Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNT NACIONAL DE
TRUJILLO
TRABAJO:
ACTIVIDADES DE APLICACIÓN W1
CURSO:
EXCEL, ACCESS/MSPROJECT
DOCENTE:
GONZALES TORRES JORGE OMAR
ALUNMNO:
MURGA GUEVARA BRYAN KEVIN
TRUJILLO – PERÚ
2023
1. Buscar en internet productos, aplicaciones proyectos, que utilicen inteligencia
artificial aplicada a minería y geología. ¿Qué es lo que más te gusta de estos
proyectos? ¿Cómo es que utilizan AI para funcionar?
A. Modelado de yacimientos
B. Monitoreo y seguridad
C. Automatización de equipos y maquinaria
Modelado geológico: Los algoritmos de aprendizaje automático pueden generar
modelos tridimensionales detallados de la estructura geológica de un yacimiento,
lo que ayuda en la planificación y operación de minas.
Predicción de leyes minerales: Utilizando datos históricos y técnicas de IA, se
pueden predecir las concentraciones de minerales en un yacimiento, lo que
optimiza la extracción y reduce los costos.
Detección de cambios geológicos: Utilizando análisis de imágenes y datos de
sensores, la IA puede detectar cambios sutiles en la superficie terrestre, lo que
ayuda a prevenir deslizamientos y derrumbes.
Gestión de riesgos: Los sistemas de IA pueden predecir eventos geológicos
peligrosos y emitir alertas tempranas para garantizar la seguridad de los
trabajadores.
Vehículos autónomos en minas: Camiones y maquinaria autónoma equipada con
IA pueden transportar minerales y realizar tareas sin intervención humana,
mejorando la eficiencia y la seguridad.
45. ¿Cuál es una habilidad importante que un Data Analyst debe tener?
Es la capacidad de programación y conocimiento en lenguajes como Python o R para
manipular y analizar datos de manera eficiente y realizar análisis estadísticos.
46. ¿Cuál es una habilidad clave para un Data Analyst?
De interpretar y analizar datos de manera efectiva para obtener información valiosa y
tomar decisiones basadas en evidencia.
47. ¿Qué herramientas son líderes en visualización de datos?
Tableau: Ofrece visualizaciones interactivas y es ampliamente utilizado en
empresas.
Power BI: De Microsoft, permite crear informes interactivos y tableros de
control.
D3.js: Una biblioteca JavaScript potente y flexible para crear visualizaciones
personalizadas.
QlikView/Qlik Sense: Proporciona visualizaciones interactivas y análisis de
datos.
Matplotlib y Seaborn: En Python, para visualizaciones personalizadas y análisis
de datos.
Ggplot2: En R, para visualizaciones de alta calidad.
48. ¿Por qué es importante dominar Excel o Google Sheets en el análisis de
datos?
son herramientas ampliamente utilizadas para tareas iniciales de manipulación,
organización y análisis de datos.
49. ¿Qué lenguajes de programación son importantes para un Data Analyst y los
más usados en la industria del análisis de datos?
Python: Ampliamente preferido debido a su facilidad de uso y una rica colección
de bibliotecas para análisis de datos, como pandas, NumPy y matplotlib.
R: Especializado en estadísticas y análisis de datos, es popular entre los analistas
cuantitativos.
SQL: Fundamental para consultar bases de datos y extraer datos para análisis.
JavaScript: A veces se usa para crear visualizaciones interactivas en la web.
50. ¿Cuál es el propósito principal de un Data Analyst?
Es examinar y analizar datos para descubrir patrones, tendencias y proporcionar
información valiosa que respalde la toma de decisiones informadas en una organización.
51. Mencione 3 librerías importantes en análisis y visualización de datos
pandas: Para la manipulación y análisis de datos tabulares.
matplotlib: Para crear gráficos y visualizaciones estáticas.
Seaborn: Una librería que se basa en matplotlib y simplifica la creación de
visualizaciones estadísticas más atractivas.
52. ¿Qué es importante aprender al inicio de una carrera como Data Analyst?
Es importante aprender habilidades de manipulación de datos con herramientas como
Python y SQL.
53. ¿Cuál es la importancia de conocer las bases de dato de tu mina?
Es crucial porque proporciona visibilidad sobre la producción, seguridad,
mantenimiento y eficiencia operativa.
54. ¿Cómo de presentan los hallazgos encontrados en los datos?
A través de gráficos, tablas, informes escritos y visualizaciones interactivas para
comunicar patrones, tendencias y conclusiones de manera efectiva a las partes
interesadas.
55. Busca en sitios de trabajo vacantes para Data Analyst, Data Scientist, Data
Engineers y Machine learning Engineers
Machine Learning Engineer
Analista BI (Valtx – Perú)
Especialista de Gestión de incidencias de Aplicaciones (Mibanco – Perú)
Business Specialist Proficient (Yape – Perú).
Analista de inteligencia de negocios (AENZA – Perú)
Risk Specialist (Banco de Crédito BCP – Perú).
Ingeniero de Proyectos (Oben Group – Perú)
56. ¿Cuál es la diferencia entre OLAP y OLTP?
Por lo tanto, OLTP es un sistema de modificación de datos en línea, mientras que OLAP
es un sistema de almacén de datos multidimensional histórico en línea que se utiliza
para recuperar datos de grandes cantidades con fines analíticos. OLAP normalmente
proporciona análisis de los datos capturados por uno o más sistemas OLTP.
57. ¿Qué es el proceso ETL?
La extracción, transformación y carga (ETL) funciona moviendo datos del sistema de
origen al sistema de destino a intervalos periódicos. El proceso ETL funciona en tres
pasos:
Extracción de los datos relevantes de la base de datos de origen.
Transformación de los datos para que sean más adecuados para el análisis.
Carga de los datos en la base de datos de destino.
58. ¿Qué tipos de conocimientos matemáticos son útiles para comprender los
datos en el procesamiento de datos?
Los conocimientos matemáticos útiles incluyen álgebra lineal para comprender
transformaciones de datos, estadísticas para el análisis y la inferencia, y cálculo para
optimización y modelado matemático en el procesamiento de datos.
59. Mencione 3 herramientas o librerías claves en el procesamiento de datos.
Pandas: Para la manipulación y análisis de datos tabulares.
Apache Spark: Para procesamiento de datos distribuido y análisis a gran escala.
SQL: Lenguaje de consulta estructurada para manipular y gestionar bases de
datos relacionales
60. ¿Cuál es el lenguaje de programación principalmente utilizado por Data
Engineers?
Es Python, debido a su versatilidad, amplia gama de bibliotecas para procesamiento de
datos y facilidad de integración con herramientas de Big Data como Apache Spark y
Hadoop.
61. ¿Por qué es importante contar con un Data Enginner en una empresa
minera?
Para gestionar la recopilación, almacenamiento y procesamiento eficiente de grandes
volúmenes de datos de sensores y equipos. Esto permite tomar decisiones informadas,
mejorar la seguridad y optimizar la operación minera.
62. ¿Para qué se utiliza Docker en el procesamiento de datos?
Para crear contenedores de software que encapsulan aplicaciones y sus dependencias,
garantizando un entorno consistente.
63. ¿Cuál es el objetivo principal de un Machine Learning Engineer?
Desarrollar y desplegar sistemas de Machine Learning que puedan aprender de datos y
realizar tareas específicas sin ser programados explícitamente, abordando problemas de
predicción, clasificación, optimización y toma de decisiones en diversas aplicaciones.
64. ¿Qué herramientas y librerías de análisis de datos son comunes en el campo
de Machine Learning?
Pandas: Para la manipulación y análisis de datos tabulares.
NumPy: Para operaciones numéricas eficientes y manejo de matrices.
matplotlib y seaborn: Para visualización de datos.
scikit-learn: Para implementar algoritmos de Machine Learning.
Jupyter Notebook: Para crear y compartir documentos interactivos con código y
visualizaciones.
StatsModels: Para análisis estadístico.
TensorFlow y PyTorch: Para construir y entrenar modelos de aprendizaje
automático, especialmente para aprendizaje profundo.
XGBoost y LightGBM: Para algoritmos de gradient boosting.
spaCy y nltk: Para procesamiento de lenguaje natural (NLP).
OpenCV: Para visión por computadora.