E2 - ¿Qué debo aprender para ser un Data Scientist?

Resumen

En este episodio, grabado sin Cris (que está de vacaciones), se discute qué debe saber un Data Scientist y dónde aprenderlo. Se define al Data Scientist como alguien que saca provecho de los datos y usa el método científico, y que necesariamente programa. Se organizan los conocimientos en tres áreas: programación (git, Linux/bash, SQL, nube), matemáticas (álgebra lineal, inferencia, probabilidades, abstracción) y negocio (entender el problema, comunicar, decir que no). Ninguna carrera cubre todo, así que cada uno completa sus vacíos por su cuenta. Para aprender, recomiendan partir de un problema real, leer y modificar código, y usar YouTube y Coursera, además de Udemy y DataCamp según el gusto. Concluyen que un portafolio de proyectos pesa más que un certificado, y que sin programar no se puede hacer ciencia de datos.

Capítulos

• 00:00
  Intro: Que concepto debemos saberCris no participa por estar de vacaciones. Se plantea el tema: qué conceptos debe manejar un Data Scientist y de dónde sacar esos conocimientos (cursos, libros, recomendaciones del público).
• 01:05
  Que es un data scientist y qué hace?Dicen que el nombre es "marketero" y que en esencia es quien le da valor a los datos hasta que le sirven a alguien. Subrayan que es un "científico": plantea hipótesis y las valida con datos. Se recurre a Wikipedia para revisar los pasos del método científico.
• 03:14
  Conceptos relevantes que un Data Scientist debería manejarPara llegar a resultados con datos hay que programar, porque hacerlo "a mano" no es viable. Se piden matemáticas básicas (álgebra lineal) e inferencia estadística. Ninguna carrera cubre todo; hablan de la carrera de ingeniería en ciencia de datos y de gente que llega de astronomía, hidráulica, civil o periodismo. Se comenta que astronomía, estadística y computación son buenos caminos. Se fijan tres áreas: programación, matemáticas y negocio.
• 09:47
  ProgramaciónSe listan git, nociones de Linux y bash, un lenguaje de programación básico (idealmente funcional y orientado a objetos), Excel con macros y SQL. Mencionan el modelo entidad-relación para juzgar si una base de datos está bien hecha y la configuración de un servidor en la nube (capas gratuitas, cuentas, costos).
• 17:14
  NegocioHay que entender qué le importa al negocio y si el problema requiere advanced analytics o basta un ranking o análisis descriptivo. Se valora entregar un MVP rápido antes que un modelo perfecto en siete meses, saber decir que no y explicar que la ciencia de datos no es una caja negra mágica. También se habla de datos que llegan en formatos cambiantes, de comunicación (rapport, empatía, traducir lo técnico), de preguntar siempre y de trabajar en equipo.
• 26:22
  MatemáticasSe agregan abstracción y modelamiento (definir bien la variable objetivo, trabajar con cajas negras). Ojean *The Elements of Statistical Learning* y concluyen que lo base es álgebra lineal y cálculo, ligado a la optimización. Se menciona la visualización (Storytelling with Data). Destacan probabilidades (probabilidad condicional, teorema de Bayes, distribuciones) y su diferencia con la estadística. Terminan con una digresión sobre teoría de la medida.
• 38:07
  Detalle de los puntos de programaciónDiscuten si aprender con cursos estructurados o buscando gratis en internet. Cris prefiere aprender desde una necesidad o problema concreto. Aconsejan tirarse a la piscina con ejemplos pequeños, leer código ajeno y modificarlo, y no tener miedo a googlear siempre. Con el ejemplo del dígito verificador discuten si conviene copiar código o descomponer el algoritmo uno mismo.
• 51:34
  Algunos cursos o materiales interesantesRepasan Coursera (especialización en Data Science de unos 50 USD mensuales), DataCamp, LinkedIn Learning, Udemy y un curso muy caro de otra plataforma, además de YouTube como motor de búsqueda. Opinan que un portafolio vale más que un certificado, aunque el certificado muestra disciplina. Cuentan un mal ejemplo de versionado sin git en una tesis. Mencionan un foro que compara magísteres y la app móvil Enki para practicar Python.
• 01:14:40
  ConclusionesSe puede hacer ciencia de datos sin gustar de programar solo hasta cierto punto: eventualmente hay que programar. Recomiendan YouTube y Coursera como principales, y Udemy o DataCamp según gusto. Rechazan los cursos muy caros. Cierran agradeciendo a quienes participaron en el chat.

Palabras clave