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

¬ŅQu√© es Data Science?

4

¬ŅQu√© es inteligencia artificial? ¬ŅCu√°l es su diferencia con Data Science?

5

¬ŅQu√© es Big Data? ¬ŅCu√°l es su diferencia con Data Science?

6

¬ŅQu√© NO es Data Science? ¬ŅPor qu√© aprenderla?

7

√Āreas de aplicaci√≥n 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

¬ŅQu√© 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

¬ŅQu√© 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

¬ŅQu√© 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

¬ŅQu√© 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!

A√ļn no tienes acceso a esta clase

Crea una cuenta y contin√ļa viendo este curso

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

20/22
Recursos

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.

¬ŅC√≥mo conoci√≥ Gerson el mundo de la data?

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.

¬ŅCu√°l es la diferencia entre una Machine Learning y una Data Science?

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.

¬ŅCu√°ndo es necesario una Machine Learning Engineer en el equipo?

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.

Dos microfonos captando la voz de una personas con un gesto de explicación.

¬ŅC√≥mo es el d√≠a a d√≠a 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.

¬ŅCu√°les son los retos m√°s grandes de una Machine Learning?

Los retos m√°s 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 f√°cilmente reproducible en distintos dispositivos no es tarea f√°cil.

¬ŅQu√© es lo m√°s emocionante del Machine Learning?

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.

¬ŅQu√© herramientas son las que m√°s utiliza una Machine Learning Engineer?

Dentro de este rol, las herramientas m√°s utilizadas son las siguientes:

  • Python.
  • Frameworks y librer√≠as de Machine Learning: Scikit-Learn, Tensor Flow, PyTorch y ONNX.
  • Herramientas en kubernetes: Github y Jenkis, entre otras.

¬ŅCu√°les deber√≠a ser los primeros pasos para iniciarse en el mundo del Machine Learning?

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.

Tips que han ayudado a Gerson a lo largo de su carrera como Machine Learning Engineer

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:

  • Extrema curiosidad por las librer√≠as de Machine Learning.
  • Curiosidad sobre Backend y DevOps.

Conclusión

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

Ordenar por:

¬ŅQuieres ver m√°s aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesi√≥n.

Machine Learning:

  • Modelaje con Machine Learning
  • Automatizacion de entrenamiento
  • Backend
  • cuando los modelos sean importantes
  • Como llega la data y transformarla
  • Permitir la automatizacion

Entre m√°s avanzo, m√°s me doy cuenta que me hace falta mucho para llegar a un buen nivel competitivo. ūüė≤
Gracias Platzi por hacer estas entrevistas que nos revelan un poco m√°s la realidad con respecto a lo que vamos a encontrar all√° afuera en el mundo. ūüėä
Todo esto debe motivarnos a seguir adelante y nunca parar de aprender ūüí™ ūüíö

Gerson, un profesional con demasiados skills t√©cnicos y buen compa√Īero de trabajo , no duden en seguirlo en twitter como @gersonrpq demasiado bueno ūüíö

La Herramienta principal Python.

Como recomendación creo que se necesitaría este tipo de entrevistas en las demás carreras y rutas, son de mucha importancia.

Retos: *Escalabilidad y portabilidad *El MLE se encarga de el modelo salga de J√ļpiter *Manejar bien las herramientas, los frameworks de ML #Tips: aprender de: *Curiosidad por los frameworks *Backend *Devops

Esa producción a 2 cámaras sí se puede ver

Este pana es venezolano.

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‚Ķ Gerson es un profesional formado en Platzi. Me emociona mucho escuchar estas entrevistas, especialmente esta, porque soy ingeniera qu√≠mica tambi√©n y me interesa mucho dar este paso como data science. Gracias a Gerson por sus aportes y a Platzi por hacerlo posible ūüėÉ

De todos los roles presentados durante el curso, este es el que m√°s 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

¬°Fant√°stico el papel de Machine Learning Engineer!

Hola amigos,

Aqui les dejo un video donde explican ¬ŅC√≥mo convertirse en machine learning engineer?, de paso practicas ingles ūüėĄ
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 producci√≥n

  • 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 ‚Äúnuevos‚ÄĚ estaria bueno, ver un poco mas del dia a dia de sus trabajos. Me encant√≥ verlos hablar de su experiencia y darles mas forma a lo que creo es Data Science

Muchas gracias por la entrevista. Ojal√° pueda lograr se parte de un equipo como Machine Learning Engineer.