En ocasiones, al iniciar nuestro camino de aprendizaje sobre un tema o materia, es común que surjan un sin número de preguntas y nos encontremos con una sensación de incertidumbre de cómo empezar.
Con la finalidad de dinamizar tu progreso en la Ciencia de Datos, es necesario implementar estrategias para potenciar la asimilación de conocimiento y aplicar mecanismos para un desarrollo constante. Lo que en adelante conoceremos como: hackear la curva de aprendizaje.
Curva de aprendizaje
El término hace referencia a la relación entre la cantidad de conocimientos adquiridos y el tiempo destinado al aprendizaje. En ocasiones dependiendo del campo de estudio esta curva puede ser más o menos empinada como se ilustra a continuación.
Figura 1. Curva de aprendizaje
El primer caso describe una obtención alta de conocimiento en un corto tiempo (línea morada); mientras que, la línea azul determina necesario que trascurra una gran cantidad de tiempo para garantizar el aprendizaje.
Al visualizar el gráfico, evidentemente es de nuestra preferencia pasar de un estado B a un estado A. Aprovechando al máximo el tiempo disponible y consolidando una gran cantidad de conocimientos.
Para lograr este objetivo, es importante considerar las siguientes preguntas:
- ¿Cómo puedo hackear la curva de aprendizaje?
- ¿Qué actividades se requieren para potenciar este proceso?
- ¿Cómo aporta este avance para mi crecimiento profesional?
Para dar respuesta a estas interrogantes, a continuación, se enuncian 5 estrategias para acelerar tu progreso como Data Scientist. Adicionalmente, se incluyen recursos, actividades y eventos que aportan valor en este proceso.
Sin más preámbulos comencemos con las estrategias:
- 1. Enfócate en tu propósito
La planificación es esencial para direccionar nuestros esfuerzos y garantizar una gestión eficiente del tiempo. Por lo cual, es fundamental enfocarnos en escoger el caso de uso que esperamos resolver.
Para facilitar la identificación del problema la siguiente página brinda un detalle de los principales casos de uso por industrias mediante la implementación de soluciones con un enfoque: data analytics,
Al tener un propósito delimitado procedemos a escoger la herramienta de trabajo.
- 2. Escoge tu herramienta
En este punto, se requiere identificar aquella herramienta idónea para cumplir el objetivo propuesto. Para ello, se analizan los lenguajes de programación con mayor acogida en el campo de la Ciencia de Datos.
La plataforma Kaggle, en los últimos años, se encuentra realizando una encuesta a estudiantes y profesionales para identificar el estado del arte en Data Science y Machine Learning.
Para octubre del año 2020, se contabilizaron las respuestas de 20.036 participantes sobre la siguiente pregunta: ¿qué lenguajes de programación utilizas habitualmente? Los encuestados colocaron en el top tres los siguientes lenguajes: Python, SQL y R.
Para un mayor detalle de los resultados de la encuesta accede al siguiente notebook.
Esto no quiere decir, que exista un lenguaje mejor que otro, sino que aprendamos a seleccionar la mejor herramienta de acuerdo a la necesidad existente. En ocasiones, esto puede significar emplear varias herramientas en conjunto, aspecto que viene cobrando fuerza en los últimos años.
- 3. Combina la teoría y la práctica
Para garantizar un conocimiento integral se precisa combinar el aprendizaje teórico y práctico. Al comprender que ambos enfoques se encuentran interconectados y se complementan entre sí, logramos afianzar los conocimientos adquiridos para un progreso dinámico y efectivo.
No hay más grande satisfacción que implementar tu código exitosamente y entender el proceso que está ocurriendo por detrás.
Para ejemplificar este aspecto, el libro Machine Learning from Scratch plasma la combinación entre teoría y práctica al explicar los métodos más comunes en el Machine Learning. La estructura del libro se desglosa en tres componentes principales: concepto, construcción e implementación; lo cual favorece la asimilación de conocimientos.
- 4. Participa de conferencias y eventos
El año pasado vivimos un apogeo de las videoconferencias y descubrimos que el conocimiento de expertos se puede encontrar al alcance de nuestro ordenador. Por ende, es beneficioso participar de sesiones que fortalezcan las habilidades y competencias que esperamos potenciar.
A manera de recomendación, los eventos realizados por Databricks promueven la comprensión de los participantes sobre las principales aplicaciones de analítica de datos en diversas áreas como: marketing, medicina, finanzas, telecomunicaciones, negocios, tecnología, etc. Adicionalmente, desde databits disponemos de un espacio denominado Webinar Sessions, para dar difusión a las principales temáticas enfocadas en la Data Science y Big Data.
En este sentido, no solo se requiere de nuestra asistencia para aprovechar la experiencia de profesionales en este campo. Adicionalmente, se precisa una participación activa por medio de preguntas que permitan reducir las brechas de conocimiento que hayan surgido durante el proceso de aprendizaje.
- 5. Investiga con ahínco
Nuestra realidad se encuentra en un constante cambio a partir de la adopción de avances en el campo de la ciencia y tecnología. Este aspecto exige una actualización recurrente con respecto a nuevas investigaciones y herramientas de vanguardia.
Con la finalidad de evitar el estancamiento y rezago ante los procesos de innovación, se hace necesario desarrollar una curiosidad insaciable y un espíritu investigador guiado por una cultura del aprendizaje continuo.
Una buena manera para estar informados consiste en la revisión de artículos que nos permitan estar al corriente de las tecnologías emergentes a nivel mundial. Una de mis páginas preferidas es MorningBrew, especialmente su sección Emerging Tech Brew, que sintetiza la información referente a tendencias en inteligencia artificial (AI), automatización, robótica y el entorno tech.
Recapitulación
Existen múltiples formas de acelerar nuestro desarrollo profesional, en esta ocasión se presentaron cinco estrategias para hacker la curva de aprendizaje y lograr más en menos tiempo. Para comenzar este proceso se necesita un objetivo claro, lo cual conlleva enfocarnos en un caso de uso y elegir la herramienta idónea para comenzar a trabajar. Posterior a ello, se requiere equilibrar el aprendizaje teórico y práctico para consolidar el conocimiento; adicionalmente, es conveniente nutrirnos de la experiencia de otros profesionales, permitiendo contrastar ideas e identificar múltiples formas de resolver un problema. Sin olvidar que todo este proceso se verá reforzado al cultivar una mente curiosa, apasionada e investigativa sobre este fascinante mundo de los datos.
Te invitamos a compartir la publicación y dejar en los comentarios aquellas estrategias que han fomentado tu desarrollo como Data Scientist.
Fuentes de consulta:
- 2020 Kaggle Machine Learning & Data Science Survey (Kaggle, 2020). Recuperado de: https://www.kaggle.com/c/kaggle-survey-2020
- Friedman, D. (2020). Machine Learning from Scrath. Recuperado de: https://dafriedman97.github.io/mlbook/content/introduction.html
Marca tu propia estrategia y conviértete en un Data scientist con nuestra carrera especializada. En tan solo 50 horas tendrás las bases y práctica necesaria para seguir con la formación profesional en Data science que siempre deseaste. Puedes tomar la carrera siguiendo la guía de nuestros instructores por medio de clases en vivo ó comenzar aprendiendo lenguaje de programación Python a tu propio ritmo, sin fechas y horarios de clases:
Autor: Paúl Córdova Vargas
Coordinador de productos en handytec Academy. Economista con mención en econometría y Máster en Data Science para Finanzas. Cursó sus estudios de tercer nivel en la Pontificia Universidad Católica del Ecuador, sede Quito. También sus estudios de cuarto nivel lo realizó en el Colegio Universitario de Estudios Financieros, campus Madrid. Tiene experiencia en consultoría en el sector empresarial-financiero implementando modelos enfocados en la segmentación de clientes y modelos predictivos de Machine Learning.