Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Datacademy

Datacademy

Platzi Team

Platzi Team

Sesión en vivo - Semana 4

4/7
Recursos

¡Hola! En esta sesión en vivo conocimos el rol de Machine Learning Engineer. 🧠

Aportes 15

Preguntas 3

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

Hola! Por si a alguien le sirve, aquí está el libro que recomendó el profesor, Naked Statistics de Charles Weelan.

Está en inglés, de paso sirve para practicar/reforzar nuestro inglés 😃

https://indianpdf.files.wordpress.com/2021/10/naked-statistics_-stripping-the-dread-from-the-data-charles-wheelan-free-download-www.indianpdf.com_-book-novel-online.pdf

Buenas, para quienes les pueda servir, aquí dejo los timestamps de la sesión en vivo:

 Presentación : 00:00 - 07:59
 Introducción al rol de Machine Learning Engineer (MLE) : 08:00 - 09:30
 ¿Qué hace un MLE?: 09:31 - 13:11
 Herramientas de un MLE: 13:12 - 17:18
 ¿Cómo empezar?: 17:19 - 19:42
 Reto de la sesión: 19:43 - 20:12
 Ruta del MLE: 20:13 - 23:57

 Sección preguntas: 25:50 - 1:01:13

  • Siendo Deepnote un poco limitada, como MLE es mejor usar Jupyter Notebooks en VSCode o Conda desde un ambiente local o es mejor usar un ambiente virtual como Deepnote?: 25:50 - 27:55
  • ¿Con la ruta presentada será suficiente para incursionar profesionalmente y buscar un empleo? ¿Cuál es la capacidad de computo recomendada para poder usar estas herramientas satisfactoriamente? 28:15 - 29:50
  • Ya que la ruta de MLE es larga, ¿se puede ejercer como Data Scientist mientras uno progresa en la ruta? 29:51 - 30:40
  • ¿Es posible conseguir trabajo como MLE sin tener experiencia previa o título? 31:10 - 32:20
  • ¿Cómo darnos a conocer en la búsqueda de trabajo?¿qué tipo de proyectos hacer? 32:21 - 36:10
  • La recomendación es siempre la de hacer proyectos, ¿Cuántos de estos proyectos se convierten en emprendimientos? 36:18 - 38:05
  • ¿es recomendable llevar todos los cursos en orden o se pueden saltar o tomarlos en distinto orden 38:06 - 39:30
  • ¿en qué tamaño de empresa o cantidad de datos vale la pena usar un MLE? 39:31 - 41:50
  • ¿Además del camino en Data, sería bueno complementar con otras areas tipo MKT? 41:51 - 44:10
  • ¿Cuál es la diferencia que existe entre el ML que practica un DS y el ML que practica un MLE? 44:11 - 46:25
  • ¿Para el portafolio, hay algún número de proyectos mínimo a realizar? 46:26 - 47:51
  • ¿Cómo poder unirnos a proyectos ya existentes donde poder comenzar a practicar? 47:52 - 50:10
  • ¿en qué poder enfocarnos para comenzar el camino como Data Analyst? 50:11 - 56:35
  • ¿Cómo poder robustecer pequeños proyectos ya creados? 56:36 - 58:45

 Despedida 58:46 - 1:01:13

Buenas geeeente! les vuelvo a dejar mis apuntes, para quiénes les sirva, dónde hice los retos, comentarios a color (?, y demás cuestiones para sumar! 😄 nos vemos en la otra semana 😄

https://deepnote.com/project/Semana-4-Data-Academy-qYboA-nqQ3O1YJnoSPYIZg/%2Ftiposdedatos.ipynb

Claramente para aprender Machine Learning se necesitan muchos mas conocimientos hards que para cualquiera de las otras variantes de Data.
Re afirmo mi intención de comenzar por ser un excelente Data Analyst y luego ir profundizando en el campo del machine learning

la parte de estadística fue una de las mejores partes de esta semana para mi

jeje 😄 más de 150 como los pokemones 😄 ❤️

Data Scientist y ML Engineer creo que son mis objetivos principales.

Gracias a estas 5 semanas me di cuenta que definitivamente lo mío es saber sobre ML , esta hard aprenderlo, pero no me rendiré hasta lograrlo.

Galería de proyectos: https://streamlit.io/gallery

Muy bien estos directos, explican claro el camino.

Machine Learning Engineer

  • Se posiciona en la cima de la pirámide de necesidades de Data Science
  • Trabaja con todo el equipo, aunque especialmente con Data Scientist y developers
  • Procurará que el modelo funcione en productivo
  • Genera una evaluación extensiva de métricas de modelos de ML
  • Monitorea el desempeño y funcionalidad de los sistemas de machine learning

Herramientas y tecnología

  • Programación avanzada con Python, Java y C++
  • Bases sólidas de ingeniería de software
  • Jupyter Notebooks
  • Pandas, Numpy, Matplotlib, Seaborn
  • Uso extensivo de frameworks y librerías de machine learning
  • Flask o FastAPI
  • Tecnologías cloud
  • Contenedores Docker
  • Kubernetes

Salarios promedios (Estados Unidos)

Data Analyst

Base salary: $65,000/yr
Range: $41,600 - $93,600

Data Engineer

Base salary: $97,000/yr
Range: $65,000 - $141,000

Data Scientist

Base salary: $106,000/yr
Range: $72,700 - $150,000

Machine Learning Engineer

Base salary: $130,000/yr
Range: $82,100 - $180,000

Datacademy ha sido una preciosa introducción a la ciencia de datos, de hecho seria un buen curso introductorio a la escuela de Ciencia de Datos e Inteligencia Artificial

  • El ML está en la cima de las necesidades de la jerarquía de necesidades de data science
  • El ML engineer valida que funcione el modelo.
  • trabaja con Developer como frontend, backend etc…
  • un ML toma el modelo del data scientist y lo pasa a producción, con el fin de crear productos con IA que sean de mayor valor
  • genera una evaluación extensiva de métricas del modelo de ML
  • modifica el modelo de ML para que funcionen en producción
  • colabora con los integrantes del equipo de Data Science
  • monitorea el desempeño del sistema de ML
  • proceso de ML: datos de entrenamiento -> entrenamiento algoritmo de ML -> Modelo -> algoritmo ML -> predicción -> evaluación -> entrenamiento
  • El ML egineer se encarga de mejorar los modelos existentes para la producción.
  • Herramientas:

    • POO
    • Python, Java, C++
    • Bases sólidas de Ingeniería de software
    • Notebooks
    • sistemas de backend:
      • Flask o FastAPI
      • CLOUD
      • Docker (contenedores)
      • Kubernetes (orquestar los contenedores)
    • Pandas, NumPy, MatPlotLib, Seaborn
    • Freshworks y librerías para ML
    • Estadística y probabilidad.
    • Álgebra lineal
    • Cálculo
  • ¿Como empezar?

    • Programar Python
    • Ingeniería de software
    • Librerías de Python para manipulación, análisis y visualización de datos.
    • Matemáticas aplicadas.
    • ML con scikit-learn, TensorFlow, Pytorch
  • Escuela y ruta específica en ML

    • Bases de programación
    • visualización y matemáticas
    • librerías
    • análisis de datos
    • matemáticas avanzadas
    • bases de datos
    • redes neuronales
    • nube
    • visión por computadora
    • NPL
    • desplegar modelos en producción
    • nubes AWS, GOOGLE, AZURE
  • Preguntas

    • el Notebook a usar depende del proyecto y la manera de trabajar del equipo o la persona.
    • La ruta de ML en Platzi es suficiente para conseguir un empleo, las GPU de Google Colab y Kaggle son buenas para ML
    • Puedes empezar como Data Analyst, después Data Scientist y posteriormente pasar a ML engiere.
    • si no tienes experiencia laboral, tienes que crear un proyecto y ponerlo en producción, entrar en concursos como Kaggle. Esto con el fin de llamar la atención.
    • Para el portafolio documentas todo el proceso en un blog o videos. Tomar competencias en Kaggle y colocarlas en el portafolio. Repositorios en GitHub. streamlit para compartir. Entre más visible este el contenido es mejor. Eso mejora el SEO.
    • Los proyectos de Data Science y ML pueden terminar en emprendimientos si es que agregan valor.
    • Se recomienda seguir el orden de los cursos para avanzar.
    • El ML se aplica cuando el proyecto llega a cierta madures para poder sacarle provecho.
    • tienes una ventaja competitiva si sabes de otra área y también de data Science
    • El ML engineer coloca el modelo que le entrego él data Science en producción y lo adapta para mejorarlo.
    • El portafolio debe de estar bien documentado, bien explicados, buen storytelling, que se vea que es un proyecto profesional con calidad. Esto con el fin de demostrar que puedes hacer un trabajo profesional.
    • Para trabajar en equipo busca hackatones.
    • Excel y PowerBI para realizar gráficas y análisis.

Excelente, ya esperando la semana 5.