15 - Ruta de aprendizaje para Ciencia de Datos

Noviembre 14, 2022 por Miguel Sotaquirá

Lección 15 del curso Introducción a la Ciencia de Datos.

Introducción

En la lección anterior hablamos del análisis prescriptivo, que junto con el análisis predictivo, el análisis explicativo y los análisis descriptivo y exploratorio conforman las principales técnicas de análisis que podemos usar en un Proyecto en Ciencia de Datos.

En esta última sección del curso hablaremos de los principales elementos a tener en cuenta para construir nuestra carrera en Ciencia de Datos. Hablaremos de todos los conceptos y herramientas que debemos aprender así como de las habilidades que considero debería tener todo Científico de Datos.

Así que en esta lección nos enfocaremos inicialmente en la ruta de aprendizaje que sugiero para quienes estén interesados en construir una carrera en Ciencia de Datos (la guía en formato PDF puede ser descargada si estás suscrito a la Academia).

El enfoque de aprendizaje

Antes de ver la ruta de aprendizaje sugiero tener en cuenta este enfoque de aprendizaje:

• Entender los elementos conceptuales fundamentales
• Acompañar cada elemento conceptual con un ejemplo práctico de aplicación. De nada sirve entender el concepto si no sé cómo aplicarlo
• Integrar los diferentes conceptos y herramientas aprendidos en un proyecto real lo que permitirá afianzar tanto los conceptos como las herramientas de programación aprendidos anteriormente

La ruta de aprendizaje en detalle

Ahora sí veamos la ruta de aprendizaje sugerida:

1. Panorama general de la Ciencia de Datos (¡este curso precisamente!)
2. Programación y herramientas de software: como lenguaje de programación sugiero Python, pues es más completo que otras alternativas (como R) y permite cubrir las diferentes fases de desarrollo de un proyecto en Ciencia de Datos. Adicionalmente es necesario aprender a usar SQL para todo lo relacionado con el acceso y manipulación de bases datos. En particular se deberían cubrir al menos estos aspectos:
   1. Python básico (tipos de datos, if, while, for, funciones, clases, librería estándar)
   2. Librerías de Python de uso específico: Numpy, Pandas, Scikit-learn, TensorFlow, Pytorch
   3. Web scraping y APIs
   4. SQL
   5. Git y GitHub
3. Visualización de datos:
   1. Técnicas de visualización
   2. Librerías de visualización
4. Probabilidad y estadística, en particular conceptos relacionados con:
   1. Probabilidad, permutaciones y combinaciones, teorema de Bayes
   2. Medidas centrales y de dispersión
   3. Estadística inferencial
5. Álgebra lineal
6. Cálculo:
   1. Funciones básicas: logaritmos, exponenciales
   2. Funciones y representación gráfica de funciones
   3. Derivadas
7. Machine learning
   1. Métodos clásicos
   2. Métodos de Deep Learning
8. Machine Learning Operations (MLOps):
   1. Implementación de aplicativos web usando librerías como FastAPI, Flask o Streamlit
   2. Despliegue, monitoreo y mantenimiento de modelos de Machine Learning tanto en la nube como en dispositivos móviles
9. Proyectos aplicados:
   1. Recolección de datos (scraping y APIs)
   2. Manipulación de datos con SQL
   3. Limpieza de datos
   4. Análisis descriptivo y análisis exploratorio de datos
   5. Análisis predictivo con modelos estadísticos y modelos de Machine Learning
   6. Análisis prescriptivo

Conclusión

Muy bien espero que con lo que les acabo de compartir en esta lección ya tengan una guía completa de la ruta de aprendizaje que sugiero para convertirse en un Científico de Datos.

Varios de estos conceptos y herramientas ya están disponibles en la Academia Online y progresivamente iré publicando todos los cursos que permitirán cubrir la totalidad de esta ruta de aprendizaje.

Y un elemento muy importante a tener en cuenta es que la comprensión de conceptos y la aplicacion de herramientas deben ir de la mano, así que es súper importante poner en práctica todos los conceptos que vayan aprendiendo en el camino, que es precisamente el enfoque de todos los cursos que encontrarán en la Academia.

Pero además de estos conceptos y herramientas que acabo de mencionarles es importante que simultáneamente desarrollen ciertas habilidades necesarias para su labor como futuros Científicos de Datos. Así que en la próxima lección hablaremos en detalle de estas habilidades que considero debe tener cualquier Científico de Datos.

Ver todas las lecciones de este curso