¿Cómo obtener experiencia en Ciencia de Datos antes de tu primer trabajo?

datascience
Compartir

Como obtener experiencia en Ciencia de Datos antes de tu primer trabajo

 

Introducción

La parte más difícil de una carrera de ciencia de datos es, sin duda, el comienzo. Obtener su primer rol en ciencia de datos no es poca cosa. Si no tiene las letras PhD después de su nombre, se vuelve aún más difícil. Si busca en Internet trabajos de ciencia de datos de nivel de entrada junior, lo más probable es que se sienta frustrado con los elevados requisitos asociados con casi todo lo que encuentre. Parece que cada descripción de trabajo que miras dice que se requiere un doctorado o un mínimo de 3 años de experiencia en machine learning.

Esto plantea la pregunta: “¿Cómo puedo ser calificado para trabajar como científico de datos sin experiencia como científico de datos?” Miles de personas toman cursos de ciencias de datos en línea o en una universidad. Estos cursos son importantes para desarrollar habilidades, pero no serán la razón por la que un candidato sea seleccionado para un trabajo de ciencia de datos. No hay una sola manera de ingresar a la ciencia de datos, pero quiero compartir algunas de las cosas que se debe hacer para ganar experiencia y estar preparado para conseguir el trabajo. Hay muchas maneras de obtener experiencia en ciencia de datos, ya sea que sea un estudiante a punto de graduarse o que desee moverse a la ciencia de datos.

Formas de adquirir experiencia

Hacer investigación

Encontrar una oportunidad para colaborar con alguien en un trabajo académico es una gran oportunidad para adquirir experiencia en varias áreas importantes de la ciencia de datos. La desventaja de hacer investigación es que generalmente no se paga muy bien y generalmente no involucra cosas como machine learning. A pesar de esto, recomiendo encontrar la oportunidad de hacer una investigación para impulsar su currículum de ciencia de datos.

 

¿Por qué es una buena experiencia?

Hay dos grandes razones por las que hacer investigación debería parecer atractivo. Primero está la oportunidad de trabajar con datos. Debido a la naturaleza de la investigación, existe la oportunidad de participar en todo el ciclo de vida de los datos. Algunos de ellos, como la recopilación de datos, pueden no ser aplicables a su futura carrera. Otras partes, como el análisis y la interpretación, son habilidades valiosas. Quiero enfatizar aquí el valor de poder interpretar datos y llegar a conclusiones sólidas basadas en un análisis. Es una habilidad vital que a veces se pasa por alto porque es difícil de evaluar como una habilidad técnica. Comprender cómo interpretar los resultados es la diferencia entre un científico de datos y alguien que puede escribir “from sklearn.ensemble import RandomForestRegressor”. Trabajar en la investigación académica requiere que llegue a conclusiones basadas únicamente en datos de una manera similar que debe ayudar a tomar decisiones en la industria basadas en sus resultados.

La investigación también te da la oportunidad de aprender cómo configurar experimentos. La cantidad de influencia que tiene en la experimentación varía en función de con quién está trabajando y cuántas personas trabajan juntas en un papel. Hacer una buena pregunta y organizar un experimento para responderla es en lo que se basa casi todo trabajo académico. Esta habilidad se traduce bien en la ciencia de datos, donde debes hacer buenas preguntas y configurar experimentos usando el aprendizaje automático para responderlas. Adquirir experiencia en investigación donde al menos está ayudando a impulsar la investigación puede ayudarlo a convertirse en un científico de datos que puede trabajar de manera autónoma y efectiva sin que alguien le diga qué resolver o cómo resolverlo.

 

¿Cómo hacerlo?

Encontrar oportunidades de investigación requerirá enfoques ligeramente diferentes para estudiantes y no estudiantes. Es importante encontrar a alguien que esté investigando algo que le interese. Extienda sus intereses más allá del aprendizaje automático por un segundo, porque las personas que investigan el aprendizaje automático son mucho menos que las que estudian otras materias. Una vez que haya determinado lo que le gustaría estudiar, prepare una lista de personas que tengan intereses relacionados. Aquí es donde las cosas serán diferentes para estudiantes y no estudiantes. Si eres estudiante, te sugiero que busques en tu universidad. Por lo general, puede encontrar un puesto de asistente de investigación que le pagará por hacer una investigación. Sin embargo, esto no significa que no debas hablar con profesores que no anuncian trabajos abiertos. Simplemente sumergirse en un laboratorio de 50 asistentes de investigación no le dará la misma experiencia que trabajar uno a uno con un profesor para hacer una investigación. Envíe correos electrónicos explicando quién es usted, por qué está interesado en su investigación y cómo podría verse ayudando. Realmente no hay límites. La parte más importante para todos es encontrar el ajuste adecuado. Busque investigaciones que sean interesantes para usted y podrá agregarle una contribución significativa.

datascience

Reescribe tu descripción de trabajo

El secreto es que no es necesario tener un título como científico de datos  para hacer ciencia de datos. Donde sea que esté trabajando en este momento, ya sea una pasantía o un trabajo de tiempo completo, encuentre la oportunidad de probar algo con machine learning. Si lo haces de manera inteligente, nadie se enojará si fracasas, y podrías hacer muchos amigos si tienes éxito. Lo más importante es que obtendrá experiencia en ciencia de datos del mundo real.

¿Por qué es una buena experiencia?

No hay mejor experiencia para prepararlo para un trabajo en ciencia de datos que trabajar realmente en ciencia de datos. Si puede encontrar una manera de hacer ciencia de datos en cualquier posición que tenga actualmente, eso es básicamente lo mismo que trabajar en ciencia de datos. Si puede demostrar que resolvió un problema donde sea que trabaje utilizando el aprendizaje automático, a nadie le importará cuál era su título de trabajo. Le pedirán que les cuente sobre ese proyecto.
Otra razón por la que esta es una buena experiencia es que muestra creatividad y habilidades para resolver problemas. No habrá nadie que le diga para qué utilizar el aprendizaje automático o cómo resolver un problema. Similar a la experiencia obtenida a través de la investigación, puede demostrar que puede identificar y resolver problemas de manera creativa y autónoma.

 

¿Cómo hacerlo?

La forma en que hagas esto dependerá mucho de dónde trabajas y quién es tu gerente. Entonces, en lugar de tratar de mostrarle una hoja de ruta sobre cómo trabajar en proyectos de aprendizaje automático en el trabajo, simplemente le diré cómo lo hice y le daré algunos consejos.
Así que aquí están mis conclusiones y consejos para hacer esto:

  • Asegúrese de no posponer el trabajo para el que fue contratado para trabajar en lo que desea.
  • Asegúrese de que su gerente esté de acuerdo con lo que está haciendo.
  • Encuentre un problema que agregue valor al negocio y no sea solo su área de juegos de aprendizaje automático personal.
  • No te rindas si la primera vez que intentas esto se derriba o no funciona. Encuentra la forma de hacer lo que amas.

 

Hacer un proyecto personal

Trabajar en proyectos de ciencia de datos en su propio tiempo se ha predicado una y otra vez y parece un poco cliché decirlo. Bueno, es un cliché porque es cierto. Hacer algo genial por su cuenta muestra su pasión y habilidades para trabajar con datos que podrían venir de cualquier parte. Tiene una sensación diferente de algo como Kaggle o un proyecto escolar y puede ser una muy buena experiencia para usted.

 

¿Por qué es una buena experiencia?

Los mejores trabajadores son aquellos que hacen lo que aman. Un empleador quiere contratar científicos de datos que adoren trabajar en problemas difíciles y resolverlos. Las únicas personas lo suficientemente locas como para pasar su tiempo libre codificando y construyendo modelos de aprendizaje automático son las personas que realmente adoran hacerlo. Si hacer proyectos personales se siente como una tarea para ti y solo los estás haciendo para conseguir un trabajo, podrías reconsiderar si realmente amas lo que estás haciendo. Si te encanta trabajar en pequeños proyectos y crear una buena cartera de ellos, eso demuestra tanto el impulso como la capacidad de tus posibles empleadores.

Los proyectos personales también son una excelente manera de mostrar habilidades técnicas. Siempre debes tratar de aprender nuevas habilidades. Hacer un proyecto basado en las cosas que está aprendiendo solidifica su aprendizaje y puede mostrar a los demás de lo que es capaz. A medida que realice más y más proyectos, sus habilidades mejorarán y podrá hacer cosas más impresionantes para agregar a su cartera. Luego, puede agregar su GitHub a su currículum y hacer que actúe como un currículum técnico en miniatura para respaldar su otra experiencia.

¿Cómo hacerlo?

Comenzar un proyecto es la parte más difícil. Si desea leer una guía realmente buena sobre cómo encontrar y completar un proyecto que valga la pena agregar a su cartera, consulte el artículo de Tyler Folkman aquí. Voy a repasar algunos puntos clave que creo que son importantes.
Al trabajar en un proyecto hay 3 partes grandes. Tienes los datos, el modelado y los resultados. Primero, encuentre los datos que le interesen. Intente encontrar datos que no se hayan utilizado en un millón de otros proyectos y que puedan contener algunas ideas únicas. Trate de evitar proyectos de imitación que otras personas hayan hecho antes. Una vez que encuentre sus datos, cree y evalúe varios modelos para responder a su pregunta. Luego, asegúrese de presentar sus resultados de una manera interesante. Eso puede ser a través de una publicación de blog, un buen cuaderno o una presentación de diapositivas. Mostrar su proyecto de una manera agradable y comprensible es tan importante como hacer algo genial.

 

Presentando tu experiencia

Después de haber hecho todas estas cosas para obtener algo de experiencia en ciencia de datos, aún debe presentarlo bien para conseguir un trabajo. No importa en qué trabajes, puedes hacer que suene absolutamente aburrido o interesante y único. Tomemos un perfil de LinkedIn, por ejemplo. Decidiste investigar un poco con un profesor sobre si el protector solar previene el cáncer de piel y publicaste un artículo genial. Ahora quieres ponerlo en tu perfil de LinkedIn. Podrías agregar algo como esto:

Asistente de investigación
Ayudé a realizar investigaciones sobre el efecto del protector solar en la prevención del cáncer de piel. Ayudé a analizar los datos y a escribir el artículo que ahora se publica en el American Journal of Sunscreen.

Es bueno ponerlo en su LinkedIn. Sin embargo, puede que no grite exactamente que estoy listo para ser un científico de datos. Alguien que tenía la misma experiencia y está tratando de obtener un trabajo de ciencia de datos podría querer poner algo más como esto:

Asistente de investigación
Como asistente de investigación, colaboré en la formulación y prueba de hipótesis sobre el protector solar y el cáncer de piel. Participé activamente en la preparación de los datos e interpretando los resultados de la regresión lineal que realicé. Presenté mis resultados de manera que académicos sin antecedentes estadísticos pudieran entender los hallazgos más importantes de la investigación. Estoy preparado para tomar la mentalidad experimental de esta experiencia y también aplicarla a problemas de ciencia de datos.

Claramente, esta no es una versión perfecta de lo que podrías escribir. Pero mi punto es este: si hiciste algo que sientes que te prepara más para ser un científico de datos, no seas tímido al señalarlo. Debe dejar en claro que ha buscado intencionalmente experiencias que lo convertirán en un buen científico de datos y lo presentará bien.

Pensamientos finales

Hay muchas maneras de adquirir experiencia en ciencia de datos antes de su primer trabajo. No te sientas limitado a proyectos de clase y competencias de Kaggle. Sea creativo y haga algo divertido con sus habilidades de datos que le interesen. Una vez que obtenga esas experiencias, asegúrese de que estén en exhibición para que la gente las vea y lea. Entonces, no tenga miedo de solicitar un trabajo que requiera uno o dos años de experiencia. Probablemente puedas argumentar que ya lo tienes.
Si tiene alguna pregunta, ¡no dude en dejar un comentario!

 


Compartir

Entradas relacionadas

3 comentarios sobre «¿Cómo obtener experiencia en Ciencia de Datos antes de tu primer trabajo?»

  1. Eso es algo que también me he preguntado mucho, quiero tener experiencia pero no sabía como practicar. Muchas gracias

  2. etituacuoneo

    He practicado por mi cuenta pero aún siento que no estoy preparada para un trabajo

    1. Te entiendo, me ha pasado.
      A veces si no lo intentamos no sabremos de lo que somos capaces. Ánimo!

Deja tu comentario