Cómo crear un plan de estudio autodidacta de ciencia de datos de 1 año utilizando la estacionalidad de tu cerebro

Crear plan estudio autodidacta ciencia datos 1 año usando estacionalidad cerebro.

Tu cerebro también tiene temporadas y puedes usarlas para aprender ciencia de datos de manera más eficiente

Foto de Red Zeppelin en Unsplash

Enseñarte a ti mismo ciencia de datos ciertamente puede parecer inalcanzable cuando todo lo que te bombardean en las redes sociales en estos días son historias de cómo las personas se enseñaron a sí mismas ciencia de datos en tres meses y fueron contratadas por una empresa FAANG más rápido de lo que puedes decir “base de datos”.

Cuando ni siquiera puedes hacer que tu programa simple de Python se ejecute sin errores, este tipo de historias pueden ser las más desalentadoras.

En momentos como estos, puede parecer un sueño imposible enseñarte a ti mismo ciencia de datos y comenzar una nueva carrera. También puede parecer un ejercicio inútil cuando has intentado todo en el pasado para enseñarte los conceptos y herramientas que necesitarás para tener éxito, solo para que te rindas en un par de semanas debido a la falta de compromiso, avance o disfrute.

Sin embargo, si hay algo que he aprendido al estudiar de manera autodidacta con éxito durante los últimos cuatro años seguidos, es que el éxito llega cuando finalmente aprendes a trabajar con tu cerebro, en lugar de hacerlo en su contra. Y eso implica aprender a trabajar con la estacionalidad de tu cerebro.

Así es como puedes establecer tu plan de estudio de ciencia de datos de 1 año utilizando la estacionalidad de tu cerebro para maximizar tu potencial de aprendizaje y efectividad.

Tu plan de estudio estacional de 1 año

La funcionalidad del cerebro se ve afectada por la temporada, al igual que por la hora del día. Se estudiaron los ritmos anuales de actividad cerebral en 2016 y se encontró que fluctuaban dependiendo de la temporada. El estudio encontró que el cerebro funcionaba al máximo rendimiento en tareas de atención sostenida durante el verano, pero al mínimo rendimiento en las mismas tareas durante el invierno. Además, el cerebro funcionaba al máximo rendimiento en tareas de memoria de trabajo (la memoria de trabajo se refiere a la memoria necesaria para “planificar, comprender, razonar y resolver problemas”) durante el otoño, pero al mínimo rendimiento en las mismas tareas durante la primavera. Aunque se necesitan más estudios para consolidar estos hallazgos, aún podemos utilizarlos para producir un plan de estudio de ciencia de datos de un año que aproveche al máximo tu cerebro.

Invierno: programación y estructuras de datos

Según el estudio mencionado anteriormente, el invierno es un momento en el que tu cerebro no está exactamente en su mejor momento cuando se trata de tareas de atención sostenida. Sin embargo, eso no significa que no puedas comenzar a trabajar en tutoriales de programación y familiarizarte con bases de datos y estructuras de datos.

Por experiencia, puedo decir que no debes pasar más de tres horas al día aprendiendo a codificar o trabajar con bases de datos. Hay algo en aprender a codificar que se presta mejor a darlo todo en dos o tres horas de conferencias y luego dedicar el resto de tu tiempo a resolver problemas prácticos, que es típicamente donde realmente aprendes.

freeCodeCamp.org

Aprende a programar gratis.

www.youtube.com

Ahora es el momento de comenzar a trabajar en las conferencias de freeCodeCamp para aprender los conceptos básicos de Python (y/o R), SQL y tal vez incluso JavaScript.

Luego, el resto de tu día debería dedicarse a agregar a tus propios proyectos personales o completar preguntas de práctica de Leetcode. El proceso de aplicación de la codificación es donde más aprenderás. Escribir código, encontrarte con errores, aprender a navegar por StackOverflow y hacer correcciones es lo que solidificará los conceptos que aprendiste anteriormente en el día.

Primavera: visualización de datos

Como sugiere el estudio mencionado anteriormente, la primavera es un punto bajo para la memoria de trabajo de tu cerebro, lo que significa que es hora de comenzar a abordar algunos conceptos de visualización de datos e intentar memorizarlos lo mejor que puedas.

La visualización de datos se puede considerar la parte “descanso” del aprendizaje de ciencia de datos y por una buena razón: estás aprendiendo sobre representaciones precisas de datos, tipos de visualización y estética. Sin embargo, no te dejes engañar pensando que estas cosas no son importantes. Todo lo contrario. La visualización de datos es donde cuentas la historia de los datos, así como haces tus predicciones para el futuro.

Querrás trabajar en establecer un flujo de trabajo que se asegure de responder todas las preguntas correctas antes de preparar tu visualización: ¿cuál es el objetivo de tu visualización? ¿quién es tu audiencia? ¿cuánta información necesitas proporcionar en una visualización? ¿cómo puedes utilizar colores y gráficos de manera más efectiva?

Aunque aún no sabes mucho sobre la limpieza de datos (eso vendrá en otoño cuando lo pongas todo junto en tu primer análisis de datos completo), puedes comenzar a visualizar algunos datos prepreparados gracias a las habilidades de programación que desarrollaste en el invierno. Consulta esta lista de conjuntos de datos que puedes usar para comenzar a construir visualizaciones.

Verano: álgebra, estadística, cálculo

Según el estudio mencionado anteriormente, el verano es la temporada óptima de tu cerebro para tareas de atención sostenida. Esto significa que quieres abordar los conceptos más difíciles de ciencia de datos durante el verano. Para la mayoría de las personas, esto significa matemáticas.

Los próximos tres meses son el momento de abrir los libros de texto y ver tutoriales en Youtube para comenzar a dominar los temas de álgebra, estadística y cálculo. Estas tres áreas de matemáticas son las que necesitarás para la mayoría de los trabajos generales de ciencia de datos (los requisitos específicos de la industria pueden requerir niveles más altos de matemáticas, como cálculo multivariable, ecuaciones diferenciales y matemáticas discretas).

Profesor Leonard

Este canal está dedicado a la educación de calidad en matemáticas. ¡Es totalmente GRATIS, así que disfruta! Los videos están organizados en…

www.youtube.com

El profesor Leonard es mi instructor favorito de Youtube para álgebra, estadística y cálculo. Ofrece conferencias universitarias de alta calidad y de larga duración que van desde el precálculo hasta las ecuaciones diferenciales. Mi único arrepentimiento es no haber comenzado a ver sus conferencias antes.

Otoño: poniéndolo todo junto – análisis de datos

El otoño es cuando tu cerebro está funcionando al máximo de su capacidad de memoria de trabajo, lo que significa que es hora de juntar todo lo que has aprendido en el último año y completar tu primer análisis de datos completo.

El análisis de datos sigue los pasos de determinar un objetivo para el análisis, recolectar, limpiar y analizar los datos, y finalmente interpretar los resultados y producir una conclusión. Esto reunirá todo lo que has aprendido previamente, con el objetivo final de que puedas realizar el trabajo de un verdadero científico de datos.

El objetivo aquí no es que seas perfecto. Diablos, has pasado los últimos nueve meses aprendiendo los fundamentos del análisis de datos, eso no es mucho tiempo. En cambio, el objetivo es que pienses metódicamente en los pasos involucrados en el análisis de datos mientras aplicas lo que has podido aprender en el año anterior. Es posible que no tengas todas las respuestas y aún puede haber algunas técnicas que se te escapen para poder producir el mejor análisis posible. Sin embargo, deberías tener las habilidades básicas necesarias para sacar conclusiones perspicaces de los datos con los que estás trabajando.

Pensamientos finales

Es fundamental reiterar mi mensaje desde el principio de este artículo: el objetivo de este plan no es que te enseñes a ti mismo ciencia de datos en un año, sino desarrollar una rutina constante que te permita progresar regularmente en tu programa de aprendizaje de ciencia de datos.

Aunque el plan parece estar diseñado de manera ordenada para que te conviertas en un científico de datos en un año, eso no siempre es así, habrá obstáculos.

En cambio, este plan no es más que una guía para ayudarte a estudiar las materias que necesitas para convertirte en un científico de datos en los mejores momentos del año para aprovechar los altibajos naturales de tu cerebro. Con cada año subsiguiente, puedes estar seguro de que las habilidades están cada vez más arraigadas en tu cerebro, gracias a la estacionalidad de nuestras mentes.

Suscríbete para recibir mis historias directamente en tu bandeja de entrada: Suscripción a historias

Conviértete en miembro para obtener acceso ilimitado a VoAGI utilizando mi enlace de referencia (recibiré una pequeña comisión sin costo adicional para ti): Membresía de VoAGI

Ayuda a financiar la creación de más historias como esta donando para apoyar mi escritura: Donar

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

Mejorando los Modelos de Lenguaje con Indicaciones Analógicas para Mejorar el Razonamiento

En los últimos años, los modelos de lenguaje han demostrado una notable habilidad para entender y generar texto simil...

Ciencia de Datos

vLLM PagedAttention para una inferencia LLM 24 veces más rápida

En este artículo, explico qué es PagedAttention y por qué acelera significativamente la decodificación.

Inteligencia Artificial

¿Cómo afecta la anonimización de imágenes al rendimiento de la visión por computadora? Explorando técnicas de anonimización tradicionales vs. realistas

La anonimización de imágenes implica modificar datos visuales para proteger la privacidad de las personas al obscenec...

Ciencia de Datos

El enemigo invisible de la IA enfrentando el desafío de la materia oscura digital

La materia oscura digital es el resultado de los científicos que toman prestadas técnicas computacionales de la intel...

Inteligencia Artificial

Conoce a GigaGPT la implementación de Cerebras del nanoGPT de Andrei Karpathy que entrena modelos de IA del tamaño de GPT-3 en solo 565 líneas de código.

Entrenar modelos de transformadores grandes presenta desafíos significativos, especialmente cuando se busca modelos c...

Inteligencia Artificial

Esta investigación de IA presenta PERF la transformación Panorámica NeRF que convierte imágenes individuales en escenas 3D explorables.

NeRF significa Neural Radiance Fields, una técnica de aprendizaje profundo para la reconstrucción de escenas en 3D y ...