Usted ha hecho dos preguntas aquí:
- ¿Es únicamente beneficioso seguir el curso?
- Sí. Te lleva a través de todo el proceso de Data Science de una manera muy lógica. Te obliga a entrar en los detalles sucios de los sitios web de raspado, la limpieza del raspado, el análisis exploratorio de datos, la confección de modelos, la evaluación de modelos y la comunicación de tus hallazgos. Es beneficioso tener un tratamiento amplio y cohesivo de la ciencia de datos porque hay mucho que aprender. Al tener una base en cada parte, la barrera para aprender la profundidad por su cuenta es mucho menor porque los temas son familiares dentro de su marco fundacional.
- ¿Es suficiente para aprender ciencia de datos a un nivel por encima del promedio?
- No. Ningún curso te llevará a esa afirmación. En mi opinión (como alguien que no tiene un título de trabajo de ‘científico de datos’), esa habilidad solo vendrá con experiencia en proyectos de los cuales usted es responsable. Creo que una de las maneras más fáciles de hacer esto es obtener una posición de analista de datos y luego expandir tu conjunto de habilidades mientras tienes conjuntos de datos importantes para jugar. Por ejemplo, todo el tiempo que leí Storytelling with Data (las tres horas), sabía exactamente qué gráfico del trabajo quería mejorar. En mi opinión, Kaggle es demasiado ingenioso porque el trabajo (raspado y limpieza) a menudo se ha hecho por ti. Sin embargo, tiene un valor obvio en cierta parte del gran conjunto de la ciencia de datos.
- Como lo demuestra el curso en persona, hay una variedad de formas de “aprobar” el curso. Puede terminar el curso sin saber ninguna estadística (yo diría que el curso requiere mucha más programación), lo cual es problemático porque obtiene mucho más si realmente entiende la base estadística de por qué hace las cosas. Por lo tanto, terminar el curso es el comienzo de la educación en ciencia de datos. Luego, con suerte, sabrás qué cosas necesitas mejorar. Y para ese período, mira lo que diga William Chen.