Menu
El día de ayer tuve el gusto de participar en un panel con mis colegas Ericka Uribe y Miguel Ángel Toro, explicando las carreras de Ciencia de Datos (IDM), Inteligencia de Negocios (LIT) y Transformación Pública (LTP). Estas tres carreras del Tec están enfocadas a Ciencia de Datos, pero desde tres perspectivas distintas: Ingeniería, Negocios y Gobierno. En el video explicamos las diferencias entre las tres carreras, y como estos profesionistas colaborarán en la industria y el gobierno. Espero que les sea útil e interesante:
livestream.com/tecrcm/panelLITLTPIDM/videos/189286973
0 Comentarios
Una de las competencias del Ingeniero en Ciencia de Datos y Matemáticas (IDM) del Tec de Monterrey es la ˝Comunicación de información científica a una diversidad de públicos˝, y es que todo su trabajo debe terminar aterrizando en sugerencias y planes de acción útiles para su empresa, sus colaboradores y sus clientes. Comunicar información compleja, especialmente cuando se combinan hechos con predicciones, es todo un desafío, como muestran las críticas a la infografía sobre el ˝Marvel Cinematic Universe˝ de Empire Magazine en 2015 en https://www.reddit.com/r/marvelstudios/comments/2uakun/mcu_infographic_empire_magazine/. Aquí hay otra gráfica de 2012, con un esquema similar http://www.christiantate.co.uk/?p=695
Afortunadamente, hay comunidades de científicos de datos dedicadas a difundir el uso de herramientas para la visualización y comunicación de datos, como por ejemplo Makeover Monday https://www.makeovermonday.co.uk/gallery/, los cuáles publican un reto distinto cada semana, con datos reales y actualizados, para que quien así lo desee, responda al reto generando gráficas, las cuales son analizadas por expertos, de esta manera al participar puedes recibir retroalimentación y sugerencias de mejora, o simplemente aprender de los comentarios y críticas a los trabajos de otros participantes https://youtu.be/fb6CG0iP8sU Recomiendo mucho a los futuros IDM comenzar a seguir la comunidad Makeover Monday para desarrollar la competencia de "Comunicación de información...", la cual es fundamental en su profesión Las fechas en Estados Unidos se escriben primero el mes y después el día, entonces marzo 14 lo escriben 3.14, por eso lo llaman el día del número Pi, y como además como ellos pronuncian Pi como "pay", en algunas universidades suelen celebrarlo comiendo pay de manzana, que es un postre muy tradicional en Estados Unidos. Pero además, marzo 14 es el cumpleaños de ALBERT EINSTEIN. Estimados admiradores de las Matemáticas, los invito a celebrar el día del número Pi, quizás comiéndonos unos tacos mexicanos en honor del Dr. Einstein. Además los reto a ver TODO este video sobre los dígitos del número Pi: https://www.youtube.com/watch?v=Skf8NTEnrO4 Una pregunta frecuente es la diferencia entre un actuario y un científico de datos. En esta publicación: https://stepupanalytics.com/career-in-actuarial-science-vs-data-science/ se describe a las dos profesiones como dos Ciencias que convierten los datos en dólares. Por un lado, el actuario usa la Estadística para determinar, manejar y minimizar riesgos en finanzas, seguros y otras empresas; por otro lado, el científico de datos toma enormes cantidades de datos estructurados y no estructurados y usa Matemáticas, Estadística, Computación e Inteligencia Artificial, para encontrar patrones útiles para sus clientes y colaboradores, y convertir sus análisis en sugerencias, decisiones y planes de acción en cualquier tipo de empresa. La publicación mencionada también describe que el salario inicial de un científico de datos es usualmente más alto que el de un actuario. Quizás por eso esta segunda publicación: https://www.smithhanley.com/2018/02/13/how-can-an-actuary-become-a-data-scientist/ describe que "los científicos de datos se están quedando con toda la diversión", y explica cómo alguien que ya es actuario podría esforzarse y lograr convertirse en un científico de datos. En esta tercera publicación se encuentra una infografía interesante describiendo las diferencias entre las dos carreras https://proactuary.com/actuary-vs-data-scientist/, quizás lo que está cambiando, con respecto a lo que dice esa infografía, es que el aprendizaje de la Ciencia de Datos ya no se basa sólo en "informal learning", gracias al surgimiento de carreras como IDM en el Tecnológico de Monterrey http://admision.itesm.mx/es/ingenieria-cienciasaplicadas/idm
Mantenerte al ritmo de cómo fluye la información que surge día con día acerca de la ciencia de datos puede ser una tarea muy complicada, sin embargo es de suma importancia seguir aprendiendo, para lograr generar nuevas ideas o conocer nuevas herramientas que te ayuden a desarrollar distintos proyectos de la mejor manera posible.
Aquí están algunos consejos que pueden ser de gran utilidad para mantenerse al día con toda esta información. 1.- Conferencias Llega a ser una experiencia surrealista el estar rodeado de expertos, líderes y personas ansiosas de aprender acerca de los temas que uno practica, aun cuando no es sencillo para muchos el acercarse a gente extraña, en estos lugares la gente es de las cosas que más busca y seguramente te encuentres con personas que se acerquen a ti y te platiquen acerca de sus proyectos. Además, en estas conferencias empresas como Google, Facebook y OpenAI comparten información muy valiosa, al ser ellos líderes en las investigaciones. Y no sólo son ellos, Dropbox, Airbnb, Uber y Netflix, que son plataformas relativamente nuevas, comparten algunos de sus planes utilizando deep learning. En la ciudad de México tenemos las conferencias de Data Day Mexico https://sg.com.mx/dataday/ Cuando uno aprende por su cuenta es complicado ver materializados todos los cambios en la industria, sin embargo, cuando se atienden a estas conferencias uno puede percibir realmente estos cambios. Algunas formas de atender a estas conferencias (dado que no suele ser barato) pueden ser:
2.- Twitter En Twitter se pueden encontrar muchas noticias acerca de deep learning y en general distinta información muy valiosa. @GoogleAi por ejemplo, esta posteando información acerca de sus investigaciones sobre deep learning constantemente. Pueden seguir cuentas como: @GoogleAI, @OpenAI, @AndrewYNg, @KDNuggets, @Goodfellow_Ian, @YLeCun, @Karpathy o @jasjung_ (el autor original de este post). Twitter te dará recomendaciones basadas en estas cuentas, lo que te ayudará a encontrar aun más información. 3.- Blogs de ingeniería y boletines electrónicos por correo Encontrar los boletines es tan fácil como googlearlos, así que no pierdas esa información. 3.1.- Blogs técnicos Por lo general estos blogs tienen descubrimientos, experimentos, investigaciones y proyectos muy interesantes, además de que la calidad es muy alta, al ser mantenida por la empresa propia. Medium es un gran medio para encontrar estos blogs, aquí algunos sitios:
3.2 Boletines Existen muchos boletines en línea que son de gran utilidad a los que uno se puede suscribir, varios de estos son de contenido un poco más personal, como Medium, donde cualquier persona puede escribir. 4. Trabajos de investigación Los trabajos de investigación suelen ser más complicados que las opciones anteriores, y si se quiere aprender acerca de machine learning pueden ir a Arxiv Sanity Preserver donde se encuentra la información más reciente y popular acerca de este tema. Leer estos trabajos es difícil, y requiere de mucha concentración y tiempo, pero al contener tanta información, es de la que uno sale más beneficiado. Conclusión Mantenerse al tanto de lo que ocurre en el mundo de la ciencia de datos puede resultar abrumador, y estos consejos pueden ser de gran ayuda para no perderse entre tanta información al alcance. Basado en el artículo de Jason Jung, https://towardsdatascience.com/how-to-stay-up-to-date-as-a-data-research-scientist-3846ef6b1739 |
IDMIngeniería en Ciencia de Datos y Matemáticas Archivos
Junio 2019
Categorías
Todos
|