E74 - Descubriendo Temas de Data Science en Medium y Reddit

Resumen

El episodio explora cómo los presentadores descubren temas de ciencia de datos en dos plataformas: Medium (blogs, con membresía de pago que remunera a los autores) y Reddit (foros organizados en subreddits). Se hace en vivo y sin preparación: se revisan artículos del feed de Medium (model collapse, creación de apps web con IA generativa, Adam, optimización no lineal) y se usa ChatGPT para resumirlos rápidamente. Se recomienda una mentalidad "top-down" en la vida laboral: conocer de forma general lo que existe y profundizar solo en lo que reaparece o es relevante, dejando el estudio paso a paso para la universidad. En Reddit se destaca la utilidad de los comentarios ordenados por votos, las experiencias reales de otros profesionales y el truco de buscar en Google con "site:reddit.com". También se comentan el "enshitification" de las plataformas ante una IPO, se recomiendan varios subreddits y se aclara la diferencia entre ingeniero de datos, científico de datos y ML engineer.

Capítulos

• 00:00
  IntroPresentan el episodio 74: una transmisión no preparada para explorar Medium y Reddit, similar a la que hicieron sobre artículos de LinkedIn. Buscan detectar qué es relevante frente a spam y clickbait.
• 01:06
  Qué es MediumMedium es una plataforma de blogs donde se escriben artículos de ciencia de datos y otros temas. Hay cuenta gratuita con acceso limitado a artículos Premium (con estrella) y membresía de pago (mencionan unos 6 al mes y 50 al año) que remunera a los autores; nadie conocido vive solo de Medium y sirve sobre todo para visibilidad y portafolio.
• 06:05
  Comentarios del públicoReaccionan a comentarios del chat sobre pagar Medium y sobre los quintiles de ingreso. Argumentan que pagar suscripciones ayuda a financiar a los creadores y evita depender de publicidad patrocinada.
• 09:10
  Leyendo títulos random de artículosRepasan títulos del feed: GPU para inferencia de LLM, Mistral 7B vs Llama 70B, sesgo en modelos, el rol de la estadística y Streamlit con GPT. Además comentan que estudian el optimizador Adam (adaptive moment estimation, momentos de primer y segundo orden) para unas clases.
• 11:59
  Model collapse: When AI eats itselfRevisan un artículo clickbait y miran tiempo de lectura, aplausos y comentarios; mencionan la función de escuchar el artículo y extensiones de lectura en voz alta. Un resumen de ChatGPT indica que entrenar con datos generados por IA degrada los modelos y que conviene usar datos de humanos y datasets curados; discuten que curar mejor los datos mejora los LLM.
• 15:00
  Mentalidad top-downRecomiendan conocer en general lo que existe y profundizar después, en vez de volverse expertos en regresión lineal antes de ver árboles de decisión. Los libros y el estudio ordenado son ideales en la universidad, pero en la vida laboral falta tiempo.
• 20:33
  From Data Scientist to AI DeveloperRevisan un artículo con consejos técnicos para una app web de IA generativa: Next.js sobre React, Tailwind CSS en vez de Bootstrap, FastAPI sobre Flask, TypeScript, Modal y Vercel, Firebase y Stripe, Sentry. Explican que construyen un "grafo de conocimiento" de lo que aparece repetidamente y lo buscan, y cuentan cómo ayudaron a un compañero a elegir herramientas (Lambda, Fargate, Docker).
• 29:40
  Buscando en el momento sobre optimización no linealBuscan en Medium una librería de Python para un problema de optimización no lineal, y encuentran un artículo de unos 4 minutos con scipy `minimize`. Concluyen que no les sirve para un problema con millones de restricciones.
• 32:37
  MemesReflexionan que Medium sirve para la fase de exploración y para tener una idea general, aunque abundan artículos superficiales y los tutoriales por partes son lo más útil. Comentan un meme sobre ingenieros de datos con Power BI y Excel, el `console.log` y el `print`, y debaten herramientas para redactar documentos (LaTeX, Quarto/Markdown, Confluence, Notion, README en GitHub).
• 44:12
  Explorando sub-redditsPasan a Reddit: el subreddit de Data Science tiene 1,3 millones de miembros. Responden preguntas del chat sobre rutas de aprendizaje (primero aprender a programar) y comparan Reddit con otros subreddits generales.
• 49:27
  Discusión sobre transición de notebooks a scriptsMuestran un post sobre pasar de notebooks a scripts y cómo leer los comentarios ordenados por votos, incluida una excepción con Databricks. Valoran que Reddit conserve el formato de foro con discusiones razonadas.
• 52:09
  Busqueda en un sitio en GoogleExplican el truco de buscar en Google con `site:reddit.com`, porque el buscador muestra páginas optimizadas para SEO y comparativas poco confiables. Mencionan que en Reddit aparecen opiniones más honestas.
• 54:40
  EnshitificationOpinan que Reddit, ante su IPO, tenderá a degradarse para rentabilizar con publicidad, como otros servicios (Netflix, videojuegos con DLC y microtransacciones). Por eso pagan para evitar la publicidad.
• 57:00
  Algunos sub-reddits recomendadosRecomiendan los subreddits de Data Science, Machine Learning, MLOps, Data Is Beautiful, ingeniería de datos (SQL, ETL, Snowflake, dbt), R Studio, Learn Machine Learning, agile, entre otros. Explican qué es dbt, y cómo difieren ingeniero de datos, científico de datos y ML engineer. Cuentan el truco de buscar problemas personales junto al tipo de personalidad en Reddit.
• 01:16:05
  CierreRecuerdan el canal de YouTube y el Discord, y piden suscripciones. Comentan que tienen las transcripciones de los episodios y que planean hacer resúmenes y shorts con ellas.

Palabras clave