Silvia Ariza, Data Scientist, nos cuenta cómo ha sido su experiencia en tecnología y cómo la brecha de género en el sector va disminuyendo pero aún resta trabajo por realizar.

Twitter @silari_

Tocamos:

• Los pilares para llegar a ser data scientist.
• Aprendizaje con casos prácticos y estructura de storytelling.
• Posible ruta para conseguir un rol como data scientist.
• Qué son los roles como data engineer y data scientist.
• R y Python.
• Librerías de visualización y su relevancia.
• Utilizar bancos de datos abiertos para aprender.
• Las redes sociales de los programadores (GitHub y Stack Overflow)
• Empoderarnos como científicos de datos. Transmitir lo que hemos hecho. Ser la cara del análisis antes y después.
• Twitter para ingresar a nichos de información.
• Rompiendo la brecha de género al elegir qué carrera estudiar.
• Comunidades: la nueva fuerza del empoderamiento profesional (Women in Data Science, PyLadies, RLadies, CoWomen)

Comunidades:

• Women in Data Science
• CoWomen
• PyLadies

Producido por ELIA - Escuela Latinoamericana de Inteligencia Artificial:

• ELIA (@elia_latam)
• Omar Espejel (@espejelomar)
• Estefanía Arias (@yharyarias5)
• Yeder Laura (@yederlvicente)