Data Science и Python

Здравствуйте. Хочу перепрофилироваться в направлении Data Science.... интересует вопрос какую часть в работе занимают сугубо математические расчеты,которые нужно было учить на таких академических специальностях как прикладная математика, инженерия и т.д. Спасибо. И прошу давать вменяемые советы.

0

ИМХО
Если собираетесь заниматься всерьез, то для начала было бы неплохо ознакомиться с получить базовый объем знаний в статистике, методах машинного обучения, многомерном анализе и линейной алгебре, методах обработки и визуализации данных... Ну и, конечно, инструмент реализации, - R или Python.

Добавлено через 2 минуты
Но нужно ответить, что если начнете бросаться на все подряд - не выучите ничего, поэтому советую поговорить с практикующим дата-саентистом, а также проанализировать требования и рабочие обязанности вакансий с разных сайтов по поиску работы, обычно там написано, что именно нужно.

1

777lux, зависит от позиции. Сейчас модно называть многое Data Science, но частеннько это простое программирование и аналитика. Если реально говорить о Data Science, то много. И даже дело не во времени, а в том, что это база без которой никак и ты уже не Data Scientist.

Мое ИМХО, вам желательно знать:
1) Статистика:
--- базовые знания (доверительные интервалы, тесты, максимум правдоподобия, метод моментов, работа с недостающими или неверными данными т.е. чистка базы., и т.д.)
--- сокращение размерности данных (метод главных компонент и т.п. Если есть возможность обзавестись книгой Exploratory Multivariate Data Analysis by Example Using R, F. Husson, S. Lê & J. Pagès, 2017 (2nd edition) Авторы очень хорошо объясняют на примерах.
--- методы классификации, не только базовые (kmean, EM, logit, HCPC, нейроные сети и тп, но и продвинутые SVM/kernel trick).
--- регрессии (тут все очень зависит от работы, моделей много и в разных сферах применяются по разному, зависит так же от типа данных)
2) Математика
--- Алгебра
--- Векторная геометрия, матрицы
--- Ну и все базовые знания 1-2 курса, могут всегда пригодиться.
3) Оптимизация
--- Современные алгоритмы поиска максимума/минимума, их эффективность (речь не о программировании). Например самый известный метод Ньютотна, но он адски долго будет искать оптимум в сложных ситуациях... если вообще найдет.
--- Уметь внедрять эти алгоритмы на R/Python
4) Разнообразные графики:
--- Базовые
--- Boxplot
--- Histogramme
--- Kernel
--- Correlation matrix
--- Correlogram (time series)
5) Возможно что-то специфическое из инженерии, в зависимости от фирмы и ваших задач. У меня коллеги например модделируют теплопотерии в зданиях или хорошо разбираются в электрических сетях.

Можете начать с этой лекции на Coursera и с Титаника на kaggle.

Еще важный момент, и тут я согласна с Jabbson, важно не распылятся. Базовые понятия, что я перечислила выше, знать нужно. Но углубленно нужно учить 1-3 вещи, полезные для вашей специализации. Т.е. вначале определиться где вы хотите работать и что делать. Посмотрите темы на kaggle с решеными соревнованиями, может помочь определится.

П.с. некоторые термины на популярных сайтах Data Science - больше сленг программистов. Например features - математики и статистики так не говорят.

2