APUNTES DE CLASE

Data cruda Ingesta Preparacion o Computacion/analítica Presentación

“raw data” (ETL) pre-procesado o modelacion o visualización
(EDA-Analidad o de consumo
Fuentes de exploratorio FLUJO DE
datos de datos) DATOS
O colección ESTADISTICA
DESCRIPTIVA (aquí
 Pura foto, no presentas tu
se esta resultados,
modelando tus 7
nada. Media, segmentos)
mediana. 
PREPARANDO
Después de
hacer la feature
limpieza de engineering
datos.
1
2 3 4

MODELO PREDICTIVO: ES EL MODELO MATEMATICO ESTADISTICO.

DATA VISUALIZATION: GRAFICOS Y TABLAS BONITOS.

----------

Approach de ambas partes, ciencias a marketing, y marketing a ciencias.

CONOCER EL MODELO DE NEGOCIOS, CONOCEMOS EL MODELO DE DATOS.

Data externa para enriquecer la información:

TABLO – SAFEFORCE SAFEWORK

POWER BI – MICROSOFT – SUIT DE OFFICE

4BD – ESTRUCTURADO

-CLIENTES

-PRODUCTOS  Jerarquia (familia)

- tiendas

- tickets – salario promedio por código postal

-segmentar

-sistema de recolección

DEBAJO DEL MODEO DE NEGOCIO, HAY UN MODELO DE DATOS, INCLUSO AUNQUE NO SE CAPTURA LA
DATA.

MACHINE LEARNING – INTELIGENCIA ARTIFICIAL

APRENDIZAJE AUTOMATICO

MAQ. APRENDE CON LOS DATOS

ESTRUCTURADA

-USA TABLAS, NUMEOS, REGISTROS, MATRICES

SEMI ESTRUCTURADA

NO ESTRUCTURADA

AVANZADO. DEEP LEARNING

COMPUTER VISION-ANALISIS DE FOTOS

VIDEOS, FOTOS, AUIDO, GEOLOZALIZACION

MODELO DE APRENDIZAJE SUPERVISADO:

CLASIFICACION: NO SE HACE SEGMENTACION BLANCO O NEGRO, PASA O NO PASA- DETECCION DE

FRAUDE. PASA O NO PASA, BLANCO O NEGRO

REGRESION: PARA PREDECIR UNA CANTIDAD

SEGMENTACION: CLASIFICAS A LOS TIPOS DE CLIENTES, SOBRE UN PERFIL, SISTEMAS DE

RECOMENDACIÓN HISTORIAL DE TICKETS, PASALO POR EL SISTEMA DE RECOMENDACIÓN, Y DALE 10
PRODUCTOS RECOMENDADOS. POR CADA CLIENTE

REDUCCION DE DIMENSION: TRBAJAR DE 100 VARIABLES, A 5 VARIABLES. REDUCES LA CANTIDAD DE

VARIABLES CON LAS QUE TRABAJAS

APRENDIZAJE REFORZADO:

DATOS ALIMENTADOS POR LOS MISMOS USUARIOS A LAS PLATAFORMAS

PARA QUE LA CUURVA SE PEGUE A LOS DATOS “ESTA CURVA EXPLICA LOS JUEGOS DE DATOS”

SUBAJUSTE: 3 TALLAS MAS, PERMITE MOVERSE, CUALQUIER JUEGO DE DATOS, LE HACE AL MODELO. LA
CURVA NO EXPLICA CORRECTAMENTE LOS DAOTS.

SOBREAJUSTE: LA CURVA ESTA PRECISA PARA LOS DATOS, PERO NO TE PERMITE MOVER

NI MUCHO, NI POCO.

ESTADISTICA DESCRIPTIVA: ARQUEOLOGIA, SOLO TOMA FOTOS

PREDICTIVA: CON MODELOS

PRESCRIPTIVA: QUE COSA SERIA LO MEJOR QUE ME PUEDE SUCDER, CON ESCENRARIOS

DATOS, PROCESOS Y PERSONAS, Y DATAA