¿Recomendarías un ingeniero mecánico para aprender ciencia de datos? Si es así, ¿por qué?

Answer 1

Razón # 1

Imagine que está solicitando un trabajo y hay 50 currículums de ingenieros mecánicos con calificaciones similares. El tuyo es el único con “Machine Learning”.

¿Importa si la compañía quiere eso? Quizás. Pero también te hace destacar y dice algo sobre ti. ¡También es un excelente material para entrevistas! Puede contar una historia sobre un proyecto que realizó implementando ML para encontrar texto en una imagen o predecir los precios de la vivienda.

Razón # 2

El aprendizaje automático enseñará o reforzará varios temas que ya ha visto en ingeniería mecánica, como regresión, estadística, álgebra lineal y programación.

Experiencia personal

Acabo de completar el curso de Andrew Ng sobre Introducción al aprendizaje automático (Coursera) [1]. ¿Por qué tomé este curso? Porque quiero integrar ML en mi investigación. ¿Por qué quiero hacer eso? Véase más arriba.

Recomiendo encarecidamente este curso porque no lleva mucho tiempo completarlo, es gratis, es muy informativo y le brinda habilidades reales, y puede implementar muchos tipos diferentes de algoritmos de aprendizaje automático en las tareas.

También pensé que la respuesta de Mohammed Helal fue muy buena.

Notas al pie

[1] Coursera | Cursos en línea de las mejores universidades. Únete gratis

Answer 2

Como ingeniero mecánico que ahora está haciendo la transición al campo de la ciencia de datos, no puedo evitar compartir mis pensamientos.

Inicialmente, quería decir lo que dijo Mesutcan Gok, ya que a menos que lo acerque a una carrera que desea que lo necesita, no es recomendable. Pero tampoco puedo estar completamente de acuerdo con eso.

Y sí, por supuesto, puedo hablar del valor de buscar información a partir de datos y demás, pero la mayoría de nosotros no tenemos un montón de datos para extraer como ME.

A mi modo de ver, el aprendizaje automático inevitablemente se arraigará cada vez más en la forma en que los ingenieros diseñan y toman decisiones. Es algo bueno. En lugar de confiar en la regla general, o en lo que usted o su jefe hayan visto antes, sus decisiones pueden respaldarse con herramientas basadas en datos.

Pero al igual que los ingenieros que usan las herramientas de FEA necesitan comprender realmente FEA para hacer uso de los resultados, siento que los ingenieros deberían tener una comprensión básica del aprendizaje automático cuando llegue el momento. A falta de hacer un cambio de carrera o por interés, todavía no hay una buena razón para aprender sobre ML .

Pero en el futuro? Sin duda. Hay muchos investigadores e ingenieros que quieren diseñar un futuro en el que puedan venir a trabajar, presionar un botón (“Ingeniero” o “Diseño”) y volver a casa por el día, incluido yo mismo 🙂

Hasta que llegue ese día, estoy seguro de que tendremos un ‘intermedio’ en el que ML se puede utilizar para aumentar o apoyar las decisiones humanas, y creo que en ese momento los ingenieros deberían tener una comprensión básica de cómo funciona.

Answer 3

El servicio de capacitación en habilidades de TI Data Science Training ha sido estructurado para aquellos que desean desarrollar el conocimiento avanzado y las habilidades necesarias para trabajar como científico de datos. Obtenga su certificación de ciencia de datos y destaque, ya sea que esté buscando cambiar de trabajo, obtener una promoción o mejorar sus habilidades actuales.

Los estadísticos que se centran en la implementación de enfoques estadísticos de los datos, y los gerentes de datos que se centran en ejecutar equipos de ciencia de datos tienden a caer en el papel de científico de datos.

El papel de un científico de datos ya se ha ganado el apodo de “el trabajo más sexy del siglo XXI”. Según un informe del Instituto Global Mckinsey [, habrá una escasez de 140,000 a 190,000 profesionales de la ciencia de datos para 2018 solo en EE. UU.

En lo que respecta a la India, hay algunos estudios que creen que la industria de análisis / ciencia de datos en la India se encuentra en una fase en la que TI estuvo hace unos 10-15 años y, por lo tanto, se puede esperar un auge en la externalización de análisis a la India.

También creo que India con su grupo de talentos de ciencia de datos / análisis puede muy bien ser el líder en esta industria. Ya hay algunas historias de éxito como Mu Sigma y Fractal analytics. Además, ahora estamos viviendo oficialmente en la era del “Big Data”.