Data Scientist
Use data and statistics to predict outcomes and find patterns
¿No sabes si es para ti? Encuentra tu vocación →
0 de 24 misiones hechas
¿Esta carrera es para ti?
Dos minutos antes de dedicarle meses
Marca lo que suena a ti
Marca las que son ciertas para ti.
Habilidades que te llevarás
Trabajos a los que lleva
- Data Scientist
- ML Engineer
- Research Scientist
- Applied Scientist
Antes de empezar
- ✓ Some programming experience
- ✓ Comfort with math & statistics
24 misiones hasta Data Scientist
4 mundos, 24 misiones. Toca cualquier círculo para abrirlo; el que brilla es el siguiente.
Refresh the math you'll need later.
Learn the Python libraries data scientists use every day.
Train models that make predictions.
Put together projects and start applying.
Más sobre esta carrera
Sobre el trabajo, el salario donde vives, preguntas frecuentes y a dónde puede llevarte esta carrera después.
Sobre el trabajo
Qué harías
- Identificar problemas de negocio que el análisis de datos puede ayudar a resolver
- Recopilar, organizar y analizar datos
- Crear, validar, probar y actualizar algoritmos y modelos
- Usar software de visualización de datos para presentar los resultados
- Hacer recomendaciones de negocio a los interesados a partir del análisis
Dónde trabajarías
- Editoriales, radiodifusión y proveedores de contenidos (cerca del 12 % de los científicos de datos de EE. UU.)
- Compañías de seguros (cerca del 10 % en EE. UU.)
- Empresas de diseño de sistemas informáticos (cerca del 10 % en EE. UU.)
- Sedes centrales de empresas (cerca del 10 % en EE. UU.)
- Bancos y otras entidades de crédito (cerca del 6 % en EE. UU.)
Todos los pasos completos
El texto completo de cada paso, para leer o imprimir. Avanza por ellos en el viaje de arriba.
Math & Statistics Foundation 6 pasos
Review linear algebra (vectors, matrices, transformations)
Review linear algebra (vectors, matrices, transformations)
Abrir este paso ↑Review calculus (derivatives, gradients)
Review calculus (derivatives, gradients)
Abrir este paso ↑Understand eigenvalues and eigenvectors for dimensionality reduction concepts
Understand eigenvalues and eigenvectors for dimensionality reduction concepts
Abrir este paso ↑Learn probability distributions & statistical inference
Learn probability distributions & statistical inference
Abrir este paso ↑Learn how to formulate formal hypotheses and identify statistical biases
Learn how to formulate formal hypotheses and identify statistical biases
Abrir este paso ↑Practice with real datasets
Practice with real datasets
Abrir este paso ↑
Python for Data Science 6 pasos
Learn pandas & numpy for data manipulation
Learn pandas & numpy for data manipulation
Abrir este paso ↑Learn matplotlib, seaborn & plotly for visualization
Learn matplotlib, seaborn & plotly for visualization
Abrir este paso ↑Practice writing clean, modular Python functions instead of just notebook scripts
Practice writing clean, modular Python functions instead of just notebook scripts
Abrir este paso ↑Learn scikit-learn for machine learning
Learn scikit-learn for machine learning
Abrir este paso ↑Use version control (Git) to track changes in your exploratory analysis
Use version control (Git) to track changes in your exploratory analysis
Abrir este paso ↑Complete 2–3 end-to-end analysis projects
Complete 2–3 end-to-end analysis projects
Abrir este paso ↑
Machine Learning 6 pasos
Understand supervised vs unsupervised learning
Understand supervised vs unsupervised learning
Abrir este paso ↑Learn regression, classification & clustering algorithms
Learn regression, classification & clustering algorithms
Abrir este paso ↑Learn model evaluation & validation techniques
Learn model evaluation & validation techniques
Abrir este paso ↑Learn how to optimize hyperparameters through grid and random search
Learn how to optimize hyperparameters through grid and random search
Abrir este paso ↑Explore neural networks and deep learning basics (TensorFlow or PyTorch)
Explore neural networks and deep learning basics (TensorFlow or PyTorch)
Abrir este paso ↑Build a project with a real-world dataset and deploy it
Build a project with a real-world dataset and deploy it
Abrir este paso ↑
Portfolio & Job Hunt 6 pasos
Build 3 projects on Kaggle or GitHub with clear READMEs
Build 3 projects on Kaggle or GitHub with clear READMEs
Abrir este paso ↑Write blog posts explaining your approach
Write blog posts explaining your approach
Abrir este paso ↑Contribute to open-source data science tools or participate in Kaggle competitions
Contribute to open-source data science tools or participate in Kaggle competitions
Abrir este paso ↑Prepare for ML system design and technical coding interviews
Prepare for ML system design and technical coding interviews
Abrir este paso ↑Network at data science meetups & conferences
Network at data science meetups & conferences
Abrir este paso ↑Apply to data scientist or ML engineer roles
Apply to data scientist or ML engineer roles
Abrir este paso ↑
Preguntas frecuentes sobre Data Scientist
Respuestas claras sobre salarios, duración y metodología.
¿Cuánto se tarda en ser Data Scientist?
Esta ruta estima 8–18 months. Tiene 4 fases y 24 pasos, desde «Math & Statistics Foundation» hasta «Portfolio & Job Hunt».
¿Cómo llego a ser Data Scientist?
Sigue las 4 fases en orden, empezando por la fase 1, «Math & Statistics Foundation». Tu primera tarea: Review linear algebra (vectors, matrices, transformations)
¿Cuánto gana un Data Scientist?
El sueldo depende del país. El recuadro de salario de esta página muestra la estimación de DraftMyCareer, en moneda local, para el país elegido en el menú.
¿Qué necesito antes de empezar?
Esta ruta indica: Some programming experience; Comfort with math & statistics.
¿Qué habilidades necesita un Data Scientist?
Esta ruta cubre: Python, Machine Learning, Statistics, SQL, Data visualization, Experimentation.
Cambiar de carrera: caminos desde y hacia este rol
Ver todos los cambios →Cómo llegar a este rol desde otros perfiles
- Desde: Data Analyst
Transition from backward-looking reporting to forward-looking predictive modeling and algorithmic decision-making.
⏱ 4–7 months🧭 ModerateLo que ya sabesSQL & Data Wrangling · Business Intelligence (Tableau/PowerBI) · Data Storytelling
Ver plan paso a paso
- Month 1–2: Advanced Statistical Inference Master probability distributions, regression diagnostics, and experimental A/B testing.
- Month 3–4: Core Machine Learning Build predictive supervised and unsupervised models with feature selection in Python.
- Month 5–7: Real-world Modeling Projects Develop end-to-end churn prediction, recommendation systems, and model interpretability (SHAP).
- Desde: Financial Analyst
Combine financial domain acumen with state-of-the-art machine learning in FinTech and hedge funds.
⏱ 5–8 months🧭 ModerateLo que ya sabesQuantitative analysis · Financial modeling in Excel · Risk assessment & forecasting
Ver plan paso a paso
- Month 1–2: Python Programming & SQL Transition spreadsheet models to Python scripts, pandas DataFrames, and relational databases.
- Month 3–4: Statistical & Machine Learning Implement regression, tree ensembles (XGBoost), and time-series forecasting (ARIMA/Prophet).
- Month 5–8: Quantitative Portfolio Projects Build algorithmic trading simulations, credit risk scoring models, and fraud detection systems.