Cómo agilizar su viaje de aprendizaje de ciencia de datos

Cuando se trata de dominar temas complejos en ciencia de datos o aprendizaje automático, dos cosas generalmente son ciertas: no hay atajos reales y el ritmo de aprendizaje de las personas puede variar drásticamente. Sin embargo, incluso con estas restricciones, hay formas de hacer que el proceso sea más eficiente y de lograr las metas que nos hemos fijado dentro de un plazo razonable.

Los artículos que destacamos esta semana ofrecen enfoques pragmáticos que los científicos de datos pueden aplicar a lo largo de su viaje de aprendizaje, independientemente de su nivel de experiencia o etapa profesional. Si está buscando trucos de estudio y trucos para resolver problemas que puedan encajar en un tweet, es probable que se sienta decepcionado (ver arriba: ¡no hay atajos!). En cambio, el enfoque aquí es desarrollar mejores hábitos, crear flujos de trabajo sólidos de recopilación de información y maximizar el conocimiento que ya posee.

• Las lecciones de un cambio de carrera . Después de trabajar como físico láser durante varios años, Kirill Lepchenkov decidió convertirse en científico de datos de la industria, y su publicación sobre la adaptación de un conjunto de habilidades existente a un nuevo rol es particularmente útil para otros que estén considerando una transición de la academia a la industria. Sin embargo, sus conocimientos sobre la transferencia de habilidades son aplicables para cualquier profesional de datos que necesite cerrar una brecha de conocimiento importante para avanzar en su carrera.
• Desarrollar un sistema sólido de retención de información . Con largas listas de algoritmos, fórmulas y bibliotecas de Python para navegar, los estudiantes de ciencia de datos a veces pueden sentir que están perdidos en un bosque oscuro e impenetrable (al azar o no). Madison Hunter está aquí para ayudarlo con una hoja de ruta práctica de seis pasos para organizar sus notas de estudio, y puede refinarla y personalizarla según el tema en particular.

• Encuentre el camino de aprendizaje que funcione para usted . Así como hay múltiples formas de abordar áreas específicas dentro de la ciencia de datos y el aprendizaje automático, encontrará innumerables opiniones sobre la secuencia correcta a seguir a medida que avanza de un tema al siguiente. La nueva publicación de Cassie Kozyrkov presenta una opción convincente y modular, basada en su profundo archivo de tutoriales y explicaciones.
• No hay nada de malo en que te tomen de la mano . Si no es un aprendiz de elegir su propia aventura y es más probable que se beneficie de un enfoque estructurado y acumulativo, elplan de estudios detallado de aprendizaje automático de Angela Shi es uno que no debe perderse: clasifica los algoritmos en tres categorías. , y brinda consejos claros sobre qué elementos priorizar.

• ¡Ya está disponible nuestra última edición mensual! No te pierdas esta colección de fascinantes artículos sobre los datos de los espacios urbanos .
• ¿A quién no le gusta un tutorial de proyecto divertido (y útil)? Jacob Marcas, Ph.D. El artículo debut de TDS detalla el proceso de convertir la documentación difícil de manejar de su empresa en una base de datos accesible y con capacidad de búsqueda.
• Después de un año como director de ciencia de datos en una empresa no tecnológica, CJ Sullivan comparte una nueva serie de conocimientos sobre contratación, presupuesto y comunicación entre equipos.
• Si no pudo asistir a PyCon DE en Berlín el mes pasado, el artículo de Mary Newhauser lo ayudará a mantenerse actualizado con algunas de las charlas más interesantes y estimulantes .
• Para completar su perspectiva global sobre el ecosistema de Python , lea las conclusiones de Leah Berg y Ray McLendon de la edición estadounidense de PyCon, que también tuvo lugar en abril.

Hasta la próxima Variable,

Editores de TDS