Hacia Afuera con Omar Espejel

Ep 10 - Daniel Hoyos (Machine Learning en Blue Orange y antes en Mercado Libre) - ML para series de tiempo

Listen Later

Daniel habla personalmente y no representando a Blue Orange o Mercado Libre de ninguna manera.

Daniel Hoyos trabaja como Machine Learning Engineer en Blue Orange y anteriormente como Senior Machine Learning Engineer en Mercado Libre. Se especializa en forecasting con series de tiempo utilizando técnicas de machine learning.

Twitter: @dannyehb

Linkedin: linkedin.com/in/daniel-hoyos-2b3a07a1

Consejos generales:

  1. Todas las personas deben aprender a trabajar en equipo sin importar cuáles sean sus intereses.
  2. Es necesario tener una especialidad pero también manejar otros temas más generales. Es una combinación entre ambas cosas.
  3. Los Data Engineers son muy valorados!

    4. Consejos para entrevistas de trabajo:

    1. Las compañías toman en cuenta la calidad de las respuestas, el tono de voz y la seguridad del participante. De esta manera saben si el candidato tiene conocimiento sobre un tema o está mintiendo.
    2. Al tener un portafolio de proyectos en GitHub los empleadores sabrán cuáles son tus conocimientos y habilidades. Es una forma mucho más objetiva de poder validar la calidad del aplicación te como programador y si es apto o no para el empleo.
    3. Muestra tus trabajos. Muestra lo que tu haces. Esto expande tu área laboral. Entre más te dejes ver, más oportunidades laborales tendrás.

      4. Algoritmos que se pueden usar para forecasting de time series (Cada uno de estos algoritmos será útil dependiendo de lo que se necesite pronosticar y de cómo arregles tus datos. :

      • Modelos de regresión lineal para hacer una predicción en series de tiempo.
      • Modelos de árboles.
      • Random forests.
      • Perceptron.
      • LSTMs.
      • GRU.
      • Temporal Fusion Transformer 😮
      • N-BEATS.

        • Consejos para aprender machine learning:

        • Si eres una persona práctica, ir a Kaggle. Es una forma de aprender de otros, ver qué están haciendo y por qué lo hacen. Es un tipo de aprendizaje práctico.
        • Si eres una persona teórica y matemática, puedes aprender a través de papers. Por ejemplo, el del Temporal Fusion Transformers.

          • Para manejar datos:

          • Para datasets pequeños que entran en la RAM de la computadora puedes utilizar Jupyter Notebooks, Visual Studio, o Pandas.
          • Pero si es muy grande y no cabe en la memoria, se pueden utilizar tecnologías como PySpark o Dask. Son librerias que permiten trabajar los datos de forma distribuida.

            • Recomendaciones de Daniel para las personas que quieren trabajar con datos:

            1. Hazlo por pasión. No solo por dinero. Si lo haces de está forma tendrás buenas bases para seguir con el trabajo.
            2. Cuando un proyecto sale mal vas a aprender mucho más en comparación a cuando todo sale bien. Las equivocaciones te ayudarán a construir tu aprendizaje.
            3. Aprende a través de proyectos. Esto permitirá ampliar tu red con otros desarrolladores interesados en temas similares.
            4. Arma un portafolio de proyectos en GitHub.
            5. A las empresas les gustan las personas curiosas, autónomas y con interés en el open source. Si aportas al open source será muy visto y apreciado en la industria.
            6. Busca un primer trabajo que tenga que ver con datos dentro de la industria. Esto te ayudará a obtener experiencia y a aprender de todas las tecnologías que hay. Siempre habrán empresas que te darán una oportunidad dentro de la industria.
            7. Tienes que estar abierto a aprender. Aprende todo el tiempo porque siempre hay cambios de paradigma.
            8. Aprende a trabajar en equipo. Esto es fundamental para cualquier tipo de trabajo. Aprende a comunicarte y a compartir tus ideas.
              9. ...more
              View all episodesView all episodes
              Download on the App Store
              Hacia Afuera con Omar EspejelBy ELIA
              • 5
              • 5
              • 5
              • 5
              • 5

              5

              1 ratings