Clasificar las tareas de datos

Alma dirige la planificación del sprint esta semana. La planificación de sprints es cuando un equipo técnico asigna tareas para la semana siguiente y establece prioridades. El equipo de Alma está formado por un ingeniero de datos, un analista de datos y un científico de datos.

Este ejercicio forma parte del curso

Ciencia de datos para empresas

Ejercicio interactivo práctico

Convierte la teoría en acción con uno de nuestros ejercicios interactivos

Empieza a hacer ejercicio

Este ejercicio forma parte del curso

Ciencia de datos para empresas

PrincipianteNivel de habilidad

4.8+

Comienza el curso gratis

Empezaremos el curso definiendo qué es la ciencia de datos. Cubriremos el flujo de trabajo de la ciencia de datos y cómo se aplica la ciencia de datos a los problemas del mundo real. Terminaremos el capítulo conociendo formas de estructurar tu equipo de datos para satisfacer las necesidades de tu organización.

Exercise 1: ¿Qué es la ciencia de datos?Exercise 2: Flujo de trabajo de segmentación de clientes Exercise 3: Construir un chatbot de atención al cliente Exercise 4: Mejorar OKRs Exercise 5: Aplicaciones de la ciencia de datos Exercise 6: Asignación del proyecto de ciencia de datos Exercise 7: Investigación de inversiones Exercise 8: Crear un equipo de ciencia de datos Exercise 9: Interpretar un sprint de equipo Exercise 10: Editar un puesto de trabajo Exercise 11: Adecuación de las cualificaciones a los puestos de trabajo Exercise 12: Clasificar las tareas de datos

Ejercicio actual

Ahora que entendemos el flujo de trabajo de la ciencia de datos, profundizaremos en el primer paso: la recopilación y el almacenamiento de datos. Conoceremos las distintas fuentes de datos de las que puede abastecerse tu empresa, y cómo almacenar esos datos una vez recopilados.

Exercise 1: Fuentes de datos y riesgos Exercise 2: Clasificar los datos por seguridad Exercise 3: Crear eventos de datos web Exercise 4: Proteger PII Exercise 5: Datos solicitados Exercise 6: Identificar el objetivo de la pregunta Exercise 7: Validar las opiniones de los grupos de discusión Exercise 8: Net promoter score Exercise 9: Recoger datos adicionales Exercise 10: Ordenar fuentes de datos Exercise 11: Frecuencias de asma Exercise 12: Almacenamiento y recuperación de datos Exercise 13: Plataformas en la nube Exercise 14: Consultar una base de datos Exercise 15: ¿Qué tipo de base de datos?

En este capítulo, hablaremos de formas de explorar y visualizar datos mediante cuadros de mando. Hablaremos de los elementos de un cuadro de mando y de cómo hacer una solicitud dirigida de un cuadro de mando. En este capítulo también se tratará la realización de solicitudes de datos ad hoc y las pruebas A/B, que son una poderosa herramienta analítica que reduce el riesgo en la toma de decisiones.

Exercise 1: Cuadros de mando Exercise 2: Clasificar los elementos del cuadro de mando Exercise 3: Mejorar un panel Exercise 4: Selección del SGBD adecuado Exercise 5: Análisis ad hoc Exercise 6: Rellenar una solicitud ad hoc Exercise 7: Clasificar las solicitudes Exercise 8: Pruebas A/B Exercise 9: Crear un flujo de trabajo de pruebas A/B Exercise 10: Tamaño de la muestra Exercise 11: Resultados intermedios

En este último capítulo, hablaremos del tema más de moda en la ciencia de datos: ¡el aprendizaje automático! Cubriremos el aprendizaje automático supervisado y no supervisado, y la agrupación. A continuación, pasaremos a temas especiales del aprendizaje automático, como la predicción de series temporales, el procesamiento del lenguaje natural, el aprendizaje profundo y la IA explicable.

Exercise 1: Machine learning supervisado Exercise 2: Cuándo utilizar el aprendizaje supervisado Exercise 3: Características y etiquetas Exercise 4: Evaluación del modelo Exercise 5: Agrupamiento Exercise 6: Supervisado frente a no supervisado Exercise 7: Selección del tamaño del grupo Exercise 8: Temas especiales en Aprendizaje Automático Exercise 9: Clasificar las tareas de machine learning Exercise 10: Análisis de sentimiento Exercise 11: Aprendizaje profundo e IA explicable Exercise 12: Encontrar la solución correcta Exercise 13: ¿Debo utilizar el aprendizaje profundo?