Cada vez m谩s empresas est谩n impulsadas por los datos, el mundo est谩 cada vez m谩s conectado y parece que todas las empresas necesitar谩n una pr谩ctica de ciencias de la informaci贸n. Por lo tanto, la demanda de聽cient铆ficos de datos聽es enorme. A煤n mejor, todo el mundo reconoce la falta de talento en la industria.

Sin embargo, convertirse en un Cient铆fico de Datos no es f谩cil. Necesitas una mezcla de resoluci贸n de problemas, pensamiento estructurado, codificaci贸n y varias habilidades t茅cnicas, entre otras, para ser verdaderamente exitoso. Si eres de una formaci贸n no t茅cnica y no matem谩tica, es muy probable que gran parte de tu aprendizaje ocurra a trav茅s de libros y cursos en video.

Curso Te贸rico-Pr谩ctico: Machine Learning para no programadores

A continuaci贸n te presento algunos de los principales errores que cometen los cient铆ficos aficionados a los datos, y tambi茅n analizaremos los pasos que debes tomar para evitarlos.

aprender Inteligencia Artificial aunque no sea tu a虂rea

Error 1: M谩s aprendizaje, menos pr谩ctica

aprende f谩cilmente inteligencia artificial - newsletter

Es bueno comprender la teor铆a que hay detr谩s de las t茅cnicas de聽Machine Learning. Pero si no se aplican, son solo conceptos te贸ricos.

Uno de los errores m谩s comunes que cometen los novatos en Machine Learning es aprender muchos conceptos sin pensar mucho en sus aplicaciones. Simplemente entenderlos no es suficiente.

Este enfoque es ineficiente por tres razones principales:

  • Primero, es lento y desalentador. Si alguna vez te has sentido abrumado por todo lo que hay que aprender, es probable que te hayas hundido en esta trampa.
  • Segundo, no retendr谩s los conceptos tambi茅n. Machine Learning es un campo aplicado, y la mejor manera de solidificar las habilidades es practicando.
  • Finalmente, existe un mayor riesgo de que te desmotives y te rindas si no ves c贸mo lo que est谩s aprendiendo se conecta con el mundo real.

Por ejemplo, si un principiante aprende un algoritmo, es crucial conocer sus aplicaciones en el mundo real, sus limitaciones y aplicaciones para resolver un problema en particular. El aprendizaje te贸rico s贸lo es 煤til si se aplica en la pr谩ctica.

Adem谩s, funcionalidades como las librer铆as avanzadas, por ejemplo, Scikit Learn de Python, no dicen expl铆citamente lo que sucede en segundo plano cuando funcionan. Por esta raz贸n, es mejor aplicar lo aprendido para experimentar con los conceptos. Esto definitivamente ayudar谩 a los principiantes a mantenerse alejados de los errores cuando comiencen a trabajar a grandes proyectos de ciencias de la informaci贸n.

驴C贸mo evitar este error?

No es un concepto nuevo que para obtener una mejor comprensi贸n de lo que se est谩 aprendiendo, debe haber un equilibrio entre la teor铆a y la pr谩ctica. En cuanto conozcas un concepto, puedes dirigirte a Google y encontrar un conjunto de datos o un problema que puedas utilizar. Encontrar谩s que est谩s reteniendo ese concepto mucho mejor que antes.

Curso Te贸rico-Pr谩ctico:Generaci麓贸n de Texto con Inteligencia Artificial

Tendr谩s que aceptar que no puedes aprender todo de una sola vez, rellena los huecos a medida que practiques y aprender谩s mucho m谩s.

C贸mo funcionan los autos aut贸nomos

Error 2: Ignorar las matem谩ticas y las estad铆sticas

La mayor铆a de las personas que quieren aprender Machine Learning se inspiran en videos de robots, o modelos predictivos, y en algunos casos incluso en los altos salarios. Tristemente, hay un largo camino por recorrer, antes de llegar all铆.聽Debes conocer聽c贸mo funcionan las t茅cnicas聽antes de aplicarlas en un problema.聽

Aprender esto te ayudar谩 a entender c贸mo funciona un algoritmo, qu茅 puedes hacer para afinarlo, y tambi茅n te ayudar谩 a construir sobre las t茅cnicas existentes.

Las matem谩ticas juegan un papel importante aqu铆, por lo que siempre es 煤til conocer ciertos conceptos. En el d铆a a d铆a, puede que no necesites saber c谩lculo avanzado, pero tener una visi贸n general de alto nivel definitivamente ayuda.

En caso de tengas una mente curiosa, o quieras entrar en un rol de investigaci贸n, los cuatro componentes clave que necesitas saber antes de sumergirte en Machine Learning son:

驴C贸mo evitar este error?

Machine Learning es la suma de todas las partes individuales. Hasta que no tengas una idea clara de los cuatro conceptos mencionados anteriormente, ni siquiera pienses en sumergirte profundamente en el n煤cleo de Machine Learning. Puedes encontrar toneladas de cursos para aprender estos conceptos en l铆nea, inclusive ac谩 mismo lo puedes hacer.

C贸mo funcionan los autos aut贸nomos

Error 3: Saltando a lo m谩s profundo

Algunas personas entran en este campo porque quieren construir la tecnolog铆a del futuro: veh铆culos aut贸nomos, rob贸tica avanzada, visi贸n por computadora, entre otros campos. Estos son impulsados por t茅cnicas como el聽Aprendizaje Profundo聽y el Procesamiento del Lenguaje Natural. Sin embargo, antes de entrar en esta materia t铆pica, primero hay que dominar los fundamentos de Machine Learning y todo lo que mencionamos en el anterior punto.

驴C贸mo evitar este error?

En primer lugar, dominar las t茅cnicas y los algoritmos de Machine Learning 鈥渃l谩sico鈥, que sirven como bloques de construcci贸n para temas avanzados. Es una pr谩ctica com煤n que las personas solo practiquen 2-3 problemas y despu茅s de resolverlos empiezan a pensar que han dominado los conceptos, pero esto no es cierto. Cuanto m谩s practiques, m谩s preparado est谩s.

Tienes que saber qu茅 Machine Learning todav铆a tiene un incre铆ble potencial sin explotar. Aunque los algoritmos ya est谩n maduros, todav铆a estamos en las primeras etapas de descubrir formas fruct铆feras de utilizarlos.

C贸mo funcionan los autos aut贸nomos

Error 4: Aprender m煤ltiples herramientas a la vez

Debido a las diferentes caracter铆sticas, usos y caracter铆sticas 煤nicas que ofrece cada herramienta, la gente tiende a intentar aprender todas las herramientas a la vez. Esta es una muy mala idea, terminar谩s por no dominar ninguna de ellas.聽

Ir detr谩s de m煤ltiples herramientas crear谩 mucha confusi贸n y afectar谩 severamente tus habilidades para resolver problemas en la etapa inicial.

驴C贸mo evitar este error?

Escoge una herramienta y qu茅date hasta que la domines. Si ya has empezado a aprender聽Python, entonces no te dejes tentar por R, todav铆a. Sigue con Python, aprende de principio a fin y solo entonces trata de incorporar otra herramienta en tu conjunto de habilidades. Aprender谩s m谩s con este enfoque.

Cada herramienta tiene una gran comunidad de usuarios a los que puedes acceder cada vez que te quedes atascado. El objetivo es aprender Machine Learning a trav茅s de la herramienta, no la herramienta a trav茅s de Machine Learning.

C贸mo funcionan los autos aut贸nomos

Error 5: No tener un enfoque estructurado para la soluci贸n de problemas

El pensamiento estructurado es un proceso de poner un marco a un problema no estructurado. Este te ayudar谩 de muchas maneras:

  • Te ayuda a dividir el enunciado del problema en partes l贸gicas.
  • Te ayuda a visualizar c贸mo se est谩 desarrollando el planteamiento del problema y c贸mo puedes dise帽ar su enfoque.
  • Ayuda al usuario final o cliente a entender la secuencia de su marco de trabajo de una manera l贸gica y f谩cil de entender.

Hay muchas m谩s razones por las que el tener una mentalidad de pensamiento estructurado ayuda, al no tenerlo tu trabajo y enfoque de un problema ser谩 al azar, perder谩s la noci贸n de tus propios pasos cuando te enfrentes a un problema complejo.

Cuando vayas a una entrevista, inevitablemente te dar谩n un estudio de caso, una estimaci贸n aproximada y un problema de rompecabezas. Debido a la atm贸sfera llena de presi贸n en una sala de entrevistas y a la limitaci贸n de tiempo, el entrevistador observar谩 qu茅 tan bien se estructuran los pensamientos para llegar a un resultado final. En muchos casos, esto puedes ser una forma de romper o sellar el trato para conseguir el trabajo.

驴C贸mo evitar este error?

Puedes adquirir una mentalidad de pensamiento estructurado a trav茅s de un entrenamiento simple y un enfoque disciplinado. Para mejorar tu pensamiento estructurado puedes seguir estos pasos:

  • Empieza por lo peque帽o, apunta a lo grande.
  • Abordar las t茅cnicas de arriba hacia abajo.
  • Evita ser descuidado con la l贸gica.
C贸mo funcionan los autos aut贸nomos

Error 6: Centrarse en la precisi贸n del modelo m谩s que en la comprensi贸n del funcionamiento del modelo

La precisi贸n no siempre es lo que busca el negocio. Seguro que un modelo que predice el incumplimiento del pr茅stamo con una precisi贸n del 95% es bueno, pero si no puedes explicar c贸mo el modelo lleg贸 all铆, qu茅 caracter铆sticas lo llevaron all铆, y cu谩l fue el pensamiento al construir el modelo, el cliente lo rechazar谩.

Otro aspecto clave es si el modelo encajar铆a dentro del marco de trabajo existente de la organizaci贸n.聽

El uso de 10 tipos diferentes de herramientas y librer铆as fracasar谩 de forma espectacular si el entorno de producci贸n no lo soporta. Tendr谩s que redise帽ar y volver a entrenar el modelo desde cero con un enfoque m谩s sencillo.

驴C贸mo evitar este error?

La mejor manera de evitar este error es hablar con las personas que trabajan en la industria. No hay mejor maestro que la experiencia. Puedes practicar c贸mo hacer modelos m谩s sencillos y luego tratar de explic谩rselos a personas sin conocimiento t茅cnicos. Luego agrega complejidad al modelo y sigue haciendo esto hasta que incluso no entiendas lo que est谩 sucediendo debajo. Esto te ense帽ar谩 cu谩ndo detenerte y por qu茅 los modelos sencillos siempre tienen preferencia en las aplicaciones de la vida real.

por que虂 programar es tan dificil

Error 7: No dedicar tiempo suficiente a la exploraci贸n y visualizaci贸n de los datos

La聽visualizaci贸n de datos es una faceta tan maravillosa de Machine Learning, sin embargo, muchos de los aspirantes a cient铆ficos de datos prefieren dejarla y llegar a la etapa de construcci贸n del modelo. Este enfoque puede funcionar en las competencias, pero est谩 destinado a fracasar en un trabajo real. Comprender los datos que se proporcionan es lo m谩s importante que har谩s, y los resultados de tu modelo lo reflejar谩n.

El uso de 10 tipos diferentes de herramientas y librer铆as fracasar谩 de forma espectacular si el entorno de producci贸n no lo soporta. Tendr谩s que redise帽ar y volver a entrenar el modelo desde cero con un enfoque m谩s sencillo.

Surgen patrones y tendencias, se cuentan historias y las visualizaciones son la mejor manera de presentar hallazgos a los clientes.

Trabajar en Machine Learning, hay que ser intr铆nsecamente curioso. Es una de las mejores cosas, cuanto m谩s curioso seas, m谩s preguntas har谩s. Esto lleva a una mejor comprensi贸n de los datos que se te dan y tambi茅n ayuda a resolver problemas que no sab铆as que exist铆an en primer lugar.

驴C贸mo evitar este error?

Pr谩ctica y mucha pr谩ctica. La pr贸xima vez que trabajes en un conjunto de datos, dedica m谩s tiempo a este paso. Te sorprender谩s la cantidad de informaci贸n que generar谩s para ti.

Haz preguntas, preg煤ntale a tu jefe, a los expertos de dominio, busca soluciones en internet y si no encuentras ninguna, realiza la pregunta en las redes sociales.

Qu茅 son las Redes Neuronales Artificiales

Error 8: No trabajar en las habilidades de comunicaci贸n

Lo importante aqu铆 es comunicar las ideas de una manera clara, concisa y v谩lida, de modo que otros en la compa帽铆a puedan actuar de manera efectiva en base a esas ideas. Las empresas que buscan alguien de Machine Learning est谩n buscando a alguien que pueda traducir de forma clara y fluida sus hallazgos t茅cnicos a un equipo no t茅cnico, como los departamentos de marketing o ventas.

Puedes aprender las 煤ltimas t茅cnicas, dominar m煤ltiples herramientas y hacer los mejores gr谩ficos, pero si no puedes explicar el an谩lisis a un cliente, fracasar谩s. Machine Learning es un campo en el que las discusiones e ideas son de suma importancia.聽

No puedes sentarte en un silo y trabajar, necesitas colaborar y entender la perspectiva de otras 谩reas incluyendo el trabajo con ingenieros, dise帽adores, gerentes de productos, operaciones y m谩s.

驴C贸mo evitar este error?

Necesitas pulir tus habilidades de comunicaci贸n si quieres tener 茅xito en Machine Learning. Al aprender a comunicar los conceptos visualmente, has dado el primer paso importante para aprender a presentarlos a una audiencia. El proceso de armar una presentaci贸n de diapositivas tambi茅n te ayudar谩 a organizar los pensamientos y a entender mejor el trabajo que est谩s haciendo.

Otra cosa es, tratar de explicar los t茅rminos de Machine Learning a una persona no t茅cnica. Te ayudar谩 a analizar mejor el problema y averiguar qu茅 tan bien has trabajado en 茅l. Si trabajas en una peque帽a o mediana empresa, busca a una persona en el departamento de marketing o ventas y haz este ejercicio con ella, te ayudar谩 inmensamente a largo plazo.

Qu茅 son las Redes Neuronales Artificiales

Error 9: Dar prioridad a las herramientas y bibliotecas sobre el problema empresarial

Tomemos un ejemplo para entender por qu茅 esto es un error. Imagina que te han dado un conjunto de datos sobre los precios de la vivienda y necesitas predecir el valor de los bienes ra铆ces futuros. Hay m谩s de 200 variables, incluyendo el n煤mero de edificios, habitaciones, n煤mero de inquilinos, tama帽o de la familia, tama帽o del patio, etc. Hay una buena posibilidad de que no seas consciente de lo que significan algunas variables. Todav铆a puedes construir un modelo con una buena precisi贸n, pero para obtener este valor tuviste que eliminar algunas caracter铆sticas. Resulta que una de esas variables que eliminaste del an谩lisis era un elemento crucial en un escenario del mundo real. Esto es un grave error.

Tener un conocimiento s贸lido de las herramientas y bibliotecas es excelente, pero solo te llevar谩 hasta cierto punto. Combinando ese conocimiento con el problema empresarial que plantea el dominio es donde interviene un verdadero cient铆fico de datos.

Debes estar al tanto de por lo menos los desaf铆os b谩sicos en la industria en la que est谩s interesado, o a la que est谩s solicitando empleo.

驴C贸mo evitar este error?

Cuando solicites un puesto de Machine Learning en una industria en particular, lee sobre c贸mo las empresas en ese campo est谩n utilizando Machine Learning. Busca conjuntos de datos y problemas relacionadas con esa industria y trata de resolverlos, esto te dar谩 un gran impulso.

aprender a programar para machine Learning

Error 10: Confiar 煤nicamente en las certificaciones y t铆tulos

Desde que Machine Learning se hizo popular, las certificaciones y los t铆tulos han aparecidos en casi todas partes. Un buen t铆tulo en un campo relacionado puede aumentar tus habilidades, pero no es suficiente ni suele ser el factor m谩s importante. No estoy diciendo que obtener un t铆tulo o una certificaci贸n sea una tarea f谩cil, pero no se ve confiar 煤nicamente en ellos. En la mayor铆a de los casos, lo que se ense帽a en un entorno acad茅mico es simplemente demasiado diferente de Machine Learning aplicado en las empresas.

Adicionalmente, hay demasiados cursos en l铆nea que est谩n siendo impartidos y completados por miles y miles de aspirantes. Si alguna vez agregaron un valor 煤nico a su hoja de vida, ese ya no es el caso.聽

A los gerentes de contrataci贸n no les importa mucho estas hojas de papel, ponen mucho m谩s 茅nfasis en su conocimiento y en c贸mo lo has aplicado en situaciones pr谩cticas de la vida real.

Esto se debe a que tratar con los clientes, manejar los plazos, entender c贸mo funciona el ciclo de vida de un proyecto de Machine Learning, c贸mo dise帽ar tu modelo para que encaje en el marco de negocios existente, estas son solo algunas de las cosas que necesitar谩s saber para tener 茅xito. Solo una certificaci贸n o t铆tulo no te calificar谩 para ello.

驴C贸mo evitar este error?

Las certificaciones son valiosas, pero solo cuando se aplica ese conocimiento fuera del sal贸n de clases y se pone a la vista. Realiza las pr谩cticas pertinentes, incluso si son a tiempo parcial. Ponte en contacto con personas dentro de esta 谩rea para que converses con ella. Sal al mundo real y trata de aprende c贸mo funciona la industria.

Qu茅 son las Redes Neuronales Artificiales

Error Extra: No estudiar de una manera consistente

Esto aplica a todas las personas no solamente a los principiantes. Tenemos tendencia a distraernos f谩cilmente. Estudiamos durante un per铆odo de tiempo, luego le damos un descanso durante los siguientes meses. Cuando tratamos de volver al ritmo de las cosas despu茅s de eso es una pesadilla. La mayor铆a de los conceptos anteriores se olvidan, las notas se pierden y se siente como si hubi茅ramos desperdiciado los 煤ltimos meses.

Debido a las diversas cosas que tenemos en marcha, encontramos excusas y razones para no volver a estudiar. Pero esto es finalmente nuestra p茅rdida, si Machine Learning fuera tan f谩cil como abrir un libro de texto y estudiarlo todo, todo el mundo ser铆a uno hoy en d铆a. Exige un esfuerzo y un aprendizaje constante, algo que la gente no aprecia hasta que es demasiado tarde.

驴C贸mo evitar este error?

Planifica c贸mo y qu茅 quieres estudiar y establece plazos para ti mismo. Por ejemplo, si quieres aprender un concepto en particular, establece un plan y date un n煤mero fijo de d铆as o semanas para aprender ese tema y luego practicarlo. Si practicas continuamente, te dar谩 claridad en la toma de decisiones, te dar谩 control sobre el futuro y una sensaci贸n de satisfacci贸n personal.

Esta lista no es exhaustiva, ya que hay muchos otros errores que cometemos cuando estas iniciando dentro de este mundo, estos fueron solamente las m谩s comunes

preguntas de inteligencia Artificial

Pregunta: De las siguientes afirmaciones 驴cu谩l crees que es cierta?

Opci贸n 1: Al comenzar a estudiar debo enfocarme en conocer toda la teor铆a de Machine Learning y a su vez en enfocarme en obtener la mayor procentaje de precisi贸n en todos los modelos que construya.

Respuesta Incorrecta.聽Al comenzar a estudiar te debes enfocar tanto en la teor铆a como en la pr谩ctica y te debes enfocar en los requerimientos no necesariamente debes obtener el mejor de los resultados.

Opci贸n 2:聽Para evitar los problemas de comunicaci贸n debo aprender a realizar las mejores gr谩ficas posibles con los conjuntos de datos disponibles y los que haya generado el modelo.

Respuesta Correcta.

Opci贸n 3:聽Una vez que haya entendido la parte b谩sica de Machine Learning puedo empezar a estudiar otras 谩reas como Visi贸n Computacional o Aprendizaje Profundo.

Respuesta Correcta.

Si te llamo la atenci贸n todo este contenido y te animaste a empezar a estudiar Inteligencia Artificial, he desarrollado un curso que te ayudar谩, de igual forma a iniciar tu camino dentro de est谩 tecnolog铆a. Este curso te sentar谩 las bases y te dar谩 m谩s claridad para poder seleccionar el enfoque o 谩rea que m谩s te interese sobre la Inteligencia Artificial, de igual forma te ayudar谩 tener m谩s claridad en muchos conceptos que seguramente en estos momentos te parece confusos. Este curso es ideal si apenas est谩s empezando. Si quieres m谩s informaci贸n puedes ingresar a este enlace.

5 comentarios en “10 errores que comenten los cient铆ficos aficionados de datos”

  1. Respuesta al v铆deo, Opci贸n 3

    En Venezuela, cuales son las empresas o industrias que trabajan con ciencia de datos ?

    1. Hola Rafael, la pregunta no es tanto que trabajen con Ciencia de Datos porque la gran mayor铆a trabaja y analizan los datos, pero no necesariamente implementen algoritmos de ML. Por ejemplo, yo trabaje en la 芦antigua PDVSA禄 y el manejo y an谩lisis de datos era impresionante y desde all铆 me llamo la atenci贸n este mundo, no creo que lo sigan haciendo porque se trabajaba con licencias muy caras. Ahora bien, que trabaje con ML hace poco conoc铆 una empresa en Caracas, no recuerdo el nombre, que trabajaba con los planos de las ciudades y en funci贸n de eso quer铆an crear ciudades inteligentes, esta empresa hab铆a hecho proyectos en Medell铆n y otras ciudades de Colombia y me pareci贸 interesante su trabajo.

  2. GRACIAS Ligdi por la respuesta, soy un entusiasta, de este tema, estoy haciendo tus cursos, te felicito e incluso admiro, poco se consigue en espa帽ol un canal o p谩gina con el orden estructurado como lo tienes t煤.

  3. Ednaldo Almeida

    Soy de Brasil, y te encontr茅 investigando el tema, he sido DBA durante 20 a帽os, y ahora quieres ser un Cient铆fico de Datos, el comienzo es muy dif铆cil pero poco a poco se aclara.
    Creo que el principal problema para aquellos que est谩n comenzando es no poder entender o ver c贸mo su algoritmo puede ser 煤til en un entorno real.

    Hice un pron贸stico basado en acciones, que hist贸ricamente funcion贸 bien, pero en la pr谩ctica no tengo todos los datos, 驴c贸mo puedo predecir el futuro si solo tengo el valor de apertura?

    1. Hola Ednaldo, si estas haciendo un proyecto con acciones de la bolsa, esta da bastante informaci贸n no solamente con que abr铆o la acci贸n sino tambi茅n los max y min durante el d铆a inclusive en cuanto cierra la acci贸n y en cuanto abre (que no siempre es el mismo valor) para este proyecto se cuenta con muchos m谩s datos de los que se menciona. Saludos.

Deja un comentario

Tu direcci贸n de correo electr贸nico no ser谩 publicada.