Introducción a Data Science
- 1. Data Science “Data! Data! Data!” he cried impatiently. “I can’t make bricks without clay.” — Arthur Conan Doyle @educharlief MSc. Carlos Fuentes
- 2. Historia
- 3. Historia 1.49 Billion perfiles 4.5 B. likes/mes 300 PB 5 nuevos perfiles c/seg Cada 60 segundos en facebook: 510 comentarios 293000 estados 136000 fotos Fuente: https://zephoria.com/top-15-valuable-facebook-statistics/ Octubre 2015 500 M 284 M 200 M
- 4. Cuan grande son los datos? • Byte Un grano de arroz • Kilobyte Una taza de arroz • Megabyte 8 libras de arroz • Gigabyte 3 contenedores de camiones • Terabyte 2 contenedores de barcos • Petabyte Cubre Manhattan • Exabyte Cubre UK (3 veces) • Zettabyte Llena el océano Pacífico
- 5. Entonces..? • Estamos generando más datos que nunca • Transacciones financieras • Sensores de red • Logs de aplicaciones • Correo electrónico y mensajes de texto • Redes sociales • Estamos generando nuevos datos más rápido • Automatización • Conectividad de internet ubicua • Contenido
- 6. Qué es un Data Scientist?
- 7. Algebra Lineal Análisis estadístico Análisis predictivo Entrenamiento científico Machine Learning Minería de datos Procesamiento de datos & Bases de datos Herramientas de BI Big Data PHD en: Ciencias de la Computación? Estadística? Física? Biología?
- 8. Qué es Data Science? • Campo multidisciplinario • Extraer conocimientos o puntos de vista de los datos en diversas formas • Combinación con estadística, análisis predictivo, minería de datos, etc. http://www.datascienceontology.com/
- 11. Necesitaremos un Data Scientist? • Necesitaremos una pelotón de PHDs para resolver problemas de machine learning? • Probablemente no. • Creo que si. • Podremos encontrar mas valor en los datos que recogemos? • Por supuesto! • Necesitaremos personal que nos ayude a encontrar ese valor?
- 12. Puedo convertirme en un Data Scientist? • Desarrolladores quienes quieran: • Orientarse mas por las estadísticas. • Mejor entendimiento del negocio. • Analistas de negocio quienes: • Tenga alguna habilidad para programar. • Quieran crecer sus capacidades técnicas. • Todos los candidatos deberían: • Tener tremenda curiosidad • Ser auto-manejables.
- 13. Machine Learning
- 16. • Object recognition • Speech recognition • Automated translation
- 20. Casos de uso • Finanzas • Fraude electrónico • Riesgo de análisis de un cliente • Ventas • Recomendación de productos • Predecir e incentivar la compra • Telecomunicaciones y utilidades • Predecir el fallo de equipos
- 21. Y más… • Acelerar el tratamiento para enfermedades • Uso de Deep Learning sobre registros para detectar cancer • Política (Preferencia de votos) • Ética gubernamental • Neurociencia