Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad de Ingenierí1
Facultad de Ingenierí1
MINAS
ESTUDIANTE:
DIAZ MALCA WILIAN
ACTIVIDADES DE
APLICACIÓN W1
EXCEL, ACCESS
MS PROJECT
1RA UNIDAD – VI CICLO
2023 “AÑO DE LA UNIDAD, LA PAZ Y EL DESARROLLO”
FACULTAD DE INGENIERÍA
TRABAJO:
ACTIVIDADES DE APLICACIÓN W1
CURSO:
EXCEL, ACCESS MS PROJECT
DOCENTE:
MG. JORGE OMAR GONZALES TORRES
INTEGRANTES:
DÍAZ MALCA WILIAN
TRUJILLO – PERÚ
¿Qué es lo que más te gusta de estos proyectos? ¿Cómo es que utilizan Big Data para
funcionar?
A.
Simulación de yacimientos: Los modelos de Big Data ayudan a simular el
comportamiento de un yacimiento en diferentes escenarios, lo que permite una mejor
planificación y toma de decisiones.
Modelos de flujo de aguas subterráneas: Utiliza datos hidrológicos y geológicos
para predecir el flujo de agua en yacimientos subterráneos, lo que es crucial para la seguridad y
la operación.
B.
Predicción de deslizamientos y sismos: Los datos geológicos históricos y en
tiempo real se utilizan para predecir eventos geológicos peligrosos, lo que permite tomar
medidas preventivas.
C.
Proyecto MineSense: Emplea análisis de Big Data para optimizar la selección
de mineral en tiempo real durante el proceso de excavación.
3. ¿Qué relación existe entre Big Data y Data Science?
El Big Data se refiere al manejo y análisis de grandes volúmenes de datos, mientras que
la Ciencia de Datos se enfoca en extraer conocimientos y patrones significativos de los datos,
utilizando técnicas estadísticas y de análisis avanzadas.
4. ¿Cuál es la primera etapa en la jerarquía de necesidades de Data Science?
La primera etapa en la jerarquía de necesidades de Data Science es la "Recopilación y
Almacenamiento de Datos".
5. ¿Qué implica aprender Data Science?
Implica adquirir habilidades en programación, estadísticas, manipulación de datos y uso
de herramientas como lenguajes de programación (como Python o R), bibliotecas de análisis de
datos, bases de datos y técnicas de visualización. También implica comprender modelos de
machine learning y técnicas de análisis predictivo para tomar decisiones basadas en datos.
6. ¿Cuál es la relación entre la inteligencia artificial y la ciencia de datos?
La Ciencia de Datos utiliza técnicas estadísticas para extraer conocimiento y patrones
de datos, mientras que la Inteligencia Artificial emplea algoritmos para permitir que las
máquinas aprendan y realicen tareas humanas. Ambas se entrelazan en la creación de modelos y
soluciones más avanzadas.
7. ¿Cualquier organización puede empezar a implementar machine learning en
cualquier momento?
Sí, cualquier organización puede implementar el aprendizaje automático, pero se
necesita planificación. Se deben evaluar necesidades, adquirir datos relevantes y tener
habilidades técnicas. Comenzar con proyectos pequeños y capacitación adecuada es crucial para
una implementación exitosa.
8. ¿A qué se refiere el término Big Data?
Se refiere a conjuntos de datos extremadamente grandes y complejos que exceden la
capacidad de las herramientas tradicionales para gestionar, procesar y analizar. Implica datos de
múltiples fuentes, incluyendo estructurados y no estructurados, que requieren tecnologías y
enfoques especializados para obtener información significativa.
9. ¿Cuál es la razón para no querer aprender Data Science?
La complejidad técnica, la falta de interés en análisis de datos, la preferencia por otros
campos o la falta de tiempo para dedicarse al aprendizaje.
10. ¿Cuál es el rango de salarios para los profesionales junior en Latinoamérica?
Varían según el país, la ciudad, la empresa y la demanda que haya en el mercado
empresarial. Sin embargo, en general, los salarios para profesionales junior en esta área pueden
oscilar entre $15,000 a $30,000 dólares anuales.
11. ¿Cuál es el contexto actual del mundo de la ciencia de datos e inteligencia
artificial?
17. ¿Es siempre necesario trabajar con Big Data para abordar proyectos de análisis
de datos?
No, no siempre es necesario. Muchos proyectos de análisis de datos se pueden abordar
eficazmente con conjuntos de datos de tamaño moderado o pequeño.
18. ¿Cuáles son algunos roles clave en la industria de Data Science e Inteligencia
Artificial?
Data Scientist: Analiza datos y crea modelos para obtener información
valiosa.
Machine Learning Engineer: Diseña, implementa y ajusta modelos de
Machine Learning.
Data Engineer: Prepara y gestiona datos para su análisis.
26. ¿En qué se diferencian el Data Scientist, Data Analyst y Unique Learning
Engineer?
Data Scientist: Se centra en análisis avanzados y desarrollo de modelos para
tomar decisiones estratégicas.
Data Analyst: Se enfoca en analizar datos para responder preguntas específicas
y crear informes.
Machine Learning Engineer: Diseña, implementa y ajusta modelos de Machine
Learning para aplicaciones específicas.
27. ¿Cuál es el principal objetivo de un Data Analyst en una organización?
Es examinar datos para proporcionar información valiosa que respalde la toma de
decisiones empresariales. Esto implica analizar datos, identificar patrones, tendencias y generar
informes para ayudar a la organización a comprender mejor su desempeño y tomar medidas
basadas en evidencia.
28. ¿En qué se diferencian principalmente los roles de un Data Scientist y un Data
Analyst?
La principal diferencia radica en que un Data Scientist se enfoca en análisis avanzados y
desarrollo de modelos predictivos, mientras que un Data Analyst se concentra en analizar datos
para responder preguntas específicas y generar informes descriptivos.
29. ¿Cuáles son los dos lenguajes de programación más utilizados por Data
Science?
Python: Python es extremadamente popular debido a su amplia gama de
librerías para análisis de datos, aprendizaje automático (Machine Learning) y
visualización.
R: R es otro lenguaje de programación ampliamente utilizado en estadísticas y
análisis de datos, con una comunidad fuerte y numerosas librerías estadísticas.
Ambos lenguajes tienen ventajas y se eligen en función de las necesidades
específicas del proyecto y las preferencias del profesional de Data Science.
30. ¿Cuáles son los tipos de modelos de machine learning?
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.
73. ¿Cuándo sería conveniente contratar una Machine Learning Enginner en una
mina?
Cuando se busque implementar soluciones avanzadas de monitoreo, predicción de
fallas, optimización de procesos o seguridad utilizando datos recopilados de sensores y equipos,
lo que puede mejorar la eficiencia y la seguridad en la operación minera.
74. ¿Cuál área de las matemáticas es importante para optimizar modelos en
Machine learning?
Álgebra lineal y cálculo
75. ¿Cuál es el primer paso recomendado para iniciar una carrera en Machine
Learning?
El primer paso recomendado para iniciar una carrera en Machine Learning es
desarrollar una base sólida en matemáticas y programación