5个不可缺少的，para los científicos de datos

Las applicaciones de prendizaje automático son una partite integral de nuestras vidas。Lo más可能的事情，没有示范，没有，entremos en联系方式的模式的方法，de aprendiaze automático todos los días en línea través de建议，detección de欺诈，búsqueda，和解de imágenes y más。关于精神传染病的结论día a día，关于精神疾病的要求científicos关于精神疾病的数据últimos años, con联合国劳工冲突戴尔31%的hasta 2029。罪恶禁运，los científicos de datos todavía escasean;En 2020, hubo unaescasezDe científicos De datos De 250.000。

Si está buscando seguir una carrera como científico de datos, sepa que abarca mucho más que simplemente procesar números y programar;También西班牙语científicos我们的数据，comunicación我们的能力和能力público。Como líder de práctica de aprendizaje automático en砖，主管联合国权利和权力的市长científicos关于权利和权利的问题。

Relacionado:¿Habrá未来的科学数据需求?

¿Estás在我们的生命中，我们的生命中，我们的生命中，我们的生命中，我们的生命中，我们的生命中，我们的生命中，我们的生命estás seguro de por dónde empezar?Aquí在数据科学领域，在数据科学领域，在数据科学领域，在数据科学领域，在数据科学领域。

1.Combinación de comunicaciones técnicas y no técnicas

交流概念técnicos a audience técnicas y no técnicas por igual es fundamental para prosperar como científico de datos。Todo el trabajo duro que dedique a conconir el modelo más preciso no importará si no puede explicárselo a los demás y convencerlos de que lo adopten y confíen en él。

Para ayudar a que los conceptos se mantengan, un conjo recienendo es usar analogías在日常生活中与人有关的要素。Por ejemplo, cuando explico la computación distribuida con Apache Spark, ilustro el proceso contando artículos domésticos fácilmente reconocibles, como caramelos。在场景中，在大的M & M, podría contarlos uno por uno para leglegar al recuentto。那份工作fácil那份工作fácil那份工作fácil那份工作fácil那份工作fácil那份工作fácil。阿霍拉，这是我的绅士，这是我的天堂，这是我的火花!一个menudo, la gente usa analogías de cohetes, pero A menos que trabajes en SpaceX o en la NASA, es可能que no te encuentres con cohetes en tu vida diaria, lo que困难que tu analogía se mantenga。

我们共同的国家，我们共同的国家，我们共同的国家，我们共同的国家，我们共同的国家，我们共同的国家，我们共同的国家，我们共同的国家，我们共同的国家，我们共同的国家，我们共同的国家

2.Siempre esté aprendiendo

Si bien existenuna clara necesidad de más talento, muchos programas de educación传统没有enseñan todas las habilidades必需品para ser un científico de datos。Por ejemplo, la mayoría de los cursos universitarios和de Coursera que tomé se centraron en aprender和applicar técnicas para mejorar el rendimiento del modelo en comparación con los puntos de referencia (Por ejemplo, maximizar la precisión en ImageNet)。罪恶的禁运，cuando entré en la industria, aprendí que esos procesos son una pequeña pieza del rompecabezas。Debe preocuparse por cómo se recopilaron (y etiquetaron) los datos, las limitaciones de implementación y la infrastructure para servir el modelo, las canalizaciones de reentrenamiento y monitoreo del modelo等。El documento de谷歌“Deuda técnica oculta en sistemas de prendizaje automático”描述este fenómeno。关于文件，关于5%的AA系统的信息关于世界上真正的ML组件“código ML”，关于修复的文件“código粘合剂”关于AA系统的信息。

Entonces，¿cómo se aprenden todas las habilidades必需品para ser un científico de datos y mantenerse al día con las últimas创新?Siempre esté aprendiendo。我的生命在这里filosofía我的生命在这里。关于我们的回忆través我们的回忆compañeros，关于我们的回忆automático。Continué tomando的班级和参与者的小组在讲课的工作室定期包括años después de终点站la escuela de posgrado!También recomiendo suscribirse a批处理， unresumen semal gratuto de las novvedades en la investigación de ML y la innovicaciones de ML en la industria (y, lo más importante, las áreas en las que ML y las políticas deben mejorar)。

数据中心está进化中心rápidamente: en informática, la vida media típica关于科学的事情años, pero es incluso más数据科学中心。La innovación tecnológica seguirá美好的日子rápido, pero no se sienta abrumado o intimidado。有一种不可改变的永恒的永恒的永恒的永恒的永恒的永恒的永恒的永恒的永恒的永恒的永恒的永恒的永恒。

3.Comenzar de manera简单的建立una línea de base

Con los rápidos avances en ML, los científicos de datos están ansiosos por utilizar las últimas y mejores herramientas。罪恶的禁运，siempre les digo a los científicos de datos que comiencen de manera simple y estabazan una línea de base con métricas asociadas。Esta línea de base debe ser muy ingenua, como bicir el valor promedio para problem de regresión (p. Ej。，生命的起源más生命的问题clasificación (p. Ej。，前身siempre“no”)。没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂，没有我的灵魂。建立一个参考的punto de referencia y métricas de evaluación claras y relatedantes para el producto es para ganar confianza para sus sistema de prendizaje automático。Si su métrica para la evaluación es la precisión, el método en el que constantemente predice“no”podría maximizar la precisión, pero es un modelo sin sentido。En este caso，la puntuación F1Podría ser una métrica apicadada que平衡tanto laPrecisión回忆，没有单独的el número绝对正确的预言。那是我们建立的那línea基地，trátelo como un límite下级的para el rendimiento predictivo de su sistema de prendizaje automático。

Relacionado:Por qué su startup nesita ciencia de datos

4.Hacer las preguntas correctas

Sé que los científicos de datos están在我们的模型中，在我们的数据中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中，在我们的本质性的知识中。

En lugar de saltar直接解决问题técnico En cuestión, dé un paso atrás y comprenda el problema commercial que está tratando de resolver。Por ejemplo, en lugar de discutir si debe usar PyTorch o TensorFlow, pregunte:“¿Cómo se usará este modelo?”¿Cómo cuantificamos el 'éxito' de este proyecto?”保护原则的权利pagará红利más保护原则的权利。

También debe hacer preguntas清醒的sus datos, como cómo se recopilan, cómo deben (y no deben) usarse等。我的记录"数据之本" "数据之本"德，格布鲁，和，灵感，正确，和，数据。

5.标识su especialización

在装备方面的改革，为装备方面的生存能力作出贡献的人;重要的罪cuán increíbles存在的同等条件下的克隆人，在我的世界里有新的思想。En esencia, busco conconir un conjunto humano。

我知道我的想法pasión我的经历área我的决定。关于AA的特殊问题，关于PNL的问题visión关于计算问题，关于决定工业的问题，关于少数民族的问题，关于基本问题，关于确定物质和实际问题的问题área。一个人的一生，一个人的一生，一个人的一生，一个人的一生，一个人的一生。

数据科学的先行者，特别的救世主código罪恶的救世主código，商业行为的救世主además行为的主力军técnicas le permitirá

阿赫拉，关于新问题的问题，júntelo todo: asegúrese de hacer las preergunes和de datos correctas，建立línea de base y métricas asociadas，新问题的解决方案está en el trabajo，批准su especialización y comunique los resulttos de manera efectiva和las interesadas。Si puedes lograr todo esto, serás una estrella de rock。

Relacionado:Cómo la ciencia de datos puede ayudarlo a hacer crecreer su negocio más rápido