Reescritura completa de la respuesta dada la nueva información.
Si te apasionan las estadísticas y la probabilidad, y quieres convertirte en un científico de datos o un ingeniero de aprendizaje automático, excelente. Hay actitudes que puede que tenga que superar una vez que haya terminado su licenciatura, sea lo que sea … algunos piensan que la comprensión estadística y probabilística en esos campos es innecesaria. Esta no es la verdad: incluso los algoritmos que no están motivados estadística o probabilísticamente pueden verse a través de esos puntos de vista, entendidos de una manera diferente e incluso mejorados a través de ese entendimiento.
Por otro lado, si no dominas los algoritmos (y en menor medida las estructuras de datos) o los temas centrales de CS (dependiendo de lo que quieras decir con eso), será difícil para ti.
- ¿Deberían los ciudadanos de los países en desarrollo centrarse en desarrollar una carrera profesional en el país de origen o tomarse un año libre para trabajar y tomar un curso de vacaciones en un país desarrollado?
- ¿Cuáles son mis posibilidades de obtener la admisión en las mejores escuelas B si mi CGPA en B.Tech es inferior a 6.5 y no participa en ninguna actividad co-curricular? ¿Tener experiencia laboral en su currículum ayuda?
- Soy un graduado de NIT con un CGPA bajo (menos de 6). Quiero trabajar en Futures First. ¿Me contratará esta empresa si postulo fuera del campus?
- ¿Cuál es la forma más rápida de convertirse en director de un gerente?
- Cómo convertirse en piloto sin tener mucho dinero
Verá, un científico de datos necesita comprender algoritmos: tiempos de ejecución, garantías, suposiciones y similares. Un ingeniero de ML aún más. Y la comprensión estadística y probabilística de estas áreas es igual de importante. Por ejemplo, debemos entender qué sucede con nuestro algoritmo cuando le damos más datos, tanto en términos de problemas de ingeniería (complejidad de tiempo y espacio) como en términos de los supuestos estadísticos que estamos haciendo (especialmente si los datos no sigue esos supuestos).
Y, para tener éxito en cualquiera de los dos, deberá codificar de manera competente. No solo escribirás algoritmos personalizados (o los personalizarás) para adaptarlos al problema, sino que realmente no entiendes un algoritmo completamente hasta que puedas derivarlo (o motivarlo matemáticamente) y codificarlo.