Saltar al contenido
Instituto de Data Science Argentina

¿Qué se necesita estudiar para ser un científico de datos?

El científico de datos debe dominar varias áreas de conocimiento que asociamos con sistemas como:

Programación
Bases de datos

También necesita conocimientos específicos de cosas que parecen relacionadas con sistemas pero que no siempre se estudian en todas las carreras:

Machine Learning
Datawarehousing
Estadísticas
Conocimiento de las industrias específicas.

Por otra parte, los que estudiaron sistemas, difícilmente han profundizado en Análisis de Negocios y Gestión de Proyectos, que profesionales de otras disciplinas manejan con claridad.
Esto significa que venga de donde venga un profesional que quiere convertirse en científico de datos deberá incorporar conocimientos y que, probablemente, ya traerá en su bagaje algunos saberes que le sirvan.
Por eso una formación de ciencia de datos debe ser personalizada para cada participante.
En caso contrario le quedarán vacios o lo forzarán a re-estudiar lo que ya sabe como sucede con las carreras con programas fijos con una currícula no personalizable.

El que el científico de datos tiene competencias avanzadas sobre campos que corresponden a diferentes profesiones ya establecidas.
Todos los que vienen de alguna de esas profesiones pueden convertirse en científicos de datos con inversiones de tiempo y esfuerzo comparables que los lleven  a adquirir las competencias que les faltan.
Estas competencias no serán las mismas para los que vengan de las ciencias económicas, de las ciencias de la comunicación, de las ingenierías y de las ciencias exactas. Todos tienen competencias por adquirir y todas son distintas
Se necesita primero llevar a todos los profesionales a un uso eficiente de:

  • Estadística aplicada
  • Programación básica
  • Programación avanzada
  • Bases de datos
  • Introducción a la ciencia de datos
    • Algoritmos predictivos comunes
    • Métodos de regresión
    • Métodos de optimización
    • Aprendizaje no supervisado
  • Análisis de negocios
  • Gestión de proyectos

Luego todos deben completar 

  1. Algoritmos de aprendizaje supervisados en R
  2. Algoritmos de aprendizaje No Supervisado en R
  3. Algoritmos de aprendizaje supervisados en Python
  4. Algoritmos de aprendizaje No Supervisado en Python
  5. Introducción al procesamiento en paralelo y Big Data

Finalmente cada profesional, dependiendo de sus inclinaciones y oportunidades, seleccionará los temas en los que desea especializarse. y desarrollará un proyecto final de su elección sobre el particular.

Catálogo de cursos