1.

Ciencia de datos, combina múltiples campos, entre los que se incluyen estadísticas,
métodos científicos, inteligencia artificial (IA) y análisis de datos, para extraer valor de los
datos.
2. Analista de datos, estudia los datos y los desglosa para que las empresas y los equipos
puedan utilizarlos para tomar decisiones.
3. Ingeniero de datos, desarrolla y mantiene la arquitectura de datos, son especialistas en la
preparación de grandes conjuntos de datos para que los analistas puedan utilizarlos.
4. Científico de datos, esta persona se dedica a analizar datos complejos y grandes, y
requiere un conocimiento profundo de machine learning y el preprocesamiento de datos.
5. Inteligencia empresarial, permite optimizar la utilización de recursos, monitorear el
cumplimiento de los objetivos de la empresa y la capacidad de tomar buenas decisiones
para así obtener mejores resultados.
6. Inteligencia artificial, sistemas o máquinas que imitan la inteligencia humana para realizar
tareas y pueden mejorar iterativamente a partir de la información que recopilan.
7. minería de datos, es el proceso de búsqueda en grandes bases de datos para encontrar
información útil que sirva para la toma de decisiones.
8. Machine learning, se enfoca en el uso de datos y algoritmos para imitar la forma en que los
seres humanos aprenden, mejorando gradualmente su precisión.
9. Deep learning, subcampo del machine learning que estructura algoritmos en capas para
crear una red neuronal artificial, que puede aprender y tomar decisiones inteligentes por si
mismo.
10. Big data, conjuntos de datos o combinaciones de conjuntos de datos cuyo
tamaño(volumen), complejidad(variabilidad) y velocidad de crecimiento(velocidad)
dificultan su captura, gestión, procesamiento o análisis mediante tecnologías y
herramientas convencionales
11. KDD (Knowledge Discovery in databases), se basa en la exploración de grandes conjuntos
de datos para descubrir patrones, relaciones y tendencias que puedan ser útiles para
tomar decisiones o generar conocimientos.
12. SEMMA (sample, explore, modify, model and Access), se enfoca en el manejo de tareas de
minería de datos, se utiliza para seleccionar, explorar y modelar grandes cantidades de
datos con el objetivo de descubrir patrones de negocios desconocidos.
13. CRIPS-DM (cross-indusry standard process for data mining), minería de datos:
comprensión del negocio, comprensión de los datos, preparación de los datos, modelado,
evaluación y despliegue (C, C, P, M, E, D)
14. ASUM-DM, sirve para implementar proyectos de ciencia de datos.: analizar, diseñar,
configurar-ejecutar, desplegar-operar y optimizar.
15. John rollins, comprensión del negocio (¿cuál es el problema que estas tratando de
resolver?), enfoque analítico (como puedes usar los datos para responder la pregunta?),
requisitos de datos (cuales son los requisitos?), recopilación de datos (de donde provienen
los datos y como los obtendrá?), comprensión de datos (los datos que recopilo son
representativos del problema a resolver?), preparación de datos (de qué forma se preparan
los datos?) limpieza – estandarización – normalización - complementación, modelado (de
qué manera se pueden visualizar los datos para llegar a la respuesta?), evaluación (el
modelo utilizado realmente responde a la pregunta inicial o necesita ser ajustado?),
Implementación (puedes poner el modelo en práctica?), retroalimentación (puedes obtener
retroalimentación constructiva para responder la pregunta?).