CIENTÍFICO DE DATOS – POR DÓNDE EMPEZAR EN 8 PASOS

¿Ansioso por explorar el universo de la Ciencia de Datos y no sabe por dónde empezar? Nosotros le ayudaremos. ¡Hemos preparado una guía que le ayudará a comprender qué hace un Científico de Datos y cómo iniciar su preparación! Compruébelo.

McKinsey Global Institute

Big Data Report 2015

"Para 2018, habrá un déficit de 140 a 190 mil profesionales con habilidades en análisis de datos y más de 1,5 millones de gerentes y analistas que sepan utilizar Big Data de forma efectiva para la toma de decisiones."

Comencemos definiendo qué es un Científico de Datos:

Ellos también son una señal de los tiempos modernos. Los científicos de datos no estaban en el radar hace una década, pero su repentina popularidad refleja cómo las empresas piensan ahora sobre el Big Data. Esta increíble masa de información no estructurada ya no puede ser ignorada ni olvidada. Es una mina de oro virtual que ayuda a aumentar los ingresos – siempre que haya alguien que excave y desentierre insights empresariales que a nadie se le había ocurrido buscar. Entra en escena el Científico de Datos.

Para la comunidad en general, un Científico de Datos es uno de estos “Magos de Datos”, que puede adquirir masas de datos de diversas fuentes y luego limpiar, tratar, organizar y preparar los datos; y, a continuación, explotar sus habilidades en Matemáticas, Estadística y Machine Learning para descubrir insights de negocio ocultos y generar inteligencia.

Los datos utilizados por un Científico de Datos pueden ser tanto estructurados (bases de datos transaccionales de sistemas ERP o CRM, por ejemplo) como no estructurados (correos electrónicos, imágenes, videos o datos de redes sociales). El Científico de Datos crea algoritmos para extraer insights de estos datos. Luego, corresponde al Científico de Datos presentar estos datos de manera que los tomadores de decisiones puedan utilizar el resultado del análisis al definir las estrategias empresariales o incluso para crear nuevos productos o servicios basados en datos.

De acuerdo con Anjul Bhambhri, ex Vicepresidente de Big Data de IBM y actual Vicepresidente de Adobe, el Científico de Datos es el profesional capaz de traer el cambio a una organización a través del análisis de diversas fuentes de datos. Anjul Bhambhri escribe:

No existe una formación única que prepare a los Científicos de Datos, ya que esta es una profesión relativamente nueva. Ha habido mucho debate sobre esto en el ámbito académico (principalmente en los EE. UU.), ya que el mercado necesita profesionales ahora y el tiempo de preparación de un profesional con estas habilidades puede llevar algún tiempo. Por ello, las formaciones técnicas en determinadas áreas pueden ayudar a preparar a estos profesionales.

Con tanta información sobre la profesión de Científico de Datos y su crecimiento exponencial en los últimos años, es fácil perderse ante tantos artículos y materiales con fórmulas mágicas sobre qué camino seguir. Le daré una advertencia: ¡no existe un camino fácil para convertirse en Científico de Datos! Es necesario estudiar, aprender diferentes técnicas y tener un conocimiento interdisciplinario. Por este motivo, los Científicos de Datos son bien remunerados y difíciles de encontrar en el mercado.

A continuación, los 8 pasos que consideramos fundamentales para la preparación de un Científico de Datos:

Paso 1: Realice una autoevaluación

Este es el primer paso y, créame, es fundamental. Usted, como profesional, necesita evaluar el momento actual de su carrera y cómo pretende estar en 5 o 10 años. Si pretende seguir una carrera en Analytics, ya sea como Científico de Datos, Ingeniero de Datos o Analista, necesita comprender cuáles son sus habilidades actuales, a dónde pretende llegar, evaluar las brechas y trazar un plan de acción.

Como no existe una formación académica específica para convertirse en Científico de Datos, este profesional puede provenir de áreas como la Estadística o las Ciencias de la Computación, siendo común encontrar profesionales de otras áreas trabajando como Científicos de Datos (Marketing, Economía, Ciencias Sociales, etc.). Pero independientemente del área de formación, algunas características serán comunes a todos los profesionales que trabajan con Ciencia de Datos:

Programación – El conocimiento de programación es necesario. Lenguajes de programación como R, Python, Julia, Scala, Java son parte del arsenal de herramientas utilizadas en Data Science. Incluso otros paquetes de análisis de datos, como SAS, Matlab, Octave, SPSS e incluso IBM Watson Analytics, requieren conocimientos de programación para extraer lo mejor de cada herramienta. Es la habilidad de programación la que permite al Científico de Datos poner en práctica su creatividad y extraer de los datos respuestas a preguntas que aún no se han hecho. Si ya tiene conocimientos de programación, esto será una ventaja. Si no tiene experiencia en programación, pero tiene una buena noción de los conceptos involucrados en la programación de computadoras, esto ayudará mucho. Evalúe de forma clara su nivel de conocimiento en programación.

Pensamiento Lógico – Los Científicos de Datos utilizan el pensamiento lógico para realizar análisis. La programación requiere lógica. Si ya posee esta habilidad, esto acelerará su aprendizaje en Data Science.

Habilidad con los Números – Las matemáticas son la base de la Ciencia de Datos. La programación de computadoras implica habilidad con los números. Los algoritmos de Machine Learning se basan en conceptos matemáticos. La Estadística, parte fundamental de la Ciencia de Datos, requiere habilidad con los números. Evalúe sus características y, en su autoevaluación, verifique si este elemento será un problema o no.

Conocimiento en Bases de Datos – En diversas fases del proceso de análisis de datos, serán necesarias interacciones con bases de datos. Bases de datos relacionales, Data Warehouses, bases de datos NoSQL, Hadoop, lenguaje SQL. Todas estas tecnologías están directamente vinculadas al trabajo del Científico de Datos y, al menos, su comprensión será un punto que podrá marcar la diferencia. Evalúe si comprende el concepto de base de datos, entiende las diferencias entre bases de datos relacionales y NoSQL, y cómo utilizar el lenguaje SQL para realizar consultas.

A estas alturas, tal vez ya se esté preguntando: ¿cómo pretende que aprenda todo esto? Aquí entra uno de los conceptos mal interpretados sobre la profesión de Científico de Datos. Se cree que este profesional necesita conocer todas las herramientas. Esto no es cierto ni necesario. Elija sus herramientas y especialícese en ellas. Por ejemplo: el conocimiento en lenguaje R y Hadoop le permitirá realizar análisis de grandes volúmenes de datos (Big Data). No necesita conocer todos los lenguajes de programación, así como tampoco tiene que conocer todas las bases de datos. Lo más importante es el pensamiento lógico, eso sí es indispensable (y tal vez ya tenga esta habilidad). La tecnología ofrece herramientas y ninguna de ellas resuelve por sí sola el 100% de los problemas, ya que todas tienen sus limitaciones.

¡Al realizar esta autoevaluación, será posible comprender su nivel actual de conocimiento y comenzar a pensar en el plan de acción!

Paso 2: Prepare su computadora

¿Sorprendido con este paso? Esta es la etapa donde prepara su ambiente de pruebas y no debe ser subestimada. Puede ser frustrante durante su proceso de aprendizaje no contar con el equipo ideal para instalar softwares o ejecutar operaciones que requieren poder computacional.

La Ciencia de Datos es computacionalmente intensa (¡esto no debería ser una novedad para usted!). Por lo tanto, necesita una computadora que le permita procesar sus scripts y aprender sobre análisis de datos. Además, necesitará instalar herramientas, intérpretes, paquetes de oficina, etc. Para trabajar con Ciencia de Datos, nuestra recomendación es una computadora con 8 GB de memoria RAM, con un procesador Intel i5/i7 o equivalente. Naturalmente, ¡cuanto mayor sea la capacidad de su computadora, mejor! También es posible utilizar servicios como Cloud9 o Amazon AWS y configurar un entorno virtual de trabajo.

Sistema Operativo – La decisión de qué sistema operativo utilizar es bastante personal y cualquiera de los 3 sistemas operativos principales (Windows, Mac OS y Linux) cubrirá sus necesidades. De todos modos, podrá instalar máquinas virtuales con otro sistema operativo. Gran parte del framework de Data Science y Big Data fue construída sobre la plataforma Unix. Para un servidor Hadoop o Spark, un servidor Linux es la mejor recomendación. En cambio, para la parte de presentación de datos, Microsoft Office y otras herramientas de visualización pueden depender de un sistema Windows. No hay una regla aquí, pero para usuarios más avanzados, se recomienda un sistema Unix. Para aquellos que se sienten más cómodos con Windows, no hay ningún problema. Utilice Windows como su sistema operativo y, si es necesario, cree una máquina virtual con Linux si desea procesar archivos con Hadoop y/o Spark o realizar otras pruebas. Los principales proveedores de Hadoop (Cloudera, Hortonworks y MapR) ofrecen de forma gratuita máquinas virtuales con Linux y Hadoop, listas para usar en pocos clics. Por otro lado, Microsoft Azure Machine Learning se puede utilizar en línea, por ejemplo. También es posible descargar SAS University Edition, una máquina virtual con Linux y SAS que en pocos segundos le permite utilizar SAS (una de las principales soluciones de Analytics actualmente) para su aprendizaje y de forma totalmente gratuita.

Softwares – Independientemente del lenguaje de programación que elija, necesitará instalar el intérprete y un IDE. Si su elección es R, por ejemplo, además de instalar la lenguaje, podrá instalar RStudio. Lo mismo se aplica a otros lenguajes de programación. Es posible crear sus scripts de Data Science 100% en línea, a través del navegador, utilizando Jupyter Notebook. Pero no siempre podrá estar en línea, y tener sus herramientas instaladas localmente le traerá una serie de ventajas. Además, considere instalar:

– Editores de texto: Sublime, Atom, Notepad++
– Software para Máquinas Virtuales: VirtualBox
– Git y GitHub: para crear su portafolio de proyectos en Data Science
– Suite de Oficina: Microsoft Office, LibreOffice

Con excepción de Microsoft Office, todas las demás herramientas son gratuitas.

Paso 3: Estadística y Matemáticas

Los conocimientos de Estadística y Matemáticas forman parte del paquete esencial para quienes pretenden trabajar como Científicos de Datos. Los modelos estadísticos y los algoritmos de Machine Learning dependen de conocimientos en regresión lineal, regresión múltiple, clustering, Álgebra Lineal, etc. ¿Necesita ser un experto en Estadística o Matemáticas o incluso haber realizado una carrera universitaria en estas áreas? La respuesta es no. Aunque estas áreas permiten una comprensión más amplia, es posible aprender estos conceptos y aplicarlos a lo largo de su camino de aprendizaje en Data Science. No necesita aprender todos los temas relacionados con la Estadística o las Matemáticas.

Existen muchas formas de aprender los conceptos de Estadística y Matemáticas aplicadas y esto lleva tiempo. Para cualquier aspirante a Científico de Datos, la recomendación es aprender Estadística programando, de preferencia en Python o R, de manera que pueda aplicar inmediatamente el concepto aprendido. Por supuesto, nada reemplaza una carrera en Estadística o Matemáticas, pero puede aprender los conceptos que se utilizarán en su día a día en Data Science aplicando estos conceptos a través de un lenguaje de programación. Data Science es un área multidisciplinaria.

¡Al final de este artículo, encontrará algunos recursos recomendados por nuestro equipo de expertos! Analytics

Paso 4: Big Data

El Big Data es la materia prima de la Ciencia de Datos. La profesión de Científico de Datos surgió de la necesidad de crear nuevos métodos de análisis del inmenso volumen de datos que viene creciendo exponencialmente. Las técnicas analíticas existen desde hace muchas décadas (tal vez siglos), pero nunca en la historia de la humanidad se habían generado tantos datos como en la actualidad. Se necesitan nuevas formas de recolección, almacenamiento y análisis de datos, y el Big Data está revolucionando el mundo actual, ya que con tantos datos a nuestra disposición, podemos tomar decisiones en tiempo real y esto genera un impacto directo en la vida de todos nosotros.

El Científico de Datos consumirá Big Data, es decir, utilizará el Big Data como materia prima, aplicará diversas técnicas y obtendrá insights. Sin embargo, la responsabilidad de recolectar y almacenar los datos normalmente recae en el Ingeniero de Datos. La creación de clusters Hadoop, el streaming de datos con Spark y la integración entre diferentes fuentes de datos son atribuciones nuevas y normalmente ejercidas por Ingenieros de Datos. Pero es importante que el Científico de Datos conozca bien cómo funciona la infraestructura que almacena los datos que serán analizados, ya que esto puede marcar la diferencia al momento de analizar 1 billón de registros, por ejemplo.

Hadoop – Hadoop se está convirtiendo en el corazón de la infraestructura de Big Data, lo que revolucionará el sistema tradicional de almacenamiento en bases de datos tal como lo conocemos hoy. Además de ser gratuito, Hadoop fue creado para ser utilizado en hardware de bajo costo, una combinación esencial para las empresas que buscan reducir sus costos de infraestructura de TI y al mismo tiempo capitalizar los beneficios del Big Data.

Spark – Spark es un proyecto open source, mantenido por una comunidad de desarrolladores, que fue creado en 2009 en la Universidad de California, Berkeley. Spark fue concebido con el principal objetivo de ser veloz, tanto en el procesamiento de consultas como de algoritmos, además de contar con procesamiento en memoria y una eficiente recuperación ante fallas. Actualmente es uno de los temas más candentes en Data Science y viene ganando mucha popularidad.

Bases de Datos NoSQL – Las bases de datos tradicionales RDBMS (Relational Database Management Systems) no fueron diseñadas para manejar grandes cantidades de datos (Big Data). Las bases de datos tradicionales fueron diseñadas únicamente para manejar conjuntos de datos que puedan ser almacenados en filas y columnas y, por lo tanto, puedan ser consultados mediante el uso de consultas utilizando el lenguaje SQL (Structured Query Language). Las bases de datos relacionales no son capaces de manejar datos no estructurados o semiestructurados. Es decir, las bases de datos relacionales simplemente no poseen las funcionalidades necesarias para cumplir con los requisitos del Big Data, con datos generados en gran volumen y alta velocidad. Esta es la brecha que llenan las bases de datos NoSQL, como MongoDB por ejemplo. Las bases de datos NoSQL son bases de datos distribuidas y no relacionales, que fueron diseñadas para cumplir con los requerimientos de este nuevo mundo de datos en el que vivimos.

Bases de Datos Relacionales y Data Warehouses – En las últimas décadas, todos los datos corporativos han sido almacenados en bases de datos relacionales y las soluciones de Business Intelligence utilizaron Data Warehouses para crear soluciones analíticas. Estos datos estructurados serán la fuente de datos para Data Science, de ahí la importancia del conocimiento del lenguaje SQL, el lenguaje estándar para consultar este tipo de datos.

Como Científico de Datos, ¿necesita ser un experto en todas las tecnologías? No. Pero parte del trabajo del Científico de Datos será recolectar datos del HDFS (Hadoop File System), crear RDDs en Spark, aplicar algoritmos de Machine Learning en streaming de datos, cruzar datos no estructurados recolectados de redes sociales con bases de datos de CRM, etc. Por lo tanto, el Científico de Datos debe sentirse cómodo con la forma en que los datos están almacenados y extraer de la tecnología lo mejor que esta pueda ofrecer.

Paso 5: Lenguaje de Programación y Machine Learning

Existen diversas herramientas de análisis y el número de soluciones no para de crecer. Pero la recomendación para quien está iniciando es obtener el conocimiento básico antes de intentar usar herramientas de análisis o paquetes comerciales, a fin de lograr extraer lo mejor de estas herramientas. Algunos lenguajes de programación se han convertido en íconos en la Ciencia de Datos, como Python y R, por diversas razones: son gratuitos, cuentan con una comunidad activa y creciente, ya han superado el período de maduración, son ampliamente utilizados tanto en el ámbito académico como en el empresarial y se han especializado en Data Science.

Python – Es un lenguaje de uso general que ha recibido en los últimos años más y más módulos y paquetes para Data Science como Pandas, Matplotlib, Scikit-Learn y StatsModels. Python es más fácil de aprender en comparación con otros lenguajes, tiene una comunidad activa, mucha documentación disponible (incluso en español) y puede ser utilizado para otras actividades además de Data Science.

Lenguaje R – Lenguaje estadístico que existe desde hace más de 30 años. Su capacidad para procesar estadísticas de grandes volúmenes de datos y crear gráficos sofisticados hizo que gigantes del mercado tecnológico, como Oracle y Microsoft, adoptaran R como lenguaje estándar para análisis estadísticos. Uno de los problemas más comunes que las personas enfrentan al aprender R es la falta de una guía. Las personas no saben por dónde empezar, cómo proceder ni qué camino seguir. Hay una sobrecarga de buenos recursos gratuitos disponibles en Internet y esto hace que el camino de aprendizaje sea mucho más tortuoso.

Por ejemplo: la plataforma de Aprendizaje Automático de Microsoft (Microsoft Azure Machine Learning) posee una serie de módulos de Python y R listos para usar. El conocimiento de al menos uno de estos lenguajes es fundamental.

Otros lenguajes como Julia, Scala y Java también son muy utilizados en Data Science, pero si está comenzando, opte por los lenguajes R o Python. Estos lenguajes le permitirán tener una base sólida, haciendo que el profesional avance hacia soluciones comerciales como SAS, Microsoft Azure Machine Learning, Oracle Advanced Analytics, Microstrategy, SAP Predictive Analytics, Tibco Analytics, entre otros.

Si ya posee conocimientos en Matlab, Octave, Stata o Minitab, sepa que su conocimiento ya puede ser utilizado en Data Science.

Un consejo importante: ¡no intente aprender todo! Seleccione 2 o 3 herramientas y dedíquese al aprendizaje de ellas de forma detallada.

Y, por supuesto, no se puede hablar de Data Science sin hablar de Machine Learning.

Machine Learning (o Aprendizaje Automático) es una de las tecnologías actuales más fascinantes. Probablemente usted utiliza algoritmos de aprendizaje varias veces al día sin saberlo. Siempre que utiliza un buscador como “Google” o “Bing”, una de las razones por las que funcionan tan bien es un algoritmo de aprendizaje. Un algoritmo implementado por “Google” aprendió a clasificar páginas web. Cada vez que utiliza la aplicación para “etiquetar” personas en las fotos de “Facebook” y esta reconoce las fotos de sus amigos, esto también es Machine Learning. Cada vez que el filtro de spam de su correo electrónico filtra toneladas de mensajes no deseados, esto también es un algoritmo de aprendizaje.

Algunas razones para el crecimiento del Machine Learning son el crecimiento de la web y de la automatización. Esto significa que tenemos conjuntos de datos más grandes que nunca. Por ejemplo, muchas empresas están recolectando datos de clics en la web, también llamados datos de “clickstream”, y están creando algoritmos para minar esos datos y generar sistemas de recomendación que “aprenden” sobre los usuarios y ofrecen productos que muy probablemente estén buscando. Netflix es uno de los ejemplos más exitosos de aplicación de Machine Learning. Cada vez que ve una película o realiza una calificación, el sistema “aprende” su gusto y pasa a ofrecer películas de forma personalizada para cada usuario.

Existen diversos algoritmos de aprendizaje automático, dependiendo de si el aprendizaje es supervisado o no supervisado, tales como: Linear Regression, Ordinary Least Squares Regression (OLSR), Logistic Regression, Classification and Regression Tree (CART), Naive Bayes, Gaussian Naive Bayes, k-Nearest Neighbour (kNN), k-Means, Bootstrapped Aggregation (Bagging), Natural Language Processing (NLP), Principal Component Analysis (PCA), Principal Component Regression (PCR), Back-Propagation y mucho más.

Cada algoritmo será ideal para determinado tipo de dato y de acuerdo con el análisis pretendido. No hay necesidad de aprender todos los algoritmos. Pero es importante comprender los conceptos y cómo implementarlos. De ahí la importancia de las Matemáticas y la Estadística. Revise los consejos al final del artículo.

Paso 6: Conocimiento de Negocios

¿Cuál es el objetivo de su análisis? ¿Para qué va a recolectar montañas de datos y aplicar modelos de análisis? ¿Qué problema pretende resolver analizando datos? El principal objetivo de la Ciencia de Datos es resolver problemas. Las empresas no iniciarán un proyecto de Data Science si esto no es relevante para el negocio. Por lo tanto, el Científico de Datos debe estar familiarizado con el área de negocio para la cual está iniciando un proyecto utilizando Data Science.

Normalmente el mercado interpreta de forma equivocada este requerimiento para la profesión de Científico de Datos, haciendo creer que el profesional necesita ser un experto en un determinado segmento de negocio. Pero aquí vale la pena hacer algunas consideraciones importantes. Primero, los profesionales de Business Intelligence siempre han tenido este requerimiento: conocer bien un área de negocio a fin de recolectar los KPIs (indicadores) y con ello proveer soluciones de BI que atendieran las necesidades del cliente. Esto no ha cambiado; lo que cambió fue la forma en que se realiza el análisis, una vez que el Big Data entró en la ecuación. En segundo lugar, dada la amplitud de los proyectos de Data Science y Big Data, difícilmente habrá un único profesional actuando, sino un equipo de Data Science, normalmente liderado por el Científico de Datos. Y en el Data Science Team actuarán diferentes perfiles, como por ejemplo especialistas en segmentos de negocio.

El consejo aquí es simple. Procure comprender el área de negocio en la que pretende desempeñarse como Científico de Datos. Si va a trabajar en una empresa minera, por ejemplo, ¿cuáles son los principales indicadores? ¿De dónde provienen los datos? ¿Qué problemas necesita resolver la empresa? ¿Qué tipos de datos deben ser analizados y correlacionados? ¿Cómo se pueden emplear las técnicas de Machine Learning para mejorar la facturación de la empresa? ¿Cómo permite el análisis de datos ofrecer un mejor servicio a los clientes? Cada área de negocio tiene sus particularidades y una comprensión amplia de esto permitirá un trabajo que realmente genere valor.

Paso 7: Técnicas de Presentación y Visualización de Datos

Con la masiva cantidad de datos aumentando cada día, surge un gran desafío para aquellos responsables de analizar, resumir y presentar los datos: lograr que la información generada pueda ser fácilmente comprendida.

Y una de las tareas más importantes del trabajo del Científico de Datos es ser capaz de transmitir todo aquello que los datos quieren decir. Y a veces los datos quieren decir cosas diferentes para públicos diferentes. Puede parecer fácil al principio. Hoy tenemos a nuestra disposición los más variados recursos para la presentación y es exactamente ahí donde radica el desafío. Nunca ha sido tan fácil generar tablas y gráficos con diferentes estructuras, formatos, tamaños, colores y fuentes. Los gráficos están dejando de ser gráficos y se están convirtiendo en infografías. Tener un volumen cada vez mayor de datos a nuestra disposición no facilita la presentación de la información generada. Al contrario, hace que la tarea sea más complicada. Casi un arte.

Una de las tareas del Científico de Datos es presentar sus resultados. Nadie mejor que el profesional que realiza el análisis, desde la recolección, limpieza y almacenamiento de los datos, hasta la aplicación de modelos estadísticos, para explicar sus resultados. Una visualización efectiva de datos puede ser la diferencia entre el éxito y el fracaso en las decisiones de negocio. Particularmente, creo que pronto la capacidad de comunicar y contar las historias de los datos será una de las características más valoradas y buscadas por las empresas. Las técnicas de presentación son una de las habilidades que marcarán la diferencia a la hora de contratar a un Científico de Datos, a medida que el conocimiento técnico se difunda.

El Científico de Datos debe ser un contador de historias (storyteller) y debe ser capaz de contar la misma historia de maneras diferentes. El profesional que sea capaz de unir las habilidades técnicas necesarias para el análisis de datos con la capacidad de contar historias será un profesional único. Este es el verdadero concepto de unicornio atribuido a los Científicos de Datos.

Diversas herramientas poseen funcionalidades avanzadas para la visualización de datos: Pentaho, Tableau, QlikView, Microsoft Excel, Microsoft Power BI, Microstrategy, Weka, NetworkX, Gephi, bibliotecas de JavaScript (D3.js, Chart.js, Dygraphs), además de visualizaciones de alto nivel que se pueden realizar en Python o R.

Es importante no solo estar familiarizado con una o más herramientas para visualizar datos, sino también con los principios detrás de la codificación visual de datos y la comunicación de información.

Paso 8: ¡¡Practique!!

No hay otra forma de aprender, sea cual sea el tema. Es necesario practicar, probar, experimentar, cometer errores, aprender de ellos, probar nuevamente e interactuar con la comunidad.

Uf. Si ha llegado hasta aquí, ¡felicitaciones! ¿Ahora comprende mejor por qué el Científico de Datos es una profesión en ascenso y por qué su remuneración se encuentra entre las más altas en cualquier encuesta que se realice? Pero aún no hemos terminado, continúe su lectura:

Errores que deben evitarse a lo largo del camino:

1- Pensar que el aprendizaje es fácil y rápido – En ninguna profesión el aprendizaje es rápido y fácil. Adquirir conocimiento y experiencia requiere tiempo, esfuerzo, inversión y mucha dedicación. No caiga en esta trampa. Comience su preparación hoy mismo, pero sea consciente de que adquirir conocimiento lleva tiempo.

2- Aprender demasiados conceptos al mismo tiempo – Este es el error más común. Al tratarse de un área interdisciplinaria, normalmente existe la tendencia a querer aprender muchas cosas al mismo tiempo. No se enfoque en la cantidad, sino en la calidad. Aprenda un concepto, consolídelo, practíquelo y solo entonces avance hacia otra área de estudio. El comienzo será más difícil, pero a medida que aprende y adquiere experiencia, el aprendizaje de nuevas herramientas se vuelve más fácil.

3- Comenzar con problemas muy complejos – La resolución de problemas más complejos en Data Science requiere tiempo y experiencia. No intente hacer esto al comienzo de su camino.

4- Enfocarse solo en la programación – Data Science no es solo programación. Otros conceptos son igual de importantes. La estadística es importante. La visualización de datos y la presentación son importantes. Mantenga su enfoque en otras áreas y no solo en la programación.

¿Y cómo estudiar?

Antes de invertir en formación analítica, tome estas medidas para asegurarse de obtener el valor real de su inversión.

1. Defina sus metas. Como dice el refrán: “¡Quien no sabe a dónde va, cualquier camino le sirve!”. ¿Realizó la autoevaluación sugerida al inicio del texto? ¿Cuál fue el resultado? ¿Cuáles son las áreas a las que necesita dedicarse? ¿Cómo será su disponibilidad? ¿Cuál es su objetivo? Sé que son muchas preguntas, pero deben ser respondidas antes de definir su ruta de aprendizaje.

2. Participe en comunidades. Los Científicos de Datos suelen reunirse en Meetups y en algunos blogs (enlaces a continuación). Estas comunidades permitirán el intercambio de experiencias y esto es muy valioso.

3. Experimente. Mientras no ejecute un algoritmo de aprendizaje automático en un conjunto de datos con millones de registros, no cree un algoritmo de limpieza y transformación de datos, o no recolecte streaming de datos de redes sociales, no comprenderá cómo funcionan las cosas. ¡Experimente! Aprenda, haga, equivoquese, hágalo de nuevo y, cuando menos lo espere, será capaz de analizar datos y contribuir a la empresa donde trabaja o a su propio negocio.

Use la información que ha recopilado para seleccionar opciones de capacitación que le ayuden a alcanzar sus objetivos, sin perder tiempo ni dinero.

El conocimiento en Ciencia de Datos requiere tiempo y dedicación. La capacitación que elija debe ser una mezcla de fundamentación teórica con práctica y experimentación.

Recursos

Existen muchos recursos disponibles para aprender Data Science y tantos recursos terminan generando una sobrecarga en los principiantes, quienes pueden perder el enfoque. Hemos seleccionado aquí una lista con las que consideramos las mejores fuentes de aprendizaje en Data Science.

Blogs:

Data Science Central: http://www.datasciencecentral.com
KDD Nuggets: http://www.kdnuggets.com
Artículos sobre R: http://www.r-bloggers.com
Python Brasil: http://python.org.br

Estadística:

Statistics: http://www.statistics.com
Simply Statistics: http://simplystatistics.org

Machine Learning:

Machine Learning Coursera: https://www.coursera.org/learn/machine-learning
Deep Learning: http://deeplearning.net/
Deep Learning Book: http://www.deeplearningbook.com.br

Videos y Competiciones:

Top 10 TED Talks for Data Scientists: http://www.kdnuggets.com/2016/02/top-10-tedtalks-data-scientists.html
Data Science for Social Goods: http://dssg.uchicago.edu
Kaggle: https://www.kaggle.com
Data Science Game: http://www.datasciencegame.com

Capacitación:

Data Science from Harvard: http://cs109.github.io/2014
Visualización de Datos: https://columbiadatascience.com/category/course-topics/data-visualization
Open Data Science Master: http://datasciencemasters.org
Big Data y Social Analytics MIT: http://getsmarter.mit.edu/big-data-and-social-analytics-course-aw
Metis Data Science: http://www.thisismetis.com
Zipfian Academy: http://www.zipfianacademy.com
e-Setorial Business Analytics: http://www.e-setorial.com.br/servicos