7 Dicas Para Cientistas de Dados

Neste artigo vou compartilhar com você 7 dicas que aprendi com outros Cientistas de Dados e por meio de minhas próprias experiências nos últimos anos.

Dependendo do seu nível de experiência, algumas dessas dicas certamente vão parecer simples, enquanto outras nem tanto. Vamos a elas!

1- A solução mais simples geralmente é a melhor solução.

Ser um Cientista de Dados não significa que você precisa resolver todos os problemas com um único modelo de aprendizado de máquina. Se uma consulta CASE WHEN for suficiente para realizar o trabalho, continue com ela. Se a regressão linear for suficiente para fazer o trabalho, não construa uma rede neural de 10 camadas.

Há muitos benefícios em uma solução mais simples, incluindo um tempo menor de implementação, menos conhecimento técnico necessário, interpretabilidade e facilidade de manutenção geral.

2- Reserve um tempo para descobrir e explorar periodicamente novas bibliotecas e pacotes.

É fácil manter o que você está confortável, mas novas ferramentas são criadas por um motivo – elas são criadas para preencher uma lacuna existente com o que já está disponível por aí. Aproveitando o tempo para explorar novas bibliotecas e pacotes, descobri algumas ferramentas incríveis que me pouparam muito tempo. Aqui estão algumas delas:

Gradio é um pacote Python que permite construir e implantar um aplicativo web para o seu modelo de aprendizado de máquina em apenas três linhas de código. Ele tem a mesma finalidade que o Streamlit ou o Flask, mas achei muito mais rápido e fácil implementar um modelo.

O Pandas Profiling é outro pacote que conduz automaticamente a análise exploratória de dados e os consolida em um relatório. Acho isso extremamente útil quando estou trabalhando com conjuntos de dados menores. A melhor parte é que requer apenas uma linha de código!

Kedro é uma ferramenta de fluxo de trabalho de desenvolvimento que permite criar pipelines de Machine Learning portáteis. Ele aplica as melhores práticas de engenharia de software ao seu código, tornando-o reproduzível, modular e bem documentado.

3- Ser eficiente não significa apressar passos importantes.

Algumas etapas simplesmente não podem ser apressadas. Em particular, você deve desenvolver um entendimento profundo do problema de negócio que está tentando resolver e dos dados com os quais está trabalhando.

Há uma série de perguntas que você deve ser capaz de responder antes de realmente mergulhar no modelo ou no processo de Ciência de Dados. Não pule etapas, mesmo quando o prazo do projeto for limitado e comunique isso aos tomadores de decisão.

4- As métricas são indiscutivelmente mais importantes do que o próprio modelo.

De certa forma, esse ponto está vinculado ao ponto anterior no sentido de que você precisa ter um entendimento muito bom do problema que está tentando resolver. Além de entender o problema, é preciso descobrir qual métrica você está tentando otimizar pois seu trabalho envolve estatística e otimização.

Para dar um exemplo, posso ter um modelo com 100% de precisão, mas isso é inútil se estou tentando desenvolver um modelo de detecção de anomalias!

5- Seu trabalho será tão bom quanto sua capacidade de comunicá-lo.

Você deve ser capaz de comunicar o jargão técnico e as técnicas de modelagem de uma maneira que pessoas não técnicas possam entender. Se você dedicou um tempo para construir um ótimo modelo, deveria dedicar um pouco mais de tempo para comunicá-lo de forma eficaz, de modo que as pessoas possam reconhecer seu trabalho!

Comunicação é um soft skill valioso. Não negligencie isso!

6- Aprenda os fundamentos, especialmente em Estatística.

Data Science é uma área multidisciplinar que envolve Matemática, Estatística, Ciência da Computação e conhecimento de domínio (área de negócio). Análise estatística fará parte do seu trabalho em algum momento e os fundamentos são importantes para ser capaz de compreender os dados e interpretar modelos de Machine Learning.

Clique aqui para conferir uma dica de curso online de alto nível.

7- Conheça os parâmetros do problema que você está resolvendo.

Como Cientista de Dados seu trabalho é resolver problemas. É isso que você fará o tempo inteiro. Logo, uma compreensão clara dos parâmetros do problema é a chave para encontrar a solução ideal, detectar inconsistências no desenvolvimento da solução, comunicar os resultados e apresentar a solução.

Não pense que você compreende os parâmetros. Tenha certeza. Se tiver dúvidas, retorne à área de negócio e solicite mais esclarecimentos. Mas não avance sem compreender os parâmetros do problema.

Ahhh e lembre-se que isso deve ser feito para cada problema, pois os parâmetros mudam! O tempo todo!

David Matos

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *