Cómo entrar al mundo de Data Science

Clase 37 de 47 • Revive nuestros eventos exclusivos

Mateo Montoya Henao

student•

El mundo de Data Science es uno de los campos más demandados y apasionantes hoy en día. Sin embargo, puede parecer abrumador al principio.

Aquí te presento una guía clara y estructurada sobre cómo entrar al mundo de Data Science, ideal para principiantes:

🎯 Fase 1: Los Fundamentos (3-6 meses)

Esta es la base sólida que todo científico de datos necesita.

Matemáticas y Estadística (No te asustes):
- ¿Qué aprender?
  - Estadística Descriptiva: Media, mediana, moda, desviación estándar, varianza, cuartiles, percentiles.
  - Probabilidad: Distribuciones (normal, binomial), conceptos básicos de probabilidad.
  - Estadística Inferencial: Introducción a pruebas de hipótesis (t-tests), correlación, regresión lineal simple.
  - Álgebra Lineal (básico): Vectores, matrices y sus operaciones (sin profundizar demasiado al inicio).
- ¿Dónde aprender? Cursos online (Coursera, Khan Academy, Udacity), libros de texto introductorios.
- Por qué es clave: Para entender por qué y cómo funcionan los algoritmos, interpretar resultados y tomar decisiones basadas en datos.
Programación (El lenguaje del Data Scientist):
- ¿Qué aprender?
  - Python: Es el estándar de la industria. Aprende los fundamentos: variables, tipos de datos, estructuras de control (if/else, for/while), funciones, programación orientada a objetos (básico).
  - SQL: Imprescindible para interactuar con bases de datos. Aprende a seleccionar, filtrar, unir tablas (JOINs), agrupar y ordenar datos.
- ¿Dónde aprender? Platzi, Coursera (Python for Everybody), FreeCodeCamp, DataCamp, Codecademy.
- Por qué es clave: Para manipular datos, construir modelos y automatizar tareas.
Herramientas Esenciales de Python para Datos:
- NumPy: Para cálculo numérico eficiente con arrays.
- Pandas: La librería "navaja suiza" para manipulación y análisis de datos tabulares (DataFrames). ¡Es fundamental!
- Matplotlib y Seaborn: Para crear visualizaciones de datos estáticas y atractivas.
- Jupyter Notebooks / Google Colab: El entorno de trabajo interactivo por excelencia para Data Science.
- ¿Dónde aprender? Los mismos cursos de Python, con módulos específicos para estas librerías.
- Por qué es clave: Son las herramientas que usarás a diario para limpiar, explorar y visualizar datos.

🚀 Fase 2: Construyendo la Especialización (3-6 meses)

Una vez con los fundamentos, es momento de profundizar.

Machine Learning (El Corazón de Data Science):
- ¿Qué aprender?
  - Tipos de ML: Aprendizaje supervisado (regresión, clasificación), no supervisado (clustering).
  - Algoritmos clave: Regresión Lineal/Logística, Árboles de Decisión, Random Forest, K-Means.
  - Evaluación de Modelos: Métricas (precisión, recall, F1-score, R²), validación cruzada.
  - Feature Engineering: Cómo crear nuevas variables a partir de las existentes.
  - Scikit-learn: La librería estándar de Python para ML.
- ¿Dónde aprender? Platzi (Ruta de Machine Learning), Coursera (Machine Learning de Andrew Ng), DataCamp.
- Por qué es clave: Para crear modelos que aprendan de los datos y hagan predicciones o tomen decisiones.
Visualización Avanzada y Comunicación:
- ¿Qué aprender?
  - Herramientas BI: Power BI, Tableau, Looker (al menos una).
  - Storytelling con Datos: Cómo presentar tus hallazgos de forma clara y persuasiva a audiencias no técnicas.
- ¿Dónde aprender? Cursos específicos de estas herramientas, o buscar recursos sobre "Data Storytelling".
- Por qué es clave: Un buen modelo no sirve de nada si no puedes comunicar su valor.
Bases de Datos Avanzadas y Cloud (Conceptos):
- ¿Qué aprender?
  - SQL avanzado: Subconsultas, CTEs, funciones de ventana.
  - Introducción a Bases de Datos NoSQL: MongoDB (conceptos básicos).
  - Conceptos de Cloud: Familiarizarse con servicios básicos de AWS, GCP o Azure (almacenamiento, máquinas virtuales, servicios de datos).
- ¿Dónde aprender? Cursos específicos de SQL avanzado, documentación de proveedores cloud.
- Por qué es clave: Los datos suelen vivir en infraestructuras complejas, y los modelos a menudo se despliegan en la nube.

🛠️ Fase 3: Construyendo tu Portafolio y Red (Constante)

Esta fase es crítica para conseguir un trabajo.

Proyectos, Proyectos, Proyectos:
- ¿Qué hacer? Es el pilar fundamental. Aplica todo lo que aprendas.
  - Kaggle: Participa en competiciones o descarga datasets para practicar.
  - Datasets Públicos: UCI Machine Learning Repository, Google Datasets, datos gubernamentales.
  - Proyectos Personales: Piensa en un problema que te interese (ej. predecir precios de casas, analizar el sentimiento de tweets, predecir la demanda de un producto).
- ¿Dónde mostrar? GitHub (con READMEs claros y bien documentados), Blog personal.
- Por qué es clave: Demuestra tus habilidades a empleadores, no solo certificados.
Networking:
- ¿Qué hacer? Conéctate con otros profesionales de datos.
  - LinkedIn: Construye tu perfil, sigue a líderes de opinión, interactúa en publicaciones.
  - Meetups / Conferencias: Presenciales u online.
  - Comunidades Online: Discord de Platzi, Stack Overflow, foros especializados.
- Por qué es clave: Oportunidades, mentoría, resolución de dudas.
Currículum y Marca Personal:
- ¿Qué hacer?
  - Currículum: Destaca tus proyectos, habilidades y tecnologías.
  - LinkedIn: Optimiza tu perfil para Data Scientist.
  - Blog/Newsletter: Escribe sobre tus aprendizajes y proyectos.
- Por qué es clave: Para atraer la atención de reclutadores y destacar.

✅ Consejos Adicionales:

Empieza con un rol de "Analista de Datos": A veces, es más fácil empezar como Analista de Datos y luego pivotar a Científico de Datos. Los fundamentos son muy similares.
Sé Curioso: El mejor científico de datos es el que siempre pregunta "por qué" y está dispuesto a explorar.
Lee y Aprende Continuamente: Blogs (Towards Data Science), newsletters, papers, libros. El campo evoluciona muy rápido.
No te quemes: Es un viaje largo. Celebra las pequeñas victorias y descansa.
Enfócate en una especialidad: Una vez que tengas los fundamentos, considera especializarte un poco (ej. NLP, Visión por Computadora, Series Temporales, Reinforcement Learning) para destacarte.

¡El camino es desafiante pero increíblemente gratificante! ¡Mucho éxito!

Sara María Mejia Sánchez

student•

Una presentación realmente interesante 🚀

Con tanto por aprender, tantos lenguajes, tantas herramientas, realmente perder el foco es algo que se da muy fácil, porque quisieras aprender de todo a la vez y creo que esto no es productivo, a la final no profundizas en el conocimiento de ninguna temática si buscas hacerlo de esa manera.

Tras esta charla, terminé reordenando mis rutas, analizando cuáles quiero que sean mis objetivos para este año, en qué quiero ser realmente buena y lo que necesito para lograrlo.

Pase de tener varias rutas de diferentes temáticas, a rutas específicas de un rol particular, además de Inglés y Habilidades blandas.

Tener FOCO es indispensable 💡

Cómo entrar al mundo de Data Science

Eventos Exclusivos

Arquitectura de GPUs y CUDA para Procesamiento Paralelo

Fundamentos de IA y su aplicación en el desarrollo de software

Por qué Python es mejor lenguaje de programación

Aplicación de matrices en inteligencia artificial

Cómo Aprender Inglés en 2025: Estrategias y Motivación

Bases de Datos y Automatización en Notion para Empresas

De cero a cien en tu aprendizaje del inglés

Prompts y Herramientas de AI para Practicar Inglés

Deep Learning y Autos Autónomos: Ingeniería y Matemáticas Detrás

Ideas prácticas para emprender con tecnología - Freddy Vega

Phrasal Verbs: Lleva tu Inglés al Siguiente Nivel

Cómo aprendimos inglés sin vivir en el extranjero

Qué deberías estudiar si quieres certificarte en inglés con el TOEFL

Taller: Herramientas para Crear videos usando IA

Todo lo que necesitas saber para ser Frontend Developer

Obtén tu título universitario con Platzi y DeVry

Framework para usar inteligencia artificial en finanzas corporativas

Nuevas Oportunidades de Empleo en Tecnología para Jóvenes

Semana Platzi

Cómo la IA está cambiando la ciberseguridad

GitHub Copilot: Revolución en la Programación con IA

Creación de Contenido Viral en Redes Sociales

Fundamentos de Node.js y ExpressJS para Backend en JavaScript

¿Por dónde comenzar en Platzi?

Optimización de Google Search con Inteligencia Artificial

Retención de Clientes en Estrategias de Growth Marketing

Frameworks Modernos para Backend: Javascript, Python y Más

Generación de Imágenes con Inteligencia Artificial

Habilidades esenciales para crecer en el mundo de los datos

Curso de Visión Artificial con Python: Dibujos en el Aire con OpenCV y MediaPipe

Fundamentos de Inteligencia Artificial: Tokenización y Embeddings

Creación de Landing Page con Inteligencia Artificial: Uso de Cursor

Los secretos de crear software que sólo aprendes con experiencia

Optimización de campañas publicitarias con Meta.AI

Certificación AWS: Guía Completa para Principiantes y Avanzados

Creación de Videos con Inteligencia Artificial: Herramientas y Técnicas

Construcción de Marca Personal para Profesionales

Cómo entrar al mundo de Data Science

El verdadero rol de la Product Manager

¿Realmente puedo aprender Inglés en línea?

Ingeniería de Prompts: Optimiza Resultados con IA

Creación y gestión de bases de datos en Notion

Mejora tu flujo de trabajo como dev con AI

Testing de Componentes React con React Testing Library

Python para Desarrollo Backend con IA

Temp Material d220ec9e

Temp Material 93383299

Optimización de perfiles de LinkedIn con IA