“Un pájaro en mano es mejor que dos en el monte”.
Me quedaría en la escuela, excepto por dos cosas: 1) a menos que sea gravoso para ti hasta el punto de que no te está yendo bien o 2) estás haciendo una investigación experimental y parece que podrían pasar 3-4 años, lo que sería muchos $$ perdidos y simplemente no están interesados. Entonces, a menos que esas dos condiciones similares o molestas, yo diría que permanezca en la escuela Y busque un trabajo en Data Science.
La búsqueda de trabajo en Data Science no debería llevar tanto tiempo. Para mí, esto consiste en 2-3 cosas que llevan algo de tiempo, pero no mucho tiempo. Son más acerca de la inercia y la consistencia.
- ¿Alguna vez ha rescindido una oferta de trabajo debido a un error honesto al informar el historial de empleo?
- ¿Por qué tan pocas personas crecen para ser lo que querían cuando eran niños (para una ocupación específica)?
- ¿Qué oferta es mejor a largo plazo? 1) Un buen perfil en Oracle India con un sueldo aceptable, o 2) ¿Viaja a EE. UU. En H1B (ingresos en USD) de mi organización actual?
- ¿Cuál es el papel del oficial de marketing en los bancos?
- ¿Cómo comienzas una carrera en el cine en la India?
Buscar un trabajo consiste en:
1) Obtener un perfil actualizado de LinkedIn. Imágenes, proyectos, resúmenes bien escritos (al punto) que son descriptivos en la resolución de problemas y habilidades técnicas utilizadas.
2) La creación de redes y esto no solo significa agregar reclutadores de TI y otras personas que conoces, en realidad significa formar una red con estas personas que implica interacciones. Esto es algo que no tomará mucho tiempo. Entras en LinkedIn, agregas a todos los que conoces y a medida que conoces personas, solo agrégalas. También puede comenzar a comunicarse con los reclutadores de TI utilizando las búsquedas de palabras clave apropiadas para las habilidades, descripciones de trabajo y ubicaciones que desee. Pasa unos 20-30 minutos al día aquí. Responda a todos los correos electrónicos del reclutador; algunos intentarán configurar el almuerzo en ellos. Lo que me lleva al # 3.
3) Asista a Meetups que giran en torno a Data Science, Big Data, Scala, Python, R, Database, NoSQL y otros Find your people: grupos de Meetup en su área que tendrían personas en la industria. A menudo hay comida gratis (generalmente pizza) y cerveza en estas cosas también.
Como máximo, el gasto total, suponiendo que asista a 1 reunión por semana, sería de 4 a 8 horas por semana.
No conozco el alcance de su investigación de ChemE, y definitivamente no estoy tratando de trivializarlo, pero creo que tendría 4-8 horas a la semana para gastar en LinkedIn, responder a correos electrónicos y socializar con pizza y cerveza gratis . Debido a que dijiste ‘abandonar la línea de Maestría’, supongo que has terminado con los cursos, por lo que la investigación [puede ser] un poco más flexible.
El consumidor en tiempo real comenzaría a obtener algunos de los conjuntos de habilidades que necesita para Data Science.
- Extraer datos de la web, una base de datos o una API. (SQL, Python o R)
- Mezcla de datos o disputas de datos: preparar esos datos para el análisis y el modelado (Editor de texto, Excel, Python o R, SQL)
- Estadísticas relevantes para la ciencia de datos (descriptiva, inferencial y predictiva)
- Machine Learning (curso de ML de Andrew Ng; Udacity tiene cursos de Python ML, Coursera tiene ML en R)
Recomiendo elegir un idioma (recomiendo Python o R) para realizar la mayoría de estas cosas.
Los dos mayores compromisos de tiempo serán aprender Python o R y luego los enfoques y algoritmos de ML. Dado que eres un doctorado en EM con cierta exposición a C, diría que Python no debería tomar más de 60-80 horas para obtener suficiente para hacer ciencia de datos básica. Tal vez menos. El Aprendizaje automático es mucho más complicado, ya que tiene que descubrir el proceso de tratar de decidir cómo formar sus datos y conectarlos a varias formas de modelado (Clasificación, Agrupación, Regresión) y algoritmos posteriores de cada categoría. Esto llevará mucho más tiempo. Depende en gran medida de qué tan bien lleves las estadísticas y el idioma que elijas.
No profundizaré demasiado en esto, ya que esa no es la intención original de la pregunta. Pero espero que eso pueda establecer suficiente visibilidad de la hoja de ruta para Data Science para que pueda tomar su decisión.