Cómo hacer una transición profesional de la epidemiología a la ciencia de datos

Si puede hacer algunos proyectos que muestren algún tipo de profundidad de comprensión sobre el aprendizaje automático, probablemente sea muy bueno ir al mercado correcto con sólidas habilidades de programación. Gran parte de la ciencia de datos básica proviene de los tipos de análisis estadísticos con los que trabajas en Epidemiología. En particular, trabajar dentro de intervalos de confianza y comparar tasas y probabilidades son habilidades sólidas sobre las que muchos de los “científicos de datos de programadores” no son fuertes, o subestiman el valor de su trabajo.

Vaya a DataCamp y aprenda todo lo que pueda de sus tutoriales ($ 30 por mes). Te sorprendería lo rápido que puedes crecer.

Boston tiene un montón de compañías de biotecnología que podrían apreciar la comprensión del aspecto de la atención médica. Los hospitales también están empezando a utilizar científicos de datos. Solo realice movimientos en mercados donde su pasado sea un activo y probablemente esté bien una vez que sus habilidades con Python estén a la altura.

Y … no subestimes el valor de SAS si ya lo sabes. Muchos de los campos monetarios conservadores lo usan porque tienen una larga historia con él. Si puede hacer y extraer SQL, trabajar en SAS para el análisis estadístico y construir modelos de aprendizaje automático en python, su cartera hablará por sí misma.

¡Solo házlo!

Hay tres grandes cantidades de cosas que la gente tiene que considerar en la “transición de carrera” y no estoy seguro de cuál te emocionó más para hacer esta pregunta. Uno es el conocimiento sustantivo (el qué: ¿cuánto de lo que sé se aplica al nuevo campo, y cuánto problema es aprender lo que necesito extra?) Otra es la oportunidad (el cómo: dónde salgo, a quién le hablo para aterrizar mi primer concierto en el nuevo campo) y el tercero es la justificación general (el por qué: más dinero, mejor seguridad en el trabajo, trabajo más interesante, más cerca de donde quieres vivir, etc.). Todo esto involucra compensaciones que vale la pena pensar cuidadosamente, puede que ya lo tengas todo bien). Solo voy a cubrir el bit sustantivo del conocimiento. Hay dos grandes áreas donde esto no será una transición en absoluto; se sentirán más como una traducción perfecta de su educación en epidemiología a una clase de problemas que no son interesantes para su campo, pero suficientes personas consideran que vale la pena resolver que querrían pagar por intentarlo. Uno es la clasificación en general: por ejemplo, quién puede comprar nuevamente o hacer clic en un anuncio. El otro es la inferencia causal, por ejemplo, ¿cuál es el efecto de las variaciones pasadas en los patrones de amortización sobre la probabilidad de impago de un préstamo, etc.? Ambos son una tarifa estándar en su clase de métodos: ¿quién podría contraer enfermedades del corazón y cómo la exposición a un determinado contaminante aumenta las probabilidades de algún resultado desagradable. Está capacitado para preocuparse por no leer demasiado en estudios observacionales, sobre qué condiciona, etc. Toda esa capacitación se traduce a lo que las personas de negocios llaman ciencia de datos a la perfección.

Hola,

Si tiene una calificación de antecedentes en Matemáticas (Álgebra lineal, Cálculo, Estadísticas y Probabilidad), entonces le resultará fácil comprender qué ocurre debajo de la superficie de cada algoritmo cuando se aplica o implementa para obtener los resultados deseados.

Si no lo hace, siga este plan de estudio https://www.analyticsvidhya.com/ … compruebe todas sus necesidades desde las matemáticas hasta la codificación.

Para Matemáticas: puedes encontrar cursos gratuitos en Udacity, edx, Khan academy.

Para la codificación: Data Camp, Udemy.

Una vez que entienda los conceptos básicos de las matemáticas y la codificación, puede optar por estos 2 cursos:

1. Python para Data Science y Machine Learning de Udemy.
2. Machine Learning por Andrew Ng de Coursera.

Todo lo mejor.

Es realmente más fácil cambiar de carrera si estás calificado para la nueva, y parece que podrías serlo, si no ahora, pronto. Simplemente comienzas a buscar trabajos en ciencia de datos. No hay problema.

Pero el problema real, y uno al que la mayoría de la gente no piensa al principio, es que probablemente no sea una transferencia lateral. Comenzar una nueva carrera significa comenzar de nuevo, aprender las cuerdas, establecerse, probarse a sí mismo y seguir ascendiendo, nuevamente.

Los primeros años en su nuevo campo pueden ser desalentadores. Aún así, si es lo que quieres, hazlo.

Buena suerte.