio conocimiento y las habilidades requeridas para el campo. Para tener éxito, es crucial mantener la humildad, reconocer las lagunas en tus conocimientos y comprometerte con el aprendizaje continuo.

Para tener éxito en la industria, es importante familiarizarte con las prácticas estándar y adquirir habilidades relevantes. Si careces de experiencia, considera buscar pasantías o contribuir a proyectos de código abierto de renombre.   

Solución: Una vez que hayas terminado el curso esencial, concéntrate en construir un portafolio sólido de ciencia de datos. Tómate el tiempo para investigar las expectativas y requisitos laborales, y aprende continuamente nuevas herramientas y habilidades para mejorar tu currículum. Evita solicitar trabajos de inmediato y, en cambio, esfuérzate por comprender completamente lo que los posibles empleadores buscan en un candidato.

 

5. Participar en demasiadas competiciones

 

Después de descubrir algunos trucos sobre el aprendizaje automático, comencé a participar en competiciones en Kaggle. Me volví adicto, incluso me uní a concursos sin conocimientos previos sobre el tema. Me convencí de que estaba aprendiendo nuevas técnicas de otros, pero en realidad solo estaba perdiendo el tiempo. 

Como defensor de aprender aprendizaje automático a través de competencias, debo advertir a los principiantes que ganar es difícil. Aunque estuve cerca y a menudo estuve entre el 1% superior, no agregó ningún valor significativo a mi carrera. En cambio, debería haberme centrado en proyectos del mundo real o buscar experiencia a través de pasantías o empleos.

Solución: No te engañes a ti mismo. Siempre ten en cuenta tus objetivos. En lugar de dispersarte participando en demasiadas competencias, considera centrarte en un proyecto de código abierto complejo, escribir en VoAGI, construir tu portafolio y participar en eventos comunitarios.

Pensamientos Finales

He cometido muchos errores y me han enseñado mucho sobre mí mismo y dónde estoy parado. Lo único que me mantuvo en marcha en tiempos difíciles fue la dedicación y los objetivos claros. Puede que me lleve más tiempo que a otros, pero no iba a rendirme.

Si te sientes desanimado y crees que la tarea es demasiado difícil, te sugiero que explores otras opciones que funcionen para ti. No dejes que nadie te desanime. Sigue intentando y eventualmente encontrarás un sistema que se adapte a ti y te ayude a lograr el trabajo de tus sueños. Además, es crucial trabajar en la creación de tu portafolio de ciencia de datos desde el principio utilizando plataformas como Kaggle, GitHub, DagsHub y Deepnote. Abid Ali Awan (@1abidaliawan) es un profesional certificado en ciencia de datos que ama construir modelos de aprendizaje automático. Actualmente, se está enfocando en la creación de contenido y escribiendo blogs técnicos sobre tecnologías de aprendizaje automático y ciencia de datos. Abid tiene una maestría en Gestión de Tecnología y una licenciatura en Ingeniería de Telecomunicaciones. Su visión es construir un producto de IA utilizando una red neuronal de gráficos para estudiantes que luchan con enfermedades mentales.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Centros de datos en riesgo debido a fallas en el software de gestión de energía

Los investigadores de ciberseguridad en Trellix han identificado vulnerabilidades en aplicaciones comúnmente utilizad...

Inteligencia Artificial

Nueva herramienta para construir y reparar carreteras y puentes Inteligencia Artificial

En Pennsylvania y en otros lugares, se está aplicando la inteligencia artificial a la infraestructura envejecida del ...

Inteligencia Artificial

Algoritmo para la detección y movimiento robótico

Investigadores de la Universidad de California, Los Ángeles formularon un algoritmo que mejora las habilidades de nav...

Inteligencia Artificial

Samet honrado con el Premio ACM SIGSPATIAL al Impacto de por Vida

Hanan Samet fue honrado con el Premio Inaugural al Impacto de toda la Vida de ACM's Special Interest Group on Spatial...

Inteligencia Artificial

Conoce FlexGen un motor de generación de alto rendimiento para ejecutar grandes modelos de lenguaje (LLM) con memoria limitada de GPU.

Recientemente, los modelos de lenguaje grandes (LLMs, por sus siglas en inglés) han mostrado un rendimiento impresion...

Inteligencia Artificial

Fiber Óptica Pantalones Inteligentes Ofrecen una Forma de Bajo Costo para Monitorear Movimientos

Los investigadores han desarrollado pantalones inteligentes de fibra óptica de polímeros que pueden rastrear los movi...