Los primeros 60 países por IDH en el año (2024).pdf
Data Science: Correlación curricular
1. CURSO DE INTEGRACIÓN A LA VIDA UNIVERSITARIA
Curso propedéutico para el aprendizaje
autogestivo en un ambiente virtual 2019-2
Unidad 3. Gestión de información para la investigación
Data Science: correlación curricular
Presenta:
Rodrigo Gabino Ramírez Moreno
División y/o Aula:
División de Ciencias Exactas, Ingenierías y Tecnologías (CEIT)
Grupo: Gp 044
Nombre del monitor(a): Noemí Navarrete Aguirre
Dirección del blog: https://jadwer.wordpress.com/
Fecha: 29 de mayo de 2019
1
2. Introducción
- Exceso de información
- Desorden en la adquisición
- Muchas fuentes de información
Justificación
- Límites poco definidos entre aplicación y definición
- Avances tecnológicos importantes
- Necesidad de la industria
2
3. Objetivos
General
Crear un panorama relacional de las áreas del conocimiento que se relacionan con la ciencia de datos,
además de definir qué son, para qué sirven y de qué manera se utilizan en el ciclo de vida del tratamiento
de los datos.
Específicos
● Recopilar la información de los temas que dan lugar a la ciencia de datos
● Cuál es el ciclo de vida de la ciencia de datos
● Cómo se relación curricular con las ciencias de la computación / TI, matemáticas y estadística, negocios y finanzas
3
6. La ciencia de datos
Es un campo interdisciplinario que involucra
métodos científicos, procesos y sistemas
para extraer conocimiento o un mejor
entendimiento de datos en sus diferentes
formas, ya sea estructurados o no
estructurados lo cual es una continuación de
algunos campos de análisis de datos como
la estadística, la minería de datos, el
aprendizaje automático y la analítica
predictiva. (Liu, 2015)
6
8. Bases curriculares
MIT
Open Source University
8
Math
Linear Algebra
Calculus
Probability and Statistics
Programming
Python
Artificial Intelligence
Machine Learning
Convex Optimization
Deep Learning
Natural Language Processing
Introduction to Data Science
Data analysis
Data Wrangling
Big Data
Database
Data Mining
Data Science Specialization
– Statistics with R
– Data Science at Scale
– Data Science
9. La entrevista: Especialista en Data Science
Importancia
- Las empresas tienen cantidades enormes de datos
- Google maps, waze, whatsapp y facebook
- A dónde vas
- Con qué regularidad
- Qué compras
- Qué planeas comprar
- Qué ya has comprado
- Cuánto te tardas en ir
- Tienes carro o usas transporte público
- Cuáles son tus búsquedas en internet
9
Materias involucradas
● Estadística
● Big data y small data
● Analítica predictiva
● Machine learning
● Minería de datos
Necesidad en la industria
El objetivo de la industria es venderte. Si te conoce, sabe lo que necesitas y así puede usar eso para
venderte más o venderte mejor. Además de bajar los costos y mejorar las oportunidades de inversión.
10. La encuesta -Descripción de la muestra
- 29 personas
- Estudios universitarios o superiores y profesionistas de diferentes áreas de
conocimiento
- Médicos
- Psicólogos
- Economistas
- Graduados en letras alemanas
- Estudiantes de ingenierías y matemáticas
- Otros
- Residentes en México
- Edad de 20 a 50 años.
10
16. Conclusiones
La ciencia de datos es un proceso de transformación de datos a conocimiento de valor para la industria
y la investigación.
Los principales temas en negocios y finanzas son la economía y la econometría ya que es a través de
sus métodos de dónde se obtendrá el valor de los datos para la toma de las decisiones.
La ciencia de datos usa procesos de recolección y minería de datos, son almacenados en bases de
datos de donde se pueden consultar para ordenar, limpiar, presentar y analizar los datos de manera
primaria a través de la matemática y la estadística. Crea hipótesis a través de los datos crudos
analizados y recaba las principales características que generan valor. De ésta información ya procesada,
se programan algoritmos, modelos de simulación y aprendizaje automático para crear modelos
predictivos. Se presentan los datos a través de gráficas y visualizaciones interactivas. Todo ésto con la
finalidad de ayudar a una toma de decisiones inteligente para la industria.
16
18. Referencias
● MIT. (9 de mayo de 2019). Computer Science, Economics, and Data Science (Course 6-14). Obtenido de mit.edu:
http://catalog.mit.edu/degree-charts/computer-science-economics-data-science-course-6-14/
● Shouvik, R., & University, O. O. (9 de Octubre de 2017). Path to a free self-taught education in Data Science! Obtenido de
GitHub: https://github.com/ossu/data-science
● Dhar, V. (2012). Data Science and Prediction. NYU Working Paper No. 2451/31635, 13.
● Edureka. (6 de Diciembre de 2018). Data Analyst vs Data Engineer vs Data Scientist | Data Analytics Masters Program |
Edureka. Obtenido de Youtube: https://www.youtube.com/watch?v=ioZNNfxXXqo
● Provost, F., & Fawcett, T. (2013). Data Science for Business. Sebastopol. California: O’Reilly Media.
● Provost, F., & Fawcett, T. (Marzo 2013). Data Science and its Relationship to Big Data and Data-Driven Decision Making.
Big Data.
● Science, 3. D. (8 de marzo de 2019). What Do You Need to Become a Data Scientist in 2019? Obtenido de youtube:
https://www.youtube.com/watch?v=UXi8Ml2UoYk
● Simplilearn. (4 de Diciembre de 2018). Data Science In 5 Minutes | Data Science For Beginners | What Is Data Science? |
Simplilearn. Obtenido de youtube: https://www.youtube.com/watch?v=X3paOmcrTjQ
● Waller, M., & Fawcett, S. (2013). Data Science, Predictive Analytics, and Big Data: A Revolution That Will Transform Supply
Chain Design and Management. Journal of business logistics: Volume34, Issue2, 77-84.
● Ceballos Giles, L., Galvan Aleman, S., & Orozco Guerrero, E. (9 de Agosto de 2015). Registro de bibliografía en Formato
APA en Word Libros Ver 6. Obtenido de Youtube: https://www.youtube.com/watch?v=b5TczzZtMjw&feature=youtu.be
● Maglione, C., & Varlotta, N. (2012). Investigación, gestión y búsqueda de información en internet. Buenos Aires, Argentina:
ANSES.
18