Si hay par de preocupaciones transversales en el mundo IT durante los últimos años es que la automatización eliminará dos tercios de los empleos actuales, y que la escasez de talento va a golpear fuerte y es necesario desarrollar estrategias para enfrentarla hoy mismo. Tecnologías como machine learning contienen de alguna forma ambas problemáticas, por lo que mantener a los equipos de IT lo más actualizados que sea posible al respecto es fundamental para asegurar una buena operación a futuro.
En la consultora McKinsey consideran que “el desarrollo de automatización tecnológica se hará incluyendo robótica e inteligencia artificial, con la consecuente promesa de lograr mayor productividad en las empresas, incremento de eficiencia y seguridad; sin embargo, estas tecnologías conllevan cuestionamientos acerca de su impacto en la automatización del trabajo, habilidades, salarios y la naturaleza en sí de cada trabajo”.
El Reporte de LinkedIn acerca de Trabajos emergentes 2017 –publicado en diciembre– señala que la demanda de personas con habilidades de, por ejemplo, ciencia de datos ha crecido en los años recientes, 650% desde 2012. Según este reporte, actualmente hay 35,000 personas en Estados Unidos con este tipo de habilidades, y cientos de compañías están solicitando personal con esas características –incluso en sectores como retail y finanzas; y la oferta aún no satisface a la demanda.
Empleos como ingeniero de software, asistente de investigación, profesor asistente, científico de datos e ingeniero de sistemas son aún más requeridos que los de machine learning per se, pero, al llegar al campo de trabajo, las habilidades que se le piden a los primeros están relacionadas con investigación, algoritmos, software y aprendizaje profundo, que alimentan y son necesarias para el desarrollo y la innovación en machine learning.
Si bien hay mucho material en línea que puede ayudar a los interesados en el tópico, los cursos de nivel profesional y con algún peso académico no son tantos como podría pensarse. Es por esto que recientemente InformationWeek realizó un listado con las mejores alternativas para adquirir las habilidades necesarias de machine learning de la manera más conveniente posible.
Si además se necesita profundizar en la Inteligencia Artificial, IT Masters Mag también recopiló previamente las mejores alternativas.
El listado
- Foundations of Data Science: Prediction and Machine Learning
Berkeley, Universidad de California, via edX
Es un curso de cinco semanas, que permitirá al participante entender los conceptos asociados a machine learning. Entre los temas que se estudian hay dos métodos de machine learning, regression y clasificación.
Este curso incluye lecturas y transcripción de video en inglés; requiere que el participante se comprometa a dedicar entre cuatro y seis horas a la semana. Forma parte de un programa de certificación profesional. Contar con el certificado validado requiere pagar una cuota, y si el participante no pretende obtener dicha constancia, puede tomar el curso sin cargo.
Entre los pre requisitos están los Fundamentos de Ciencia de datos: Computational Thinking con Python y Fundamentos de Ciencia de datos: Inferential Thinking por Resampling
MIT Open Courseware
Este curso inicia con algoritmos de machine learning seguidos por teoría de enseñanza estadística, así como la historia de machine learning y estadística de machine learning con análisis Bayesiano (para la toma de decisiones).
Entre los principales tópicos que se revisarán en este curso está un panorama de los 10 principales algoritmos de minería de datos y marcos de referencia para el descubrimiento del conocimiento.
Incluye programa (syllabus), acompañamiento de instructor, lecturas que incluye, instrucciones para instalar y trabajar con R, proyectos y establecimiento de datos.
Entre sus pre requisitos está que va dirigido a estudiantes recién graduados, aunque también pueden entrar estudiantes de niveles avanzados a nivel universitario; se requiere un background en matemáticas, análisis básico, probabilidad y álgebra lineal. Se aprenderá R durante el curso.
Instituto de Tecnología de California
CalTech describe este curso como introductorio a machine learning, porque cubre teoría básica, algoritmos y aplicaciones.
En él se aborda teoría matemática, técnicas prácticas y análisis conceptual. Quienes participen en él encontrarán tópicos particulares durante la interacción con la biblioteca en video de machine learning que está asociada con el programa.
Este curso incluye 18 grabaciones de conferencias en vivo, cada una de 60 minutos de duración, con preguntas en vivo por parte de los estudiantes. Hay una lista de ocho tareas y un examen final además de un foro de discusión de los participantes.
Entre sus pre requisitos pide conocimientos de probabilidad básica, matrices y cálculo.
- Machine Learning: Columbia
Universidad de Columbia via edX
Este es un curso de 12 semanas que cubre clasificación y regresión, métodos de clustering y modelaje secuencial. En la primera mitad del curso hay es de aprendizaje supervisado y la otra mitad es aprendizaje no supervisado.
En sí, el curso se ofrece libre de pago. Salvo para quien esté interesado en obtener un certificado del mismo, ese tiene un costo. Forma parte del programa micromaster de inteligencia artificial.
La Universidad de Columbia lo describe como un curso avanzado y varios participantes lo han calificado como pesado. No se trata de una clase introductoria.
Entre sus pre requisitos están cálculo, álgebra lineal, probabilidad y conceptos de estadística, así como codificación con manipulación de datos.
- Machine Learning: Stanford
Stanford
Forma parte de las series gratuitas en línea de Stanford Engineering Everywhere, que brindan una amplia introducción a machine learning y reconocimiento estadístico. Con frecuencia, este curso se cita como el estándar dorado de las capacitaciones en línea. Incluye una serie de 20 conferencias, con notas (handouts) y tareas.
En las clases se revisan recientes aplicaciones de machine learning, como minería de datos, navegación autónoma, reconocimiento de voz (en un discurso) y procesamiento de datos web; hay sesiones con aprendizaje supervisado y libre, teoría, refuerzo y controles.
Entre sus pre requisitos pide tener conocimiento de principios de ciencia de cómputo básica y habilidades. El participante debe ser capaz de escribir un programa de cómputo no muy trivial y estar familiarizado con teoría de probabilidad, así como con álgebra lineal.
