Buenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM.

Transcripción

1 Buenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM.

2 Qué es la ciencia de datos? Es muy difícil encontrar una definición de consenso, las definiciones difieren mucho en cada fuente. Podemos decir que se trata del estudio de la extracción, generalizada de conocimiento a Indicador. partir de información y/o de datos. Número de Trámites y Servicios integrados a SEITS

3 Es algo novedoso?, está de moda? Se parece a algunas ciencias con las cuáles ya estamos familiarizados. Estadística: Estudio que reúne, clasifica y recuenta todos los hechos que tienen una determinada característica en común, para Indicador. poder llegar a conclusiones a partir de los Número de Trámites y Servicios integrados a SEITS datos numéricos extraídos.

4 Hablamos de lo mismo? Opinión de Jeff Wu de la Universidad de Michigan. ence.pdf Indicador. Número de Trámites y Servicios integrados a SEITS

5 Hablamos de lo mismo? Tras consultar varios puntos de vista concluimos que: El enfoque de Data Science es más holístico (multidisciplinario), más global, para partiendo de grandes volúmenes de datos poder extraer conocimiento que aporte valor a una determinada organización, la que sea que tenga datos. El foco principal se sitúa en la extracción de conocimiento, empleando para ello las herramientas Indicador. que estén al alcance. Número de Trámites y Servicios integrados a SEITS

6 Ciencia de datos Teorías y técnicas relacionadas con muchos campos del conocimiento como las latemáticas, la estadística y las Tecnologías de la Información, estas últimas incluyen: procesamiento de señales, modelos probabilísticos, machine learning, aprendizaje estadístico, minería de datos, programación, ingeniería de datos, reconocimiento de patrones, visualización, modelización de la Indicador. incertidumbre, data warehousing y computación Número de Trámites y Servicios integrados a SEITS de alta demanda de procesamiento.

7 Implementación de la técnicas Machine Learning Minería de datos BI Sand Box Inteligencia artificial Indicador. Big Data Número de Trámites y Servicios integrados a SEITS

8 Implementación de la técnicas Machine Learning Minería de datos Librerías con algoritmos Python Scikit-learn (Google Summer Code) Clasificación Regresión Clustering Reducción de dimensionalidad Selección de modelos Pre procesamiento WEKA Lenguaje: Java University of Waikato, Nueva Zelanda Modelos lineales Árboles de decisión Clustering Redes bayesianas Etc.

9 Implementación de la técnicas

10 Redes sociales Sensores Ciencia de Datos

11

12

13

14

15

16 El futuro Ciencia de datos Actualmente se demanda un perfil muy especializado llamado Científico de Datos, capaz de estudiar las diversas fuentes de información disponibles en una organización, extraer datos a partir de diversos formatos tanto de bases de datos relacionales y no relacionales como de muchos otros tipos, depurarlos, analizarlos, idear y desarrollar algoritmos, en algunos casos paralelos, realizar inferencias, preparar y comunicar los resultados de dichos análisis y ser capaz de transmitir conclusiones acerca de los estudios para finalmente repercutir en un mayor conocimiento que ayude a la Gerencia del organismo o compañía a tomar mejores decisiones.

17 El futuro Ciencia de datos Bases de datos relacionales Bases de datos No Relacionales (NoSQL) Lenguajes de programación (R, Python, Java) Machine Learning Data Mining Business Intelligence (ETL, Reporteo, Tableros de control) Big Data Programación de alta demanda, paralela, distribuida: Hadoop, MapReduce, Hbase.

18 Algunos recursos en línea

19 MUCHAS GRACIAS POR SU ATENCIÓN M. en C.A. Alfonso Ramos Corona Profesor investigador de Tiempo Completo Facultad de Geografía