Iniciar prueba gratuita
Popular Nuevos Géneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Buscando...
SoBrief
Ciencia de datos desde cero, 2ª edición

Ciencia de datos desde cero, 2ª edición

Título original: Data Science from Scratch
Desarrolla habilidades de ciencia de datos con Python y aprende qué suponen tus modelos antes de confiar en sus respuestas.
por Joel Grus 2015 403 páginas
3.90
1000+ valoraciones
Escuchar
Inmersivo
V2.3
Amazon Kindle Audible
Prueba el acceso completo por 3 días
¡Desbloquea la escucha y mucho más!
Continuar

Ideas clave

Construye comprensión implementando la ciencia de datos antes de delegarla en bibliotecas.

La ciencia de datos combina habilidades. Grus presenta este campo como la extracción de conocimientos a partir de datos desordenados mediante programación, matemáticas y estadística, además del conocimiento del tema que se estudia. Los ejemplos de DataSciencester convierten preguntas corrientes en tareas computacionales: identificar a los miembros influyentes de una red, sugerir conexiones, estimar salarios y comprender los intereses de los usuarios. La lección recurrente es hacer visible el razonamiento en el código, en vez de tratar un algoritmo como si fuera una respuesta mágica.

Aprende reconstruyendo. El libro implementa herramientas como la aritmética vectorial, la regresión y las redes neuronales en Python puro. Estas versiones son deliberadamente pequeñas y lentas. Su propósito es ayudar a comprender: una vez claros los mecanismos, las bibliotecas consolidadas pueden encargarse de las cargas de trabajo reales.

Análisis

Esta decisión pedagógica se parece a aprender física deduciendo un resultado antes de usar una calculadora. Fomenta un hábito útil: preguntarse qué presupone el software, qué significan sus entradas y qué podría inducir a error en su respuesta. La limitación es igual de importante. En la práctica, los algoritmos hechos a mano no son automáticamente más seguros ni más transparentes, y su rendimiento a escala de juguete puede dar a los principiantes una idea equivocada de las exigencias operativas. El mayor beneficio se obtiene cuando una implementación desde cero se considera un modelo mental, no una recomendación para producción.

Inspecciona, visualiza y limpia los datos antes de pedirles respuestas.

Explora antes de modelar. La media y el rango de un conjunto de datos pueden ocultar su forma. Grus contrasta muestras uniformes y normalmente distribuidas con medias y desviaciones estándar casi idénticas: sus histogramas revelan que los valores se distribuyen de maneras muy distintas. Los diagramas de dispersión y las matrices de correlación ayudan a descubrir relaciones entre dimensiones, mientras que un eje recortado de un gráfico de barras puede hacer que un cambio mínimo parezca espectacular.

Da por sentado que los datos están sucios. Un archivo de cotizaciones bursátiles puede contener un número mal formado o una fecha del año 3014. Analiza las filas mediante funciones que puedan probarse, comprueba si faltan valores y si hay valores atípicos inverosímiles, y decide si conviene corregir o excluir los registros defectuosos. También importa reescalar: medir la estatura en pulgadas en vez de centímetros puede alterar los resultados basados en distancias si las dimensiones no se expresan en escalas comparables.

Análisis

La exploración no es un preparativo cosmético. Es una forma de controlar la medición: antes de preguntarse qué significa un patrón, los analistas deben saber si los valores observados representan las cantidades previstas. Las comprobaciones visuales son especialmente útiles para sacar a la luz anomalías que una estadística resumida oculta. Sin embargo, la inspección visual no sustituye a la validación sistemática. Un gráfico puede revelar un punto sospechoso, pero las reglas de análisis documentadas y las comprobaciones reproducibles son lo que evita que el mismo error vuelva a aparecer sin que nadie lo note.

Elige estadísticas que se ajusten a la forma y a los límites de tus datos.

La tendencia central no lo es todo. La media utiliza todos los valores, así que una sola observación extrema puede desplazarla considerablemente. La mediana depende del centro de los datos ordenados y resiste ese desplazamiento. En el ejemplo del libro, cambiar el número de amistades del usuario más sociable de 100 a 200 eleva la media de amistades de aproximadamente 7,33 a 7,82, mientras que la mediana se mantiene en 6. El rango intercuartílico, que abarca la mitad central de las observaciones, también es menos sensible a unos pocos valores atípicos que la desviación estándar.

Las relaciones necesitan contexto. La correlación mide la covariación lineal, no la causalidad, y un solo valor atípico puede alterarla considerablemente. La Paradoja de Simpson muestra cómo una comparación global puede invertirse dentro de los subgrupos cuando una tercera variable, como la educación, se distribuye de manera distinta entre los grupos.

Análisis

La elección de una estadística resumida implica decidir qué tipos de variación merecen influir. Las medidas robustas son valiosas cuando los valores extremos pueden ser errores o excepciones poco frecuentes, mientras que las medias siguen siendo útiles cuando la pregunta se refiere realmente a totales y promedios. La misma cautela se aplica a la correlación: la agregación puede ocultar la estructura de los subgrupos, y una asociación puede deberse a la selección o a una causa común. Ninguna estadística es honesta en cualquier situación. La responsabilidad del analista es explicar qué capta y qué deja fuera.

Trata cada resultado como incierto y diseña las pruebas antes de echar un vistazo.

La probabilidad permite interpretar la evidencia. El teorema de Bayes actualiza una creencia previa a partir de nueva evidencia. Si una enfermedad afecta a 1 de cada 10.000 personas, incluso una prueba que acierta el 99 % de las veces puede producir resultados positivos con menos de un 1 % de probabilidad de indicar la enfermedad cuando se aplica al azar. La razón es que hay muchas personas sanas que pueden dar positivo.

Las pruebas tienen formas de fallar. Un valor p pregunta con qué frecuencia podrían aparecer datos al menos tan extremos bajo una hipótesis nula determinada. No es la probabilidad de que la hipótesis sea cierta. Si los analistas prueban suficientes hipótesis o eliminan selectivamente observaciones incómodas, el azar puede producir hallazgos aparentemente significativos. Formula las hipótesis de antemano, limpia los datos sin ajustar las decisiones al resultado deseado y utiliza experimentos aleatorizados cuando importen las afirmaciones causales.

Análisis

El ejemplo de la tasa de base es una lección concisa de razonamiento condicional: un resultado de prueba impresionante puede seguir siendo una evidencia débil cuando el suceso es poco frecuente. También explica por qué la comunicación estadística debería incluir la población y el contexto de decisión, no solo la precisión de una prueba. El prerregistro y la asignación aleatoria abordan problemas distintos: el primero reduce la flexibilidad analítica, mientras que la segunda ayuda a identificar efectos causales. Ninguno elimina la incertidumbre, pero ambos facilitan examinar su origen.

Evalúa los modelos con casos inéditos, no por lo bien que memorizan.

Separa el aprendizaje de la evaluación. El Sobreajuste ocurre cuando un modelo capta peculiaridades de sus ejemplos de entrenamiento y funciona mal con casos nuevos. Un polinomio sencillo puede no captar el patrón de entrenamiento, mientras que uno muy complejo puede pasar por todos los puntos de entrenamiento y, aun así, comportarse de forma errática entre ellos. Divide los datos en conjuntos de entrenamiento y prueba; si también se utiliza el conjunto de prueba para elegir entre muchos modelos, reserva además un conjunto de validación independiente.

La precisión puede engañar. En un predictor hipotético de leucemia que marca a los bebés llamados Luke, cerca del 98,1 % de las predicciones son correctas porque la mayoría de las personas no desarrolla leucemia. Pero su precisión positiva es de solo un 1,4 % y su exhaustividad es del 0,5 %. La precisión positiva pregunta con qué frecuencia aciertan las predicciones positivas; la exhaustividad pregunta cuántos de los casos positivos reales se encuentran. Cuál importa más depende del coste de cada error.

Análisis

La evaluación es un problema de diseño, no una ceremonia final. Reutilizar los datos de prueba para seleccionar un modelo los convierte discretamente en datos de entrenamiento, por lo que es esencial reservar un conjunto independiente para obtener una estimación honesta del rendimiento. El ejemplo de Luke también demuestra por qué una métrica debe vincularse a una decisión: las falsas alarmas y los casos no detectados pueden tener consecuencias muy distintas. Incluso una puntuación obtenida con un conjunto de prueba cuidadosamente reservado quizá no prediga el rendimiento tras la implementación si cambian la población, los incentivos o el proceso de recopilación de datos.

Adapta el modelo a la pregunta, las características y el coste de los errores.

Cada herramienta incorpora supuestos distintos. El método de los k vecinos más cercanos clasifica un caso usando ejemplos etiquetados cercanos. Clasifica casi correctamente el conjunto de datos de flores Iris, pero las distancias aportan menos información en espacios de muchas dimensiones. Naive Bayes estima una clase a partir de la evidencia de las palabras, suponiendo que estas actúan de forma independiente dada la clase. En los asuntos de correo electrónico del corpus SpamAssassin, este sencillo filtro alcanzó una precisión positiva del 77 % y una exhaustividad del 65 %.

La interpretabilidad tiene valor. La regresión lineal estima cómo cambia un resultado con respecto a entradas numéricas; añadir las horas trabajadas y la condición de doctorado elevó el R cuadrado del modelo de DataSciencester de aproximadamente 0,33 a 0,68. Los árboles de decisión ofrecen rutas condicionales legibles, mientras que las redes neuronales pueden aprender combinaciones de características más complejas. La selección y el escalado de características, junto con el conocimiento del dominio, ayudan a determinar qué método resulta razonable.

Análisis

Un modelo es un conjunto de restricciones útiles sobre los patrones que puede aprender. Por eso, la pregunta y la representación de las entradas importan tanto como el nombre del algoritmo. Un árbol transparente puede facilitar el escrutinio, mientras que una red flexible puede captar una estructura que una regla sencilla no detecta. Ninguno es intrínsecamente superior. La comparación debería incluir las consecuencias de los errores, la calidad y el significado de las características, y si el modelo debe explicar sus decisiones a las personas afectadas por ellas.

Usa la agrupación y la reducción de dimensionalidad para revelar estructuras y luego comprueba qué conservan.

Encuentra patrones sin etiquetas. El algoritmo k-means agrupa puntos en torno a un número elegido de centros, asigna repetidamente cada punto al centro más cercano y vuelve a calcular los centros. Puede sugerir lugares de encuentro a partir de la ubicación geográfica de los usuarios o reducir una imagen a cinco colores representativos. El método no determina el número de grupos; representar la distancia cuadrática total en función del número de grupos puede ayudar a encontrar un cambio de pendiente útil en la curva.

Comprime con cuidado. El análisis de componentes principales (PCA) encuentra direcciones que captan buena parte de la variación de los datos y luego representa las observaciones mediante esas direcciones. Esto puede reducir el ruido y simplificar datos de alta dimensionalidad. Pero los componentes pueden ser más difíciles de interpretar que las características originales, y una gran variación no equivale automáticamente a importancia práctica.

Análisis

La agrupación y el PCA son formas de compresión: convierten datos complejos en una estructura más pequeña que las personas pueden examinar o utilizar. Su utilidad depende de la pregunta. Una paleta de colores requiere una aproximación visual compacta, mientras que una categoría médica o social puede necesitar significados que una métrica de distancia no es capaz de aportar. El número de grupos y la medida de distancia codifican decisiones, no descubrimientos de la naturaleza. Un análisis responsable comprueba si la representación simplificada conserva las distinciones pertinentes para la tarea.

Los modelos de lenguaje aprenden patrones del contexto, incluidas las limitaciones de los textos de origen.

El contexto contiene señales. Un modelo de n-gramas predice una palabra a partir de palabras cercanas observadas en un documento de origen. Los bigramas pueden producir fragmentos de aspecto gramatical que enseguida degeneran en disparates; los trigramas ofrecen más contexto, pero pueden reproducir frases del texto original. En cambio, un generador basado en gramática expande reglas como «oración», «sintagma nominal» y «sintagma verbal»; las reglas recursivas permiten generar muchas oraciones posibles.

Las representaciones heredan la evidencia en que se basan. El modelado de temas agrupa palabras en temas latentes, mientras que los modelos de vectores de palabras aprenden representaciones numéricas a partir de las palabras vecinas. Las palabras que aparecen en contextos similares tienden a recibir vectores similares. En un pequeño corpus artificial, los colores y los adjetivos se agrupan porque las oraciones los sitúan en posiciones parecidas. Se trata de una regularidad aprendida del corpus, no de una prueba de que las palabras sean intercambiables en cualquier contexto.

Análisis

Estos ejemplos exponen una idea general sobre la tecnología lingüística: la fluidez estadística parte de patrones repetidos, no de una garantía de significado fundamentado. Esto se hace visible con un corpus pequeño, porque el modelo solo puede recombinar un conjunto limitado de contextos. El mismo principio se aplica a sistemas más grandes, aunque sus patrones sean más difíciles de examinar. La similitud contextual es útil para buscar y organizar, pero quienes usan esos sistemas después deberían distinguir las asociaciones aprendidas por el modelo de las afirmaciones sobre verdad, intención o equivalencia.

Trata las recomendaciones y las clasificaciones de redes como decisiones sobre qué similitudes cuentan.

Las conexiones pueden medirse de varias maneras. La centralidad de grado cuenta los vínculos directos de una persona, mientras que la centralidad de intermediación favorece a los nodos situados en muchos de los caminos más cortos. PageRank otorga más peso a las recomendaciones de nodos muy bien clasificados, de modo que Thor queda por encima de usuarios que reciben más recomendaciones porque quienes lo apoyan dirigen su influencia hacia él.

Las recomendaciones implican decisiones similares. El filtrado basado en usuarios sugiere intereses que gustan a usuarios similares; el filtrado basado en elementos recomienda intereses que suelen aparecer junto con los intereses actuales de una persona. La factorización de matrices aprende representaciones compactas de usuarios y elementos para predecir valoraciones. En MovieLens 100k, el pequeño modelo de incrustaciones del libro reduce el error cuadrático medio en el conjunto de prueba de aproximadamente 1,26 para una referencia basada en la valoración media a cerca de 0,89. Estos métodos ordenan las opciones, pero las puntuaciones reflejan los datos y las reglas de similitud elegidos.

Análisis

Los sistemas de clasificación convierten la estructura social en una aparente autoridad. La idea recursiva de PageRank es potente porque el valor de una recomendación depende de quién la hace, pero también vuelve la clasificación sensible a los límites de la red y a los patrones de participación. Las recomendaciones conllevan un riesgo de retroalimentación similar: las elecciones pasadas determinan lo que aparece después, lo que puede reducir la diversidad de futuras exposiciones. Un sistema útil debería evaluarse no solo por su error de predicción, sino también por si su clasificación respalda el objetivo humano previsto.

Construye canalizaciones de datos fiables antes de esperar que los algoritmos funcionen a gran escala.

El trabajo con datos empieza antes del análisis. Los archivos, las API y las páginas web extraídas requieren análisis, validación y transformación antes de poder analizarse. Usa herramientas diseñadas para formatos como CSV en vez de separar las filas a mano, y considera frágil la extracción de datos de la web, porque la estructura de las páginas puede cambiar. Las bases de datos relacionales organizan los registros en tablas que se pueden filtrar, combinar, agrupar e indexar; filtrar antes de combinar puede reducir el trabajo innecesario.

Escala dividiendo la tarea. MapReduce convierte cada entrada en pares clave-valor, agrupa los valores por clave y reduce cada grupo a un resultado. Para contar palabras, un mapeador emite cada palabra con un recuento de uno, y un reductor suma los recuentos. Las máquinas distribuidas pueden procesar documentos por separado y luego combinar los resultados parciales, reduciendo la necesidad de trasladar todos los datos brutos a un solo ordenador.

Análisis

El énfasis práctico del libro en la ingesta y la transformación contrarresta la imagen glamurosa de la ciencia de datos como mera selección de modelos. La fiabilidad de los cálculos depende de decisiones cotidianas sobre interfaces: formatos, esquemas, valores faltantes y coste de trasladar datos. MapReduce representa un principio duradero de los sistemas, incluso cuando una plataforma concreta pasa de moda: el trabajo paralelo es más sencillo cuando una tarea grande puede dividirse en transformaciones locales y agregaciones bien definidas.

Audita los perjuicios de un producto de datos, no solo su capacidad predictiva.

El éxito técnico no equivale a aprobación ética. Un chatbot que repite las aportaciones dañinas de los usuarios o un clasificador de imágenes que identifica erróneamente a personas negras puede fallar porque quienes lo diseñaron no previeron el uso indebido, los datos de entrenamiento no eran representativos o los errores tenían consecuencias desiguales. Un modelo también puede ser preciso en general y, al mismo tiempo, producir distintas tasas de error entre grupos. Que esto sea injusto depende en parte de la decisión y de qué error cause el perjuicio.

Considera el sistema en su conjunto. Los productos de datos pueden afectar a la privacidad, el acceso, la libertad de expresión y las decisiones públicas. Un modelo de selección de personal o de libertad condicional plantea preguntas que van más allá de su puntuación: con qué datos se entrenó, si esos datos reproducen procesos sesgados y si las personas afectadas pueden impugnar un resultado. El consentimiento de los usuarios o la autorización legal no bastan por sí solos para determinar si es responsable vender, compartir o reutilizar datos personales.

Análisis

La equidad no es una única métrica que pueda optimizarse al margen del contexto social. Las tasas de error contrapuestas del ejemplo del libro muestran por qué los equipos pueden estar de acuerdo sobre las cifras y, aun así, discrepar sobre qué disparidad importa más. Ese desacuerdo exige una gobernanza explícita: identificar a las partes interesadas, nombrar los perjuicios, documentar las compensaciones y crear vías de apelación. Las auditorías técnicas son necesarias, pero los valores y el poder institucional determinan qué resultados se consideran aceptables.

Conserva los fundamentos y deja que las bibliotecas maduras se encarguen de la escala.

Practica con preguntas que te importen. Grus termina instando a los lectores a encontrar un conjunto de datos relacionado con una curiosidad real y luego crear un análisis o producto pequeño. Entre sus ejemplos figuran clasificar noticias de Hacker News, analizar conexiones con camiones de bomberos, distinguir patrones en imágenes de ropa y cartografiar tuits con etiquetas geográficas. Cada proyecto empieza con una pregunta, requiere recopilar y etiquetar datos, y obliga a tomar decisiones prácticas sobre características y métodos.

Usa las herramientas adecuadas para cada tarea. El código escrito desde cero es valioso para aprender, pero NumPy, pandas y scikit-learn ofrecen herramientas más rápidas y robustas para el cálculo numérico, la manipulación de datos y el aprendizaje automático. PyTorch o TensorFlow se encargan del aprendizaje profundo mucho mejor que unas listas que pretenden ser tensores. El objetivo no es evitar las bibliotecas, sino comprender lo suficiente para utilizarlas con criterio.

Análisis

Los proyectos personales son eficaces porque vinculan la práctica técnica con una curiosidad sostenida. También revelan que gran parte del trabajo ocurre fuera del modelo: encontrar datos utilizables, definir un objetivo y decidir qué cuenta como éxito. Las bibliotecas maduras reducen la carga de implementación, pero no pueden aportar una pregunta significativa ni corregir una estrategia de medición deficiente. Por eso, los fundamentos y las herramientas se complementan: los primeros aportan criterio y las segundas hacen viable el trabajo útil.

Análisis

Ciencia de datos desde cero, 2ª edición es un manual técnico organizado como una serie de problemas en la red social ficticia DataSciencester. Su recurso didáctico central es la construcción: una pregunta sobre usuarios se convierte en un grafo, una tarea de predicción se convierte en una función de pérdida y un modelo se convierte en código cuyos mecanismos pueden examinarse. Esta estructura da al libro una coherencia inusual pese a su amplia cobertura, que abarca desde Python y la probabilidad hasta las redes neuronales, las bases de datos, el lenguaje y la ética.

La idea más importante no es que cada profesional deba escribir a mano algoritmos para producción. Es que comprender los mecanismos cambia la manera en que se utilizan las abstracciones. Los lectores ven por qué la mediana resiste los valores atípicos, por qué un conjunto de prueba debe mantenerse separado de la selección del modelo, por qué un clasificador de gran precisión puede ser inútil y por qué las recomendaciones codifican una definición de similitud. Son formas de criterio, no meras habilidades de implementación.

La amplitud del libro es tanto una ventaja como una limitación. Ofrece un mapa útil del campo y suficientes implementaciones en miniatura para hacer tangibles las ideas fundamentales, pero no deben confundirse sus algoritmos simplificados con tratamientos estadísticos o de ingeniería exhaustivos. Por ejemplo, los datos de juguete pueden hacer que un modelo parezca más limpio de lo que será al implementarse, y una demostración conceptual no puede resolver todos los supuestos que subyacen a la inferencia o a la equidad. El autor remite explícitamente a los lectores a bibliotecas maduras y a estudios más profundos, un límite crucial que matiza las promesas del título.

Una lectura actual también permite ver cómo la ética práctica del libro emerge de sus capítulos técnicos. La recopilación de datos, los valores faltantes, la validación y la elección de características no son tareas periféricas: determinan qué conclusiones son posibles. El capítulo sobre ética amplía esa idea: los productos de datos distribuyen consecuencias, no solo predicciones. Por tanto, la mejor manera de utilizar este libro es como base para formular preguntas rigurosas. Enseña a los lectores a pasar de un problema interesante a un código que se pueda examinar, y les recuerda que el significado de la salida de un algoritmo depende de sus datos, sus supuestos y el uso previsto.

Resumen en 30 segundos
Un análisis fiable comienza por inspeccionar, visualizar y limpiar los datos; los promedios y las correlaciones pueden ocultar valores atípicos, efectos de subgrupos y patrones engañosos. Separa los datos de entrenamiento, validación y prueba para detectar el sobreajuste, y elige entre precisión y exhaustividad según el coste de cada error. Los resultados estadísticos siguen siendo inciertos, sobre todo después de realizar pruebas repetidas. Los modelos, las recomendaciones y las clasificaciones reflejan sus datos y las decisiones de diseño, así que evalúa quién podría resultar perjudicado además del rendimiento predictivo. Aprende los métodos fundamentales mediante implementaciones pequeñas y luego utiliza bibliotecas consolidadas para trabajar a escala.
Contiene spoilers

Última actualización:

Reportar problema

Resumen de reseñas

3.90 de 5
Promedio de 1000+ valoraciones de Goodreads y Amazon.

Ciencia de datos desde cero, 2ª edición recibe críticas diversas. Muchos elogian su enfoque práctico y sus ejercicios para principiantes, y valoran las explicaciones claras del autor y su estilo ameno. Se considera que el énfasis del libro en construir algoritmos desde cero ayuda a comprender los fundamentos. Sin embargo, algunos críticos lo consideran demasiado básico para profesionales con experiencia o señalan que carece de explicaciones detalladas. Los lectores aprecian la amplia variedad de temas que aborda, pero observan que los ejemplos de código quizá no sean prácticos para aplicaciones del mundo real. En general, se recomienda a quienes se inician en la ciencia de datos y buscan una introducción práctica.

Tu valoración:
4.42
270 valoraciones
¿Quieres leer el libro completo?

Glosario

Descenso del gradiente

Optimización iterativa de parámetros

Método de optimización que ajusta repetidamente los parámetros de un modelo en la dirección que reduce una función objetivo. El gradiente indica cómo cambia la función a medida que se modifican los parámetros. El tamaño del paso determina cuánto avanza cada actualización; las actualizaciones basadas en un conjunto de datos completo, un minib lote o un solo ejemplo dan lugar a distintas versiones del método.

Paradoja de Simpson

Relación agregada que se invierte

Patrón estadístico en el que una asociación observada al combinar grupos cambia de dirección cuando los datos se examinan dentro de subgrupos pertinentes. La inversión puede producirse porque la composición de los grupos difiere en una tercera variable. El ejemplo del libro muestra que una comparación general de amistades entre las costas este y oeste se invierte al tener en cuenta el nivel educativo.

Sobreajuste

Memorización de particularidades del entrenamiento

Un modelo incurre en sobreajuste cuando capta detalles específicos de sus datos de entrenamiento, incluido el ruido, y, por consiguiente, funciona mal con ejemplos nuevos. Aumentar la complejidad del modelo puede mejorar su rendimiento en el entrenamiento y, a la vez, perjudicar su capacidad de generalización. Los conjuntos de datos separados para entrenamiento, validación y prueba ayudan a detectar este problema y a evitar que la selección del modelo contamine la evaluación final.

Naive Bayes

Clasificador probabilístico de características

Método de clasificación que combina estimaciones de la probabilidad de las características en cada clase mediante el teorema de Bayes. Su supuesto simplificador es que las características son condicionalmente independientes dada la clase. A menudo, este supuesto no es realista, pero el modelo puede funcionar bien de todos modos, como ocurre con el filtro de spam basado en palabras del libro.

Análisis de componentes principales (PCA)

Reducción de dimensiones centrada en la variación

Método que representa los datos en nuevas direcciones elegidas para captar tanta variación como sea posible. El primer componente capta la mayor varianza direccional, y los componentes siguientes captan la variación restante. El PCA puede reducir la dimensionalidad o combinar características correlacionadas, pero las dimensiones transformadas pueden ser menos fáciles de interpretar que las variables originales.

Bosques aleatorios

Conjunto de árboles aleatorizados

Conjunto de árboles de decisión cuyas predicciones se combinan, normalmente mediante votación en clasificación o promediación en regresión. Los árboles se diferencian entre sí mediante técnicas como entrenarlos con muestras bootstrap y considerar subconjuntos aleatorios de las características candidatas para las divisiones. Combinarlos puede reducir la tendencia de un árbol individual al sobreajuste.

Asignación latente de Dirichlet (LDA)

Descubrimiento probabilístico de temas

Método de modelado de temas que representa los documentos como mezclas de temas y los temas como distribuciones de palabras. Supone que cada palabra de un documento se genera primero eligiendo un tema y luego una palabra asociada con ese tema. Los temas resultantes son patrones de probabilidad que las personas interpretan examinando sus palabras más características.

PageRank

Clasificación de importancia ponderada por enlaces

Método para clasificar nodos en una red dirigida que tiene en cuenta tanto los enlaces entrantes como la importancia de los nodos que los proporcionan. Cada nodo transmite parte de su puntuación a través de sus enlaces salientes, mientras que un componente de amortiguación redistribuye la puntuación por toda la red. Se desarrolló para clasificar páginas web y también puede clasificar respaldos.

MapReduce

Procesamiento distribuido de pares clave-valor

Modelo de programación para procesar grandes conjuntos de datos en paralelo. Un asignador genera pares clave-valor a partir de los registros de entrada, los valores se agrupan por clave y un reductor agrega cada grupo. El recuento de palabras es un ejemplo básico: se emite cada palabra con un recuento de uno y luego se suman los recuentos de cada palabra.

Factorización de matrices

Representaciones compactas de usuarios y elementos

Enfoque de recomendación que aproxima una matriz de valoraciones de usuarios y elementos mediante el producto de representaciones de usuarios y elementos de menor dimensión. Se calcula una valoración prevista a partir de los vectores correspondientes al usuario y al elemento. Las dimensiones aprendidas son patrones latentes que pueden mejorar las predicciones sin tener necesariamente una interpretación humana evidente.

Preguntas frecuentes

¿De qué trata Ciencia de datos desde cero, 2ª edición, de Joel Grus?

  • Énfasis en los fundamentos: El libro destaca la importancia de comprender los conceptos de ciencia de datos desde sus bases, utilizando Python. Abarca temas esenciales como estadística, álgebra lineal y aprendizaje automático.
  • Enfoque práctico: Se anima a los lectores a implementar por sí mismos técnicas de ciencia de datos, lo que fomenta una comprensión más profunda de los principios subyacentes.
  • Aplicaciones del mundo real: Se utilizan ejemplos prácticos y conjuntos de datos reales para ilustrar los conceptos y hacer que el material resulte pertinente y aplicable a problemas reales.

¿Por qué debería leer Ciencia de datos desde cero, 2ª edición, de Joel Grus?

  • Aprendizaje integral: Ideal para principiantes, el libro proporciona una base sólida en ciencia de datos sin exigir conocimientos previos.
  • Centrado en Python: Presenta la programación en Python junto con conceptos de ciencia de datos, ofreciendo una experiencia de aprendizaje doble.
  • Contenido actualizado: La segunda edición incluye material nuevo sobre aprendizaje profundo, estadística y procesamiento del lenguaje natural, en consonancia con las tendencias más recientes.

¿Cuáles son las principales enseñanzas de Ciencia de datos desde cero, 2ª edición, de Joel Grus?

  • Comprender la ciencia de datos: Define la ciencia de datos como la intersección entre habilidades de programación, conocimientos de matemáticas y estadística, y experiencia sustantiva en la materia.
  • Construir desde cero: Destaca la importancia de construir algoritmos desde cero para desmitificar conceptos complejos.
  • Importancia del código limpio: Hace hincapié en escribir código claro y fácil de mantener, algo esencial para trabajar eficazmente en ciencia de datos.

¿Qué es el equilibrio entre sesgo y varianza en Ciencia de datos desde cero, 2ª edición, de Joel Grus?

  • Complejidad del modelo: Describe el equilibrio entre minimizar el sesgo y la varianza, algo fundamental para construir modelos eficaces.
  • Sobreajuste frente a subajuste: Explica cómo un sesgo alto puede provocar subajuste, mientras que una varianza alta puede causar sobreajuste.
  • Implicaciones prácticas: Sugiere añadir características para reducir el sesgo y simplificar los modelos para reducir la varianza.

¿Cómo define Ciencia de datos desde cero, 2ª edición, de Joel Grus, la ciencia de datos?

  • Definición: Describe la ciencia de datos como «el trabajo más sexy del siglo XXI», y destaca su creciente importancia.
  • Habilidades fundamentales: Resalta la intersección entre habilidades de programación, conocimientos de matemáticas y estadística, y experiencia sustantiva en la materia.
  • Ejemplos del mundo real: Ofrece ejemplos de aplicaciones de la ciencia de datos, como predecir el comportamiento de los clientes.

¿Qué es el teorema del límite central, tal como se explica en Ciencia de datos desde cero, 2ª edición, de Joel Grus?

  • Definición: Afirma que la distribución de la media muestral se aproxima a una distribución normal a medida que aumenta el tamaño de la muestra.
  • Implicaciones para la ciencia de datos: Permite hacer inferencias sobre parámetros poblacionales a partir de estadísticas muestrales.
  • Aplicación práctica: Ilustra el teorema con ejemplos que muestran su función en métodos estadísticos como el análisis de regresión.

¿Qué es el descenso del gradiente en Ciencia de datos desde cero, 2ª edición, de Joel Grus?

  • Técnica de optimización: Algoritmo utilizado para minimizar el error del modelo mediante ajustes iterativos de sus parámetros.
  • Tasa de aprendizaje: Requiere una tasa de aprendizaje que determine el tamaño del paso hacia el mínimo, algo fundamental para la convergencia.
  • Aplicaciones: Se utiliza en diversos modelos, incluidos la regresión lineal y las redes neuronales.

¿Cómo explica Ciencia de datos desde cero, 2ª edición, de Joel Grus, Naive Bayes?

  • Clasificación de spam: Presenta Naive Bayes como ejemplo de una técnica de clasificación sencilla pero eficaz.
  • Supuesto de independencia: Supone que las características son independientes dada la etiqueta de clase, lo que simplifica el cálculo de probabilidades.
  • Implementación: Ofrece una guía paso a paso para implementar un clasificador Naive Bayes.

¿Qué importancia tiene el R cuadrado en Ciencia de datos desde cero, 2ª edición, de Joel Grus?

  • Bondad de ajuste: Indica hasta qué punto las variables independientes explican la variabilidad de la variable dependiente.
  • Limitaciones: Puede resultar engañoso, especialmente en modelos con muchos predictores, ya que no tiene en cuenta la complejidad del modelo.
  • Uso práctico: Recomienda utilizar el R cuadrado junto con otras métricas para evaluar de manera integral el rendimiento del modelo.

¿Qué importancia tiene la regresión lineal en Ciencia de datos desde cero, 2ª edición, de Joel Grus?

  • Técnica fundamental: Técnica estadística sencilla y ampliamente utilizada, que sirve de base para modelos complejos.
  • Modelado predictivo: Se utiliza para crear modelos predictivos que permiten tomar decisiones fundamentadas en datos.
  • Implementación desde cero: Ofrece una explicación detallada de cómo implementar la regresión lineal en Python.

¿Cómo aborda Ciencia de datos desde cero, 2ª edición, de Joel Grus, la visualización de datos?

  • Importancia de la visualización: Destaca que una visualización eficaz es fundamental para comprender y comunicar conclusiones.
  • Biblioteca Matplotlib: Presenta Matplotlib para crear visualizaciones en Python y facilitar la presentación de datos.
  • Ejemplos y buenas prácticas: Ofrece ejemplos de visualizaciones buenas y malas, y enseña a crear gráficos claros e informativos.

¿Cómo aborda Ciencia de datos desde cero, 2ª edición, de Joel Grus, la ética de los datos?

  • Importancia de la ética: Analiza las implicaciones éticas de la ciencia de datos y destaca la responsabilidad de considerar el impacto del trabajo.
  • Ejemplos del mundo real: Presenta ejemplos de uso indebido de datos y dilemas éticos para ilustrar la importancia de las consideraciones éticas.
  • Promoción del debate reflexivo: Anima a los lectores a participar en debates sobre la ética de los datos y a reflexionar críticamente sobre su trabajo.

Sobre el autor

Joel Grus es científico de datos e ingeniero de software, conocido por su trabajo en aprendizaje automático y análisis de datos. Se dio a conocer como autor de «Ciencia de datos desde cero, 2ª edición», que se ha convertido en un recurso popular para quienes se incorporan al campo. Grus tiene formación en matemáticas e informática y ha trabajado para empresas como Google y Microsoft. Se le conoce por su enfoque claro y práctico para enseñar conceptos complejos y por su capacidad para hacer que la ciencia de datos resulte accesible a principiantes. Grus también participa activamente en la comunidad de ciencia de datos: contribuye con regularidad a los debates y comparte sus conocimientos en diversas plataformas.

Descargar PDF

Para guardar este resumen de Ciencia de datos desde cero, 2ª edición para más tarde, descarga el PDF gratis. Puedes imprimirlo o leerlo sin conexión cuando quieras.
Download PDF

Descargar EPUB

Para leer este resumen de Ciencia de datos desde cero, 2ª edición en tu dispositivo o aplicación de lectura, descarga el EPUB gratis. El formato de libro digital .epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.
Download EPUB
¿Quieres leer el libro completo?
Seguir
Escuchar
Inicio
Swipe
Biblio
App
Prueba el acceso completo por 3 días
Escucha, guarda y mucho más
Comparar funciones Gratis Pro
📖 Leer resúmenes
Lee resúmenes ilimitados. Los usuarios gratuitos obtienen 3 al mes
🎧 Escuchar resúmenes
Escucha resúmenes ilimitados en 40 idiomas
—
❤️ Marcadores ilimitados
Usuarios gratuitos limitados a 4
—
📜 Historial ilimitado
Usuarios gratuitos limitados a 4
—
📥 Descargas ilimitadas
Usuarios gratuitos limitados a 1
—
Cronología sin riesgo
Hoy: Obtén acceso instantáneo
Escucha resúmenes completos de más de 26.000 libros. ¡Son más de 12.000 horas de audio!
Día 2: Recordatorio de prueba
Te enviaremos una notificación de que tu prueba está por terminar.
Día 3: Tu suscripción comienza
Se te cobrará el 24 nov,
cancela en cualquier momento antes.
Consume 2.8× More Books
2.8× libros más Escucha Lectura
Nuestros usuarios nos adoran
1M+ lectores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este sitio es un antes y un después. He leído resúmenes como nunca antes. Lo recomiendo muchísimo.
— Dave G
Vale cada centavo y cada minuto, y está muy bien hecho. Nunca había visto esta calidad de resúmenes en otros sitios. ¡Muy útil!
— Em
¡Muy recomendado! Servicio fantástico. Perfecto para quienes quieren algo más que una sinopsis, pero no todos los detalles de un audiolibro completo.
— Greg M
Ahorra un 62%
Anual
$119.88 $44.99/año/año
$3.75/mes
Mensual
$9.99/mes
Inicia tu prueba gratuita de 3 días
3 días gratis, luego $44.99/año. Cancela cuando quieras.
Unlock a world of fiction & nonfiction books
Más de 26.000 libros por el precio de 2
Lee cualquier libro en 10 minutos
Descubre libros nuevos como en Tinder
Solicita cualquier libro si no está resumido
Lee más libros que cualquiera que conozcas
La app nº 1 para amantes de los libros
Lifelike & immersive summaries
Garantía de devolución de 30 días
Descarga resúmenes en EPUB o PDF
Cancela en cualquier momento con unos clics

¿Por qué solo un resumen?

Escáner
Busca un código de barras para escanear

⭐
⭐
⭐
Tenemos un regalo especial para ti
Abrir
38% de descuento
DESCUENTO PARA TI
⭐
⭐
⭐
$79.99
$49.99/año
Solo $4.16 al mes
Continuar
Empieza con 2 toques y cancela fácilmente
Configuración
General
Widget
Cargando...