Data Science

Data Science

1. Análisis de datos

   • Examina datos hallando, relaciones, patrones, explicaciones y/o tendencias. para la toma de decisiones.

2. Analítica de datos

   • Extracción de los datos. descubrimiento de patrones y correlaciones ocultas

3. Datasets

   • Conjuntos o grupos de datos relacionados que comparten los mismos atributos

4. Inteligencia de negocios

   • Conjunto de procesos, arquitecturas y tecnologías que convierte datos crudos en información de valor para la organización.

5. BIG DATA

   • Internet of things
   • Cloud computing
   • Social media
   • Tecnología asequible y hardware básico
   • Analítica y ciencia de datos
   • Tecnologías tradicionales asociadas
     • Procesamiento de transacciones en línea (OLTP)
       • Tipo de procesamiento de datos que consiste en la ejecución de transacciones ocurriendo de manera concurrent.
       • Incluye típicamente transacciones tipo CRUD (create, read, update, delete)
       • Incluye típicamente transacciones tipo CRUD (create, read, update, delete)
       • Shopping, order entry, sending text message, financial transactions
     • Procesamiento analitico en línea (OLAP)
       • Consultas con fines analíticos.
       • No incluyen procesos de modificación o actualización de datos
       • Requieren menos frecuencia de acceso.
       • Almacenan datos agregados para ofrecer una capacidad rápida de reportes.
     • Extracción, transformación y carga (ETL)
       • Proceso para la extracción de datos de un sistema origen a un sistema objetivo.
       • ● Es el proceso mediante el cual se ingestan la mayoría de datos a un datawarehouse.
     • Schema on write
       • Tener el esquema previamente definido antes de escribirlo en la base de datos.
   • Bodegas de datos, data marts y tecnologías onpremise
     • ● Bodegas de datos digitales (Data warehouse)
       • Sistema utilizado para reportería y análisis de datos.
     • Bases de datos relacionales y modelo relacional
       • Representación de una base de datos a nivel de entidades y relaciones.
       • ● Modelo más utilizado actualmente.
       • ● Utiliza lenguaje SQL
       • Normalización de datos para reducir redundancia, duplicidad.
     • Data marts
       • Son subject-oriented, segmento de un datawarehouse.
     • Tecnologías onpremise:
       • Refiere a hardware local, donde los datos son almacenados en servidores locales.
   • Tipos de datos en entornos Big data
     • Datos estructurados
     • Datos sin estructurar
     • Datos semiestructurados
     • Metadatos (técnicos, operacionales, negocio)
   • Tecnologías modernas de Big data y analítica avanzada
     • ● Datalake
       • Schema on read vs Schema on write.-ELT (extract, load, transform)
     • Bases de datos NOSQL
       • Commodity hardware.- Alto rendimiento.-Distribuido.-Alta escalabilidad. Column-family - Graph-Documentos.-Llave-valor.
     • In memory - databases
       • Tiempos de respuesta mínimos microsegundos.-Elimina la necesidad de acceder al disco-Riesgo de perder data frente a fallas en el sistema.-Se puede optimizar para almacenar la información más recientemente consultada
     • Cloud computing
       • Computación bajo demanda, o como servicio. -Pagas por lo que utilizas como un servicio público-Oportunidad de acceder a grandes capacidades de computación.-Nube privada, nube pública, nube híbrida
     • ● Hadoop
       • Rendimiento, escalable, open source, tolerante a fallos. -Es posible su implementación en commodity hardware.-Procesamiento distribuido de grandes dataset de datos, por medio de clusters de computadores usando modelos simples de programación.-Escalamiento de una a miles de máquinas

6. Análisis de datos

   • Análisis de datos
   • Análisis cuantitativo
   • Análisis cualitativo
   • Analítica prescriptiva
   • Analítica predictiva
   • Analítica diagnóstica
   • Analítica descriptiva

7. Inteligencia artificial

   • Artificial narrow intelligence
   • Artificial general intelligence

8. Mineria de Datos

   • ● Descubrir patrones ocultos en los datos

9. Machine learning