Importancia y usos de data science e inteligencia artificial

1

Oportunidades laborales en Data Science e inteligencia artificial

2

Glosario para entender el mundo de Data Science e inteligencia artificial

3

¿Qué es Data Science?

4

¿Qué es inteligencia artificial? ¿Cuál es su diferencia con Data Science?

5

¿Qué es Big Data? ¿Cuál es su diferencia con Data Science?

6

¿Qué NO es Data Science? ¿Por qué aprenderla?

7

Áreas de aplicación de Data Science e inteligencia artificial

8

Roles en la industria: cómo funcionan los equipos de datos e inteligencia artificial

Quiz: Importancia y usos de data science e inteligencia artificial

Data Analyst

9

¿Qué hace una Data Analyst?

10

Herramientas y tecnologías para Data Analysts

11

La experiencia de un Data Analyst: entrevista a Demian Arenas

Quiz: Data Analyst

Data Scientist

12

¿Qué hace una Data Scientist?

13

Herramientas y tecnologías para Data Scientists

14

La experiencia de una Data Scientist: entrevista a Nazly Santos

Quiz: Data Scientist

Data Engineer

15

¿Qué hace una Data Engineer?

16

Herramientas y tecnologías para Data Engineers

17

La experiencia de un Data Engineer: entrevista a Alexis Araujo

Quiz: Data Engineer

Machine Learning Engineer

18

¿Qué hace una Machine Learning Engineer?

19

Herramientas y tecnologías para Machine Learning Engineers

20

La experiencia de un Machine Learning Engineer: entrevista a Gerson Perdomo

Quiz: Machine Learning Engineer

Ser profesional en el mundo de los datos e IA

21

Soft skills para Data Science

22

¡En sus marcas, listos, fuera!

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Herramientas y tecnologías para Machine Learning Engineers

19/22
Recursos

Las herramientas con las que crearás cosas increíbles para mejorar la experiencia del usuario y hacer del mundo un lugar mejor serán:

  • Lenguajes de programación: Python, Java y C++
  • Bases sólidas de ingeniería.
  • Jupyter Notebooks.
  • Principales librerías de Python: NumPy, Pandas, Matplotlib y seaborn.
  • Principales librerías de Machine Learning: Tensor Flow y keras.
  • Tecnologías para exportar tus proyectos a otras máquinas: Flask, FastAPI, tecnologías cloud, contenedores Doker y Kubernetes.
  • Matemáticas: estadística descriptiva e inferencia, probabilidad, álgebra lineal y cálculo.
Un destornillador y una llave haciendo una x.

¿Cómo empezar el camino de Machine Learning Engineer?

Para comenzar tu carrera como Machine Learning Engineer, es recomendable seguir los siguientes consejos, que te facilitarán en gran medida el trayecto:

  1. Aprender a programar en Python.
  2. Fundamentos matemáticos.
  3. Frameworks para construir tus primeros modelos.

Platzi ha creado una ruta de aprendizaje especialmente dedica a cubrir todas las habilidades necesarias para convertirte en Machine Learning Engineer.

Aportes 19

Preguntas 3

Ordenar por:

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

Encontré una propuesta para Montevideo, Uruguay y es importante hacer notar que para la gran mayoría piden inglés:

Herramientas para Machine Learning

Me llamó mucho la atención el rango de renta ofrecido en USA para ML Engineer en este momento.

Vamos por buen camino 😄

Herramientas y tecnologías para Machine Learning Engineer

  • Programación avanzada con Python, Java y C++

  • Bases sólidas de ingeniería de software y tecnologías DevOps y Backend, para poder aprovechar al máximo el poder computacional.

  • Jupyter Notebooks, ya que para analizar y explorar los datos se trendrá que hacer uso de librearías como Pandas, NumPy, Matplotlib, Seaborn, entre otros, que permitirán mostrar mejor los resultados.

  • Uso extensivo de frameworks y librerías de machine learning. Keras, TensorFlow, PyTorch.

  • Para desplegar los modelos, se puede hacer uso de librerías como Flask o FastAPI (desplegar el modelo a través de máquinas virtuales).
    Otra manera de hacerlo es usando contenedores Docker y usando orquestadores como Kubernetes para sincronizar todos los elementos del sistema dentro del modelo de ML.

  • Todo esto será desplegado en la nube, por lo que tambien deberá tener conocimientos sobre Azure, AWS o Google Cloud.

Matemáticas para machine learning

  • Estadística descriptiva e inferencial, para lograr explorar y analizar mejor los datos.

  • Probabilidad para definir el modelo que mejor se adapta a los datos.

  • Algebra Lineal y Cálculo, para hacer uso de funciones que permitan optimizar los modelos.

Todos los roles necesitan Python, la mayoría usan Jupyter y sus librerias

machine learning es la más retadora según mi punto de vista.

Machine learning engineer

  • Data scientist realiza modelo ML y lo pasa a machine learning engineer para que ponga modelo a funcionar.

Día a dia

  • Generar evaluación de métricas de modelos de ML

  • Construir, escalar y robustecer sistemas de ML que funcionen en producción

  • Colaboran con data scientific y otros ingenieros de software

  • Monitorean el desempeño y funcionamiento de los sistemas de machine learning

  1. Microsoft Azure Machine Learning

  2. IBM Watson

  3. Google TensorFlow

  4. Amazon Machine Learning

  5. OpenNN

Best ML Tools

Es la mezcla de todos, tiene que entender lo que los demás utilizan para poder mejorar los modelos.

Agregando rutas

Ya lo añadí a mi ruta.

escuela de python por favor

Qualifications:
.
We are looking for individuals to develop robust, scalable, and maintainable production software. We are looking for a:
.

  • Self-starter with experience developing software, processing big data, and implementing machine learning / deep learning models.
  • Strong communicator with the ability to understand data science concepts and express software design ideas.
  • Strong interest in working with a remote team and a willingness to ask questions and share information with the rest of the team.
  • Dedication to detailed testing and delivering high quality software.

.
A Machine Learning Engineer must have 2-4 years of experience in some of the following areas:
.

  • Building backend software applications in Python
  • Automated software testing (unit, integration, behaviour)
  • Experience with data analysis frameworks (Pandas, Numpy)
  • Experience with machine learning frameworks (Scikit Learn, LightGBM)
  • Experience with deep learning frameworks (PyTorch, Tensorflow)
  • Experience with distributed computing (Ray, Spark)
  • Experience with SQL and ETL tools
  • Background in statistics or computational mathematics
    .

Fuente: https://www.linkedin.com/jobs/search/?currentJobId=2912358772&keywords=machine learning engineer

Información resumida de esta clase
#EstudiantesDePlatzi

Tecnologías y herramientas

  • Python, Java, C++
  • Bases sólidas de ingeniería de software
  • Jupyter notebooks
  • Pandas, Numpy, Matplotlib, Seaborn
  • Frameworks y librerías de machine learning
  • Flask o FastAPI
  • Tecnologias Cloud
  • Contenedores docker
  • Kubernetes

MATEMÁTICAS

  • Estadísticas descriptivas
  • Probabilidad
  • Álgebra lineal
  • Cálculo

la biblioteca de pandas es muy variada, estuve echándole una mirada

Acabo de hallar este.