https://github.com/karimtouma/estrategiadedatos/blob/master/manuscript/08_2_cienciadatos.

md

Como encarar un problema de ciencia de datos

Para encarar un problema de ciencia de datos, existe bastante

metodología, principalmente, desde el mundo de la minería de datos,
documentación y tecnología moderna, que aliviará el proceso desde el
set de datos hacia ajustar matemáticamente un modelo. Por lo que el
principal problema que abordaremos en esta sección tiene que ver en
cómo encaramos la construcción de los datos, que representan el
dominio del problema, en forma que el objetivo de tal representación,
represente la solución al determinado problema con la consiguiente
adecuada comunicación de los hallazgos. Todo esto en problemas de
ciencia de datos estructurados, es decir, con información tabulada. Para
problemas no estructurados el enfoque de solución y planteamiento es
diferente, ya que la estructuración de la información no estructurada es
uno de los problemas que solucionan las herramientas modernas como
redes neuronales o aprendizaje profundo.

La primera gran incómoda verdad del aprendizaje automático es que

no existe solución óptima para un determinado problema (al menos
demostrable por la matemática más avanzada de esta época). El
enfoque de estos, en cambio, es encontrar la mejor respuesta útil a un
problema sin solución conocida en un tiempo prudente, y para esto se
ocupa una gran batería de diferentes técnicas y alcances que pueden
transformar un espacio de características, o información de un
determinado contexto en información que no está presente en el
dominio, la cual se ajusta matemáticamente en función de la
información que representa el problema en sí.

Claro está, existen muchas limitaciones estadísticas en la creación de

este espacio de características, pero lo primordial, en un inicio y para
evitar complejidad innecesaria a posteriori, es lograr representar,
mediante dominios mutuamente excluyentes y completamente
exhaustivos, el dominio de un problema, para luego lograr definir la
información que se necesita para obtener la información deseada.
Luego de definir la información deseada, se requiere representar esta
información en los datos históricos. Esta debe ser gestionable e
interpretable en el sentido de poder validar los hallazgos. En un
principio, los modelos de aprendizaje automático deben privilegiar la
explicabilidad, y lograr con esto, información robusta sobre los
dominios que representan el problema. Esto ayudará a definir las líneas
de investigación e incluso, a retroalimentar la gestión interna de la
compañía. Luego de este primer paso de descubrimiento, la idea es
optimizar el espacio de características en función de la importancia de
cada dominio en un flujo de aprendizaje y priorización de dominios
continuo.