Data Science

Data Science

1. Computer Sciences

   • Campo general que incluye el estudio de algoritmos, estructuras de datos, teoría de la computación, hardware y software.

2. Statistics

   • Herramientas y métodos estadísticos son fundamentales en la ciencia de datos para analizar la variabilidad de los datos y extraer conclusiones significativas.

3. Big Data

   • Análisis de grandes volúmenes de datos que pueden ser estructurados, no estructurados o semiestructurados. Requiere técnicas avanzadas de procesamiento y análisis.
   • Data analytics
     • Uso de métodos estadísticos y técnicas computacionales para examinar y procesar datos, con el objetivo de obtener información 
     • Big Data
     • Analitica descriptiva
       • Da respuesta a: ¿Qué pasó o está pasando en el negocio?
     • Analítica predictiva
       • Da respuesta a: ¿Qué pasará en mi negocio?
     • Analítica presciptiva
       • Da respuesta a: Dado que sé qué va a pasar ¿Qué hacer con mi negocio?
     • Analítica diagnostica
       • Da respuesta a: ¿Por qué ocurrió?
     • Arquitectura de datos
       • Describe cómo se gestionan los datos, desde la recopilación hasta la transformación, la distribución y el consumo.
       • CRISP-DM
         • Es un método probado para orientar trabajos de minería de datos. Como metodología, incluye descripciones de las fases normales de un proyecto, las tareas necesarias en cada fase y una explicación de las relaciones entre las tareas.
       • DataOps
         • Se enfoca en la gestión y operación de datos en entornos de Big Data, abarca tareas como la limpieza, integración y calidad de los datos.
       • MLOps
         • Se enfoca en la gestión y operación de modelos de aprendizaje automático. Incluye también la construcción, entrenamiento, evaluación y despliegue de modelos.
   • Data Mining
     • Proceso de descubrir patrones en grandes conjuntos de datos utilizando técnicas de aprendizaje automático, estadísticas y bases de datos.
     • Big Data
       • Análisis de grandes volúmenes de datos que pueden ser estructurados, no estructurados o semiestructurados. Requiere técnicas avanzadas de procesamiento y análisis.
   • Machine learning
     • Rama de la inteligencia artificial que desarrolla algoritmos capaces de aprender y hacer predicciones o decisiones basadas en datos.
     • Feature Learning
       • Se desarrolla como un conjunto de métodos que permiten a una máquina descubrir automáticamente las características necesarias para la detección o clasificación de datos.
   • API
     • Permite que diferentes programas o aplicaciones se comuniquen entre sí. Para que una aplicación no tenga que comprender todos los detalles internos de otra.

4. Machine Learning

   • Rama de la inteligencia artificial que desarrolla algoritmos capaces de aprender y hacer predicciones o decisiones basadas en datos. Aprende con ejemplos.
   • Artificial Intelligence
     • Campo más amplio que abarca la creación de sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de voz, visión por computadora y toma de decisiones.
     • Inteligencia
       • Capacidad de razonar para resolver un problema con información obtenida a través del análisis del contexto en el cual nos encontramos, del procesamiento de ideas complejas y de la experiencia.
     • IA Generativa
       • Es una rama de la inteligencia artificial que tiene como objetivo crear contenido original y creativo, como imágenes, audio, texto y código.
   • Reinforcement Learning
     • Algoritmo de aprendizaje basado en recompensas y castigos para optimizar las decisiones.
   • Deep Learning
     • Red neuronal avanzada para procesamiento de datos no estructurados como imágenes y audio.
   • Aprendizaje supervisado
     • Es una técnica para deducir una función a partir de datos de formación. Los datos de formación consisten de pares de objetos (normalmente vectores): una componente del par son los datos de entrada y el otro, los resultados deseados.
     • Clasificación
       • Predice una variable categórica (2 o múltiples categorías)
     • Regresión
       • Predice un número continuo
   • Aprendizaje no supervisado
     • Utiliza algoritmos de machine learning para analizar y agrupar conjuntos de datos no etiquetados. Estos algoritmos descubren patrones ocultos o agrupaciones de datos sin necesidad de intervención humana. Su capacidad de descubrir similitudes y diferencias en la información la convierte en la solución ideal para análisis exploratorio de datos, estrategias de venta cruzada, segmentación de clientes y reconocimiento de imágenes.
     • Reducción de dimensionalidad
       • Reduce el número de dimensiones
     • Asociación
       • Identifica las relaciones subyacentes
     • Clustering
       • Agrupa los datos de puntos juntos
   • Aprendizaje por refuerzo
     • Este tipo de aprendizaje se basa en mejorar la respuesta del modelo usando un proceso de retroalimentación. El algoritmo aprende observando el mundo que le rodea. Su información de entrada es la retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.
   • Shallow Learning
     • Modelos de aprendizaje automático con profundidad limitada, que suelen implicar una o dos capas de procesamiento. Representa todos los algoritmos de machine Learning y las técnicas que no son de aprendizaje profundo (Deep Learning).