Características de una canalización de datos

¿Cuál de las siguientes afirmaciones es verdadera?

Este ejercicio forma parte del curso

Comprender la ciencia de datos

Ver curso

ejercicio interactivo práctico

Convierte la teoría en práctica con uno de nuestros ejercicios interactivos

Empezar ejercicio

Este ejercicio forma parte del curso

Comprender la ciencia de datos

PrincipianteNivel de habilidad

4.8+

7377 reviews

Empieza 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 aprendiendo sobre los diferentes roles del campo de la ciencia de datos.

Exercise 1: ¿Qué es la ciencia de datos?Exercise 2: Ciencia de datos por doquier Exercise 3: Importancia de la ciencia de datos Exercise 4: Aplicaciones de la ciencia de datos Exercise 5: Dosis diaria de ciencia de datos Exercise 6: La ciencia de los asistentes inteligentes Exercise 7: Roles y herramientas de la ciencia de datos Exercise 8: Seleccionar al candidato adecuado Exercise 9: El rol de un científico de datos

Ahora que entendemos el flujo de trabajo de la ciencia de datos, profundizaremos en el primer paso: la recopilación y el almacenamiento de datos. Aprenderemos sobre las distintas fuentes de datos que puedes utilizar, qué aspecto tienen esos datos, cómo almacenarlos una vez recopilados y cómo un pipeline de datos puede automatizar el proceso.

Exercise 1: Fuentes de datos Exercise 2: Clasificar fuentes de datos Exercise 3: Frecuencia de asma Exercise 4: Tipos de datos Exercise 5: Clasificar tipos de datos Exercise 6: Net Promoter Score Exercise 7: Monitor de actividad Exercise 8: Almacenamiento y recuperación de datos Exercise 9: Plataformas en la nube Exercise 10: Consultar una base de datos Exercise 11: ¿Qué tipo de base de datos?Exercise 12: Canalizaciones de datos Exercise 13: Características de una canalización de datos

Ejercicio actual

Exercise 14: Extraer, transformar, cargar

La preparación de los datos es fundamental: los científicos de datos pasan el 80 % del tiempo limpiando y manipulando datos, y solo el 20 % analizándolos de verdad. Este capítulo te mostrará cómo diagnosticar problemas en los datos y cómo tratar los valores que faltan y los valores atípicos. A continuación, obtendrás información sobre la visualización, otra herramienta esencial tanto para explorar tus datos como para transmitir tus conclusiones.

Exercise 1: Preparación de datos Exercise 2: La verdad está ahí fuera Exercise 3: ¿Te has preparado?Exercise 4: Análisis exploratorio de datos Exercise 5: EDA numérico Exercise 6: EDA visual Exercise 7: Visualización Exercise 8: Paneles interactivos Exercise 9: Mejorar un panel

En este capítulo final, hablaremos de experimentación y predicción. Empezaremos con los experimentos, cubriremos las pruebas A/B y pasaremos a la previsión de series temporales, donde aprenderemos a predecir acontecimientos futuros. Por último, terminaremos con el machine learning y examinaremos el aprendizaje supervisado y la agrupación de clústeres.

Exercise 1: Pruebas A/B Exercise 2: Crear un flujo de trabajo de pruebas A/B Exercise 3: Significación estadística Exercise 4: Resultados intermedios Exercise 5: Predicción de series temporales Exercise 6: Clasificar datos de series temporales Exercise 7: Interpreta un gráfico de series temporales Exercise 8: Machine learning supervisado Exercise 9: Cuándo utilizar el aprendizaje supervisado Exercise 10: Atributos y etiquetas Exercise 11: Evaluación de modelos Exercise 12: Agrupación de clústeres Exercise 13: Supervisado frente a no supervisado Exercise 14: Selección del tamaño de clúster Exercise 15: ¡Enhorabuena!