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.

¿Qué es la ciencia de datos?

Ciencia de datos por doquier

Importancia de la ciencia de datos

Aplicaciones de la ciencia de datos

Dosis diaria de ciencia de datos

La ciencia de los asistentes inteligentes

Roles y herramientas de la ciencia de datos

Seleccionar al candidato adecuado

El papel de un científico de datos

Introducción a la ciencia 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.

Fuentes de datos

Ordenar fuentes de datos

Frecuencia de asma

Tipos de datos

Clasificar los tipos de datos

Net Promoter Score

Monitor de actividad

Almacenamiento y recuperación de datos

Plataformas en la nube

Consultar una base de datos

¿Qué tipo de base de datos?

Pipelines de datos

Características del pipeline de datos

Extraer, transformar, cargar

Recopilación y almacenamiento de datos

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.

Preparación de datos

La verdad está ahí fuera

¿Te has preparado?

Análisis exploratorio de datos

EDA numérico

EDA visual

Visualización

Paneles interactivos

Mejorar un panel

Preparación, exploración y visualización

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.

Pruebas A/B

Ordena las tareas

Crear un flujo de trabajo de pruebas A/B

Significación estadística

Resultados intermedios

Previsión de series temporales

Datos

Datos de series temporales

No son datos de series temporales

Clasificar datos de series temporales

Interpretar un gráfico de series temporales

Machine learning supervisado

Problemas

Prueba A/B

Panel

Cuándo utilizar el aprendizaje supervisado

Atributos y etiquetas

Evaluación del modelo

Agrupación de clústeres

Supervisado

No supervisado

Supervisado frente a no supervisado

Selección del tamaño del grupo

¡Enhorabuena!

Experimentación y predicción

Course Glossary

¿Qué es la ciencia de datos, por qué es tan popular, y por qué la Harvard Business Review la ha aclamado como el "trabajo más sexy del siglo XXI"? En este curso no técnico conocerás todo lo que siempre has temido preguntar sobre este campo apasionante y de rápido crecimiento, sin necesidad de escribir una sola línea de código. Con ejercicios prácticos, aprenderás los diferentes roles de los científicos de datos; temas fundamentales como las pruebas A/B, el análisis de series temporales y el machine learning; y cómo los científicos de datos extraen conocimientos e información de los datos del mundo real. Así que no te dejes desanimar por las palabras de moda. Empieza a aprender, adquiere destrezas en este campo tan demandado, ¡y descubre por qué la ciencia de datos es para todos!

Descubre qué es la ciencia de datos, por qué es popular y aprende con ejercicios prácticos. Sin código.

Pruebas A/B

Create Your Free Account