Este artículo fue escrito por Rosana de Oliveira Gomes, Lead Machine Learning Engineer en Omdena, y Joseph Itopa A, Junior Machine Learning Engineer en Omdena.
Dar el salto a una nueva carrera puede sentirse como subirte a un avión que ya despega. La profesión de ciencia de datos es relativamente reciente, lo que significa que muchas personas que hoy son data scientists o ingenieras de machine learning no empezaron su carrera en este camino. Cambiaron desde otros ámbitos, como hicimos nosotros, y quizá como muchos de quienes estáis leyendo esto. Hablemos entonces de qué herramientas y habilidades necesitas para pasarte a ciencia de datos: veremos posibles obstáculos y te daremos consejos prácticos para superarlos.
Cómo superar los retos técnicos al pasarte a ciencia de datos
1. Refresca matemáticas y programación
Para ciencia de datos no necesitas matemáticas avanzadas más allá de lo típico en cualquier grado científico. Pero todo algoritmo de inteligencia artificial se apoya en una base matemática que tendrás que entender. Normalmente implica álgebra lineal y algunos conceptos de cálculo. Para interpretar resultados tendrás que hacer análisis estadístico, lo que también requiere probabilidad y estadística.
Si las matemáticas ponen los conceptos, los lenguajes de programación son las herramientas para llevarlos a la práctica. Esto significa que debes elegir un lenguaje de programación que aprender; en este campo suele ser Python o R, probablemente combinado con SQL y Bash. Una encuesta de KDnuggets sobre software de programación usado por data scientists revela que Python ha superado a R como herramienta preferida.
Pero la elección del lenguaje depende, en esencia, de la tarea y de tus preferencias. Python es fácil de asumir si ya tienes experiencia programando y se usa muchísimo en sectores y especialidades como ciencia de datos y machine learning. R también es una gran opción si vienes de estadística y te centrarás sobre todo en análisis. Además, tiene herramientas y librerías integradas para comunicar resultados mediante informes. Nuestro consejo es que te quedes con un solo lenguaje y empieces a construir algo en cuanto domines los básicos.
Por experiencia, hemos aprendido que, para adquirir las habilidades necesarias en ciencia de datos, conviene elegir un único proveedor de formación cada vez y ceñirte a él. Lo peor que puedes hacer es repetir una y otra vez los mismos contenidos.
2. Conviértete en un solucionador de problemas
La esencia de la ciencia de datos es la capacidad de resolver problemas con pensamiento creativo y lógico. Esto requiere programación y comprensión de algoritmos, algo que se gana con la práctica.
Cuando ya tengas lo básico de programación, empieza a resolver problemas reales practicando con cursos o plataformas. GeeksforGeeks ofrece proyectos prácticos de programación competitiva, Python, JAVA y SQL. Resolver problemas de competiciones en Kaggle también puede impulsar tus habilidades, ya que usarás datos reales y contarás con mucha ayuda de la comunidad. Los proyectos sin guía de DataCamp son una forma estupenda de encontrar tus propias soluciones a proyectos abiertos.
Es importante que disfrutes de estos logros si quieres seguir una carrera en ciencia de datos. En un reciente webinar de Omdena, el influencer en ciencia de datos Eric Weber dijo: "No optimices solo por el dinero, sino por lo que te aporta alegría; si no, te quemarás rápido".
3. Súmate a proyectos colaborativos
Tras trabajar con algunos algoritmos y practicar en varios proyectos, estarás listo para retos más avanzados. Aquí es donde entran las plataformas colaborativas. Los programas colaborativos de ciencia de datos se apoyan en comunidades para desarrollar proyectos de forma diversa y productiva. La dureza y la chispa del street coding se disfrutan al máximo en proyectos colaborativos. Aprenderás de otros mientras ellos aprenden de ti. Harás amigos mientras te peleas con datos desestructurados y desordenados: no hay nada igual.
Iniciativas colaborativas inspiradoras incluyen Data Kind, Science to data science y Data Science for Social Good. Suelen ser opciones ligadas a ubicación y pueden ser caras o muy competitivas por la disponibilidad limitada y un proceso de solicitud exigente.
Una alternativa de proyectos colaborativos es Omdena, que lanza varios proyectos al mes y aplica un principio de voluntariado para resolver problemas reales mediante colaboración online. Quienes aprenden trabajan con especialistas del dominio que les ayudan a mantenerse motivados con webinars, cursos, libros y artículos.
Cómo superar los retos no técnicos al cambiar a una carrera en ciencia de datos
1. Organización y gestión del tiempo
Cambiar de carrera es un proyecto. Requiere un plan estratégico, un calendario y hitos concretos (y realistas). Hazte estas preguntas:
- ¿Por qué quiero ser data scientist y qué temas me apasionan?
- ¿Voy a dejar mi trabajo para dedicar tiempo a aprender lo que necesito o haré la transición en paralelo a mi empleo actual?
- ¿En qué destaco? ¿Cuáles son mis puntos débiles?
- ¿Cuánto tiempo y dinero estoy dispuesto a invertir en este cambio?
- ¿Qué habilidades y certificaciones nuevas necesito para esta nueva trayectoria?
- ¿Cuál es mi estilo de aprendizaje?
Cuando respondas con honestidad, necesitas un plan. Al final, tienes que encontrar lo que te funcione. Aquí tienes ideas prácticas:
- Imprime un plan semanal y pégalo en la pared.
- Organiza tu agenda diaria en Google Calendar.
- Detecta qué funciona y qué debes reajustar del plan. Quizá subestimaste el tiempo necesario para un curso o el recurso elegido no es lo que esperabas.
- No temas cambiar de estrategia. Entra en foros y busca un recurso mejor. O lee sobre gestión del tiempo y cómo definir objetivos SMART.
- Ve tachando tareas de tu lista. Ese impulso te sacará del periodo inicial de frustración al aprender algo nuevo.
2. Mejora tu comunicación
Otra habilidad imprescindible en ciencia de datos es la comunicación. Un data scientist traduce montones de datos en conclusiones accionables para responsables de decisión y otras partes interesadas. Sin embargo, no todo el mundo con quien tendrás que comunicarte es especialista en datos o tiene formación STEM. Si eres introvertido, quizá no te entusiasme hablar en público o comunicarte constantemente. Comunicar en ciencia de datos no es solo hablar bien, sino también cultivar estos hábitos y competencias:
- Explicar con claridad conceptos complejos a personas no expertas.
- Documentar código y análisis para que el resto del equipo pueda aprender de tu trabajo en el futuro (¡o tu yo del futuro!).
- Escribir mejor creando el hábito de redactar sobre todo lo que haces en tu trayectoria.
La documentación es poder, así que escribe y sigue escribiendo. Muy pronto tendrás que demostrar las habilidades que pones en tu CV, y podrás respaldarlas con repositorios de código bien documentados (por ejemplo, en GitHub), artículos y webinars o charlas sobre tu trabajo. Cuanto antes empieces, antes mejorarás.
3. Prepárate para combatir el síndrome del impostor
Un reto habitual para quienes cambian de carrera es el síndrome del impostor. No es fácil tener una carrera consolidada y, de repente, volver a ser principiante. Aquí todo es cuestión de mentalidad: mantente motivado e ilusionado con todo lo nuevo que vas a aprender. Omdena ha organizado un webinar sobre cómo superar el síndrome del impostor en ciencia de datos, que incluye identificar la brecha de habilidades que debes cubrir y reconocer las competencias que ya traes de tu carrera anterior.
4. Haz crecer tu red
Hacer networking mientras buscas trabajo no tiene por qué ser incómodo. De hecho, estadísticamente, la mayoría de oportunidades llegan por la red de contactos, no por candidaturas directas (consulta las referencias aquí y aquí). Al hacer networking, simplemente conectas con gente que comparte tus intereses, intercambias opiniones sobre temas de ciencia de datos y echas un vistazo a sus trayectorias. Esas personas pueden ser tus futuros compañeros. Lo peor que puede pasar es que no te respondan: ¿qué tienes que perder?
Una de las formas más sencillas de hacer networking es a través de proyectos colaborativos, donde puedes compartir conocimiento, trabajar con profesionales con experiencia, aprender de personas en distintos roles y encontrar pistas para empleos.
Otra buena forma de ampliar tu red es seguir a referentes en ciencia de datos como:
Contacta con cualquier persona interesante que te cruces: alguien que haya dado una charla en un podcast que te gustó, un profesor de un curso online o un bloguero cuyas publicaciones disfrutas. La regla de oro es: hazte visible y pregunta. Es la mejor manera de recibir feedback.
Joseph está pasando actualmente de Ingeniería a ciencia de datos, y Rosana de Astrofísica. Contáctales y continúa esta conversación en LinkedIn: Joseph y Rosana.
