Machine Learning:
- Modelaje con Machine Learning
- Automatizacion de entrenamiento
- Backend
- cuando los modelos sean importantes
- Como llega la data y transformarla
- Permitir la automatizacion
Importancia y usos de data science e inteligencia artificial
Oportunidades laborales en Data Science e inteligencia artificial
Glosario para entender el mundo de Data Science e inteligencia artificial
¿Qué es Data Science?
¿Qué es inteligencia artificial? ¿Cuál es su diferencia con Data Science?
¿Qué es Big Data? ¿Cuál es su diferencia con Data Science?
¿Qué NO es Data Science? ¿Por qué aprenderla?
Áreas de aplicación de Data Science e inteligencia artificial
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
¿Qué hace una Data Analyst?
Herramientas y tecnologías para Data Analysts
La experiencia de un Data Analyst: entrevista a Demian Arenas
Quiz: Data Analyst
Data Scientist
¿Qué hace una Data Scientist?
Herramientas y tecnologías para Data Scientists
La experiencia de una Data Scientist: entrevista a Nazly Santos
Quiz: Data Scientist
Data Engineer
¿Qué hace una Data Engineer?
Herramientas y tecnologías para Data Engineers
La experiencia de un Data Engineer: entrevista a Alexis Araujo
Quiz: Data Engineer
Machine Learning Engineer
¿Qué hace una Machine Learning Engineer?
Herramientas y tecnologías para Machine Learning Engineers
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
Soft skills para Data Science
¡En sus marcas, listos, fuera!
Aún no tienes acceso a esta clase
Crea una cuenta y continúa viendo este curso
Las increíbles experiencias y consejos de alguien que se encuentra laborando como Machine Learning Engineer. Descubre los retos y las cosas simplemente geniales de este mundo.
Cuando estaba en el colegio me gustaba demasiado el modelado matemático, luego cuando conocó Python y las librerías relacionadas con Machine Learning me enganché en este mundo de la Data.
La principal diferencia es que una Data Science llega hasta la fase de modelado, una Machine Learning Engineer debe encargarse de monitorear, mejorar e implementar el modelo dentro del producto de la empresa u organización.
Se necesita cuando el modelo se desarrolla tanto que pueda llegar a convertirse en parte del producto o un producto. De tal forma que ese sería el punto ideal para contratar o crear el rol de una Machine Learning Engineer.
El día a día de una Machine Learning Engineer consiste en encargarse de los modelos para que funcionen adecuadamente, sin sesgos y demás bugs que puedan presentarse, como también una intensa relación con los DevOps, Backend y Frontend para realizar una muy buena relación del producto con el modelo.
Los retos más grandes dentro del mundo del Machine Learning radican en la escalabilidad y la portabilidad de los modelos con el producto, ya que generar una gran cantidad de predicciones en corto tiempo y que sea fácilmente reproducible en distintos dispositivos no es tarea fácil.
Lo más emocionante de trabajar como Machine Learning es cargar el modelo ya desarrollado a el producto, de forma tal que este sea de utilidad para el usuario final. Además de hacer las pruebas para verificar que este funcioné adecuadamente.
Dentro de este rol, las herramientas más utilizadas son las siguientes:
El primer paso debe ser manejar muy bien las librerías de Machine Learining como Tensor Flow, Scikit-Learn y PyTorch. El segundo paso sería enfrentarte a herramientas de Backend como Flask, FastAPI y Django para colocar tu modelo. El tercer paso ees aprender sobre un poquito de nube, ya sea Azure, AWS o Google Cloud.
Dentro de toda mis experiencias, los consejos que le daría a una persona que se encuentra iniciando en el camino de Machine Learning Engineer son:
Las respuestas dadas anteriormente nos llevan a concluir que una Machine Learning Engineer es un rol que se encuentra en lo más alto de la pirámide de las necesidades de Data Scinece. Es cierto que se crean cosas increíbles, pero se necesita una cultura Data-Driven muy bien desarrollada para ello.
Aportes 36
Preguntas 3
Machine Learning:
Entre más avanzo, más me doy cuenta que me hace falta mucho para llegar a un buen nivel competitivo. 😲
Gracias Platzi por hacer estas entrevistas que nos revelan un poco más la realidad con respecto a lo que vamos a encontrar allá afuera en el mundo. 😊
Todo esto debe motivarnos a seguir adelante y nunca parar de aprender 💪 💚
La Herramienta principal Python.
Como recomendación creo que se necesitaría este tipo de entrevistas en las demás carreras y rutas, son de mucha importancia.
Esa producción a 2 cámaras sí se puede ver
Fan de este tipo de entrevistas, deberían implementarlo en los paths de otras escuelas de Platzi para tener un panorama completo de lo que se aspira al terminar las rutas de aprendizaje.
es excelente escuchar hablar sobre esta tecnología a un experto pero debo decir que no me contagio su entusiasmo cuando le preguntaron:
que es lo que mas le apasiona?
y eso que a mi me llama mucho la atención este rol
este rol si es mas supremo, no?
Para los que no les queda claro que es un insight:
https://adveischool.com/insight-que-es
El Data Scientist llega hasta el modelo y el Machine Learning Engineer se encarga del despliegue y puesta en producción.
Algo que me parece poderoso en cualquier curso como estos de introducción, es mostrar algunos ejemplos del trabajo en conjunto que tienen estos departamentos de tecnología (ya sea DS, DB, startups, etc.)
Un dato curioso… Gerson es un profesional formado en Platzi. Me emociona mucho escuchar estas entrevistas, especialmente esta, porque soy ingeniera química también y me interesa mucho dar este paso como data science. Gracias a Gerson por sus aportes y a Platzi por hacerlo posible 😃
De todos los roles presentados durante el curso, este es el que más me ha gustado. Combina el desarrollo backend y ciencia de datos, me gustan ambas cosas y solo hasta ahora me entero que puedo tener todo en un solo lugar.
wow
Muy buena entrevista!
El Data Scientist estás mas enfocado en el encontrar los mejores modelos de IA para el negocio. En cambio, el MLE toma esos modelos y los despliega a producción donde es utilizado como un producto de la empresa. Pero el modelo de ML debe estar en monitoreo constante ya que el debe ser escalable e ir aprendiendo con los nuevos datos que ingresan lo usuariosy por lo tanto, si algo en la naturaleza de los datos cambia, es probable que el modelo sufra degradaciones y ahí es donde entra en acción el Machine Learning Engineer uevamente. Para lograr que el modelo sea adapte a los cambios, que se reemplaze por alguna otra versión o mejora del mismo. Ya que significa que la naturaleza de los datos (Distribución estadística) han cambiado y el modelo debe ser reformado.
LA DIFERENCIA CONSISTE EN TRANFORMAR EL MODELO DEL DATA SCIENTIST EN UN PRODUCTO FINAL, ULTIMAR DETALLES Y DEJAR LISTO EL PRODUCTO PARA SU USO MASIVO.
Tips para proceso de aprendizaje
Recomendaciones para empezar de cero
¡Fantástico el papel de Machine Learning Engineer!
Hola amigos,
Aqui les dejo un video donde explican ¿Cómo convertirse en machine learning engineer?, de paso practicas ingles 😄
https://www.youtube.com/watch?v=kHlkRfThMmk
Me ha convencido!!
excelente entrevista y excelente el aporte de gerson, es motivante escucharlo y a la vez desafiante para los que vamos empezando en este camino, gracias teamplatzi por compartir estas entrevistas ya que junto con los clases nos dan esa vision panoramica de lo que nos espera y lo retador que esto puede ser
Información resumida de esta clase
#EstudiantesDePlatzi
Una Machine Learning Enginner crea el modelo y automatiza la puesta de producción
la escalabilidad parece ser un reto
Python es la herramienta principal y la curiosidad
Primer paso general es manejar frameworks de machine learning : Scikit-Learn, TensorFlow, Python son indispensables y se debe tener un extensión conocimiento. Además de conocimiento backend tales como Flask, FastAPI, Django
Es genial que hagan entrevistas a personas con experiencia dentro de los cursos. Excelente, gracias :3
No se le entiende nada a este tipo
Retos:
Portabilidad y escalabilidad
Reproducción del modelo
Tips: extrema curiosidad por frameworks, curiosidad por lo que hacen los equipos, conocimiento devOps
Esta sección es genial, ya que, podemos conocer de primera mano las experiencias de las personas que están directamente en la industria.
Ya que son roles “nuevos” estaria bueno, ver un poco mas del dia a dia de sus trabajos. Me encantó verlos hablar de su experiencia y darles mas forma a lo que creo es Data Science
Muchas gracias por la entrevista. Ojalá pueda lograr se parte de un equipo como Machine Learning Engineer.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.