Fundamentos De

Ciencia De Datos
Actividad 3. Mapa Mental. Metodología de la
ciencia de datos

Nombre:
Matrícula:
Materia: Fundamentos de ciencia de datos
Profesor:
Campus:
Fecha de entrega:

La retroalimentación es el propósito
necesario que ayuda a refinar el modelo
y acceder a su desempeño e impacto. Los
pasos involucrados en la
retroalimentación definen el proceso de
revisión, hacen un seguimiento del
registro, miden la efectividad y revisan
con refinamiento.
A medida que el modelo se evalúa de
manera efectiva, está listo para su
implementación en el mercado
empresarial. La fase de
implementación comprueba cuánto
puede soportar el modelo en el entorno
externo y funciona de manera superior
en comparación con otros.
La evaluación del modelo se
realiza durante el desarrollo del
modelo, comprueba la calidad
del modelo a evaluar y también
si cumple con los requisitos
comerciales.
El modelado decide si los datos
preparados para el
procesamiento son apropiados o
requieren más acabado y
curado. Esta fase se centra en la
construcción de modelos
predictivos / descriptivos.
Para ayudar a garantizar el éxito del
proyecto, los promotores deben
Los enfoques pueden ser de 4 tipos:
participar mientras dure el proyecto
Enfoque enfoque descriptive, enfoque de
Retro- para proporcionar experiencia en el
analítico diagnostico, enfoque predictive y
alimentacion dominio, revisar los hallazgos
prescriptivo enfoque
intermedios y garantizar que el trabajo
siga su curso para generar la solución
deseada.
El método analítico elegido anteriormente
Comprensión del
indica el contenido, los formatos y las fuentes
negocio
de datos necesarios que deben recopilarse.
Requisitos de Durante el proceso de requisitos de datos, se
datos deben encontrar las respuestas a preguntas
Implementación como "qué", "dónde", "cuándo", "por qué",
"cómo" y "quién".
Los datos recopilados se pueden obtener en
La metodología y el Recopilación de cualquier formato aleatorio. Entonces, de
acuerdo con el enfoque elegido y el resultado a
científico de la ciencia datos
obtener, los datos recopilados deben validarse.
Evaluación
de datos
La comprensión de datos responde a la
pregunta "¿Son los datos recopilados
Comprensión de
representativos del problema que se va a
datos
resolver?".
Entre las actividades de preparación de datos
Modelado están la limpieza de datos (tratar con valores
no válidos o que faltan, eliminar duplicados y
Preparación dar un formato adecuado), combinar datos de
Modelado de datos
múltiples fuentes (archivos, tablas y
plataformas) y transformar los datos en
variables más útiles.
El pensamiento crítico es una habilidad
valiosa que se adapta fácilmente a Los científicos de datos realizan una doble
cualquier profesión. Para los científicos Sentido del tarea: no sólo deben conocer su propio campo y
de datos, es aún más importante negocio cómo navegar por los datos, sino que también
porque además de obtener Pensamiento deben conocer el negocio y el campo en el que
información, debes poder formular crítico trabajan.
preguntas de manera adecuada y
comprender cómo se relacionan esos
resultados

La preparación de datos es el proceso de

Capacidad para preparar los datos para el análisis, incluidas las
preparar los tareas de descubrimiento, transformación y
datos para un limpieza de datos, y es una parte crucial del
análisis eficaz flujo de trabajo del análisis para analistas y
La comunicación efectiva es otra Comunicación científicos de datos por igual.
habilidad que se busca en todas partes. efectiva
Ya sea que estés en una puesto inicial o
seas un CEO, relacionarse con otras
personas es un rasgo útil que te ayuda
a hacer las cosas rápido y fácil.
Capacidad para
Científico de aprovechar las Esta habilidad está en línea con las habilidades
datos plataformas de no técnicas, porque se relaciona con el
pensamiento crítico y la comunicación.
análisis de
No puedes ser un científico de autoservicio
datos sin la habilidad o el deseo Resolución proactiva
de resolver problemas. De eso se de problemas
trata precisamente la ciencia de
datos.
Esta habilidad es casi algo obligatorio. Dado
Capacidad para que los científicos de datos viven sumergidos en
escribir códigos los sistemas diseñados para analizar y procesar
eficientes y datos, también deben comprender el
mantenibles funcionamiento interno de dichos sistemas.
Un científico de datos debe
tener curiosidad intelectual y
una pasión para encontrar y
Curiosidad Al igual que la codificación, las matemáticas y
responder las preguntas que
intelectual Capacidad para las estadísticas desempeñan un papel
presentan los datos, pero aplicar las fundamental en la ciencia de datos. Los
también para responder
matemáticas y científicos de datos se ocupan de modelos
preguntas que nunca se estadísticas matemáticos o estadísticos y deben poder
formularon.
adecuadamente aplicarlos y ampliarlos.
Referencias

Montane, M. (2020). Ciencia de datos para curiosos [Sitio web]. Recuperado de https://martinmontane.github.io/CienciaDeDatosBook/index.html

Credenciales alternativas TEC. (5 de enero 2020). Lenguajes de programación aplicados en la Ciencia de Datos [Archivo de video]. Recuperado de
https://www.youtube.com/watch?v=S9iN0vZVfuc

Rafa Gonzalez Gouveia. (17 de julio 2020). 3 diferencias entre R vs Python para DATA SCIENCE [Archivo de video]. Recuperado de
https://www.youtube.com/watch?v=doLXHVBbknw

Álvarez, J. (2018). “Científico de datos”, la profesión del presente [Archivo PDF]. Recuperado de https://dialnet.unirioja.es/descarga/articulo/6528629.pdf

John B. Rollins. (2015). Metodología Fundamental para la Ciencia de Datos. 07/19/2022, de IBM Sitio web:
https://www.ibm.com/downloads/cas/6RZMKDN8#:~:text=La%20metodolog%C3%ADa%20no%20depende%20de,para%20obtener%20respuestas%20o
%20resultados.

Victor Gonzalez. (2022). habilidades que todo científico de datos debería tener. 07/19/2022, de Tableu Sitio web:
https://www.tableau.com/es-mx/learn/articles/data-science-skills