#34 #108 recurro a vosotros, mentores de Data Science, para ver si me podéis orientar un poco para ir diseñando mi roadmap a partir de ahora que estoy terminando el máster en ciencia de datos de la UOC.
La parte más técnica creo que la tengo más o menos clara porque es mejorar en todo lo relacionado con data engineering (mejorar en Python, SQL, Spark, Git/Github, repasar y mejorar en ETL, aprender Cloud Computing, MLOps...), herramientas de visualización, DL y RL. Sin dejar de practicar con competiciones o proyectos personales. Aunque es mucho creo que sé por dónde ir tirando.
Pero lo que más me interesa saber es vuestra opinión sobre profundizar en las bases teóricas (matemáticas/estadísticas) porque es algo que me parece que se suele obviar cuando ya se tiene cierto conocimiento pero me interesa intentar entender las cosas en profundidad y no simplemente tratar de seguir aprendiendo haciendo pruebas.
Estoy pensando si matricularme en el grado de ciencia de datos para ir haciendo las asignaturas de Análisis multivariante, Métodos numéricos, Modelaje y optimización y Modelización e inferencia bayesiana. Se me pasó por la cabeza incluso matricularme en el grado de matemáticas de la UNED pero pienso que puede ser demasiado para algo que no está directamente enfocado a DS. Otra opción sería simplemente intentar aprender y profundizar por mi cuenta en lo que vea que me podría venir bien pero esto siempre es más peligroso de que se quede en nada por falta de una guía clara.
Hace tiempo ya comenté con mi tutora la opción de seguir con el grado después de tener el máster para afianzar conocimientos y profundizar pero me dijo que lo habló con el director del máster y lo veían raro porque lo normal después de un máster, si se quiere seguir avanzando academicamente, es hacer un doctorado pero no un grado relacionado.
¿Qué opináis?
