Ideas clave
Usa la ciencia de datos para mejorar las decisiones, no solo para producir predicciones.
Los patrones necesitan un propósito. La ciencia de datos combina datos, algoritmos y criterio humano para encontrar patrones que sean a la vez inesperados y útiles. Su objetivo es mejorar la toma de decisiones, no simplemente crear un modelo o un gráfico. Por ejemplo, un modelo de abandono de clientes solo importa si identifica a los clientes con suficiente antelación para que una empresa se ponga en contacto con ellos, y si la empresa realmente puede hacerlo. Una predicción que llega demasiado tarde o que no puede dar pie a una respuesta práctica no es información útil para actuar.
La predicción abarca más que los pronósticos. En este campo, predecir suele significar estimar una etiqueta desconocida —por ejemplo, si un correo electrónico es spam—, no pronosticar un acontecimiento futuro. Las computadoras pueden buscar muchas variables que interactúan entre sí, pero las personas siguen teniendo que definir el problema, evaluar los resultados y decidir qué hacer.
La diferencia entre predicción y decisión es crucial. Un modelo puede estimar el riesgo con precisión y, aun así, dejar sin resolver si una intervención es eficaz, justa o vale lo que cuesta. Esto distingue el rendimiento predictivo de la calidad de las decisiones: el primero describe lo bien que un modelo clasifica los casos; la segunda depende de lo que las personas hagan con esas clasificaciones. Por eso, una evaluación útil no pregunta solo si las predicciones son correctas, sino también qué acción se deriva de ellas, quién se beneficia y qué ocurre cuando el modelo se equivoca.
Mide lo adecuado antes de pedirle a un modelo que encuentre patrones.
Los datos son representaciones diseñadas. Un conjunto de datos convierte a personas, objetos o sucesos reales en filas y atributos. Estos atributos reflejan decisiones sobre qué registrar y cómo describirlo, así que los datos nunca son una copia completa y neutral de la realidad. Los Oakland A’s demostraron lo trascendentes que pueden ser esas decisiones: valoraron el porcentaje de embasado y el porcentaje de slugging por encima del promedio de bateo, al que los equipos tradicionalmente daban más importancia, y así encontraron jugadores a quienes los demás infravaloraban.
Las características derivadas pueden revelar más. En el ejemplo del libro sobre la diabetes, el índice de masa corporal combina estatura y peso en una medida más asociada con la probabilidad de tener diabetes que cualquiera de esos datos por separado. Su correlación fue de 0,877, frente a 0,655 para el peso. Pero añadir más atributos no es automáticamente mejor. Los datos irrelevantes o redundantes pueden propiciar patrones espurios, por lo que el conocimiento del dominio y los controles de calidad siguen siendo esenciales.
Esta es una lección tanto sobre medición como sobre informática. Un modelo solo puede razonar sobre el mundo a través de las categorías y cantidades que se le proporcionan, de modo que diseñar características equivale a construir una teoría. El ejemplo de Moneyball lo deja claro: al cambiar la medida, cambió también qué jugadores parecían valiosos. Sin embargo, una asociación fuerte no demuestra qué causa un resultado. Una buena medición puede afinar una pregunta, pero no sustituye las pruebas causales ni una interpretación cuidadosa.
Define el problema y corrige los datos antes de ajustar los modelos.
El trabajo es iterativo. El libro presenta CRISP-DM (Proceso Estándar Intersectorial para la Minería de Datos) como un ciclo práctico de proyecto: comprender el problema de la organización y los datos disponibles, preparar esos datos, construir modelos, evaluarlos según la necesidad real y poner en práctica los resultados útiles. Las etapas no forman una escalera de un solo sentido. Los resultados del modelo pueden revelar datos defectuosos o una pregunta mal planteada, lo que lleva al equipo a revisar su trabajo.
La preparación consume gran parte del proyecto. Una encuesta de 2016 citada en el libro reveló que los científicos de datos dedicaban el 79 por ciento de su tiempo a recopilar, limpiar y organizar datos. Un equipo reconstruyó su conjunto de datos diez veces en seis semanas y encontró un error importante durante la quinta semana. Por eso, la sofisticación del modelo no puede rescatar un proyecto construido sobre datos de entrada inadecuados o corruptos.
La gran carga de preparación no es solo una tarea tediosa y accesoria. Es donde las suposiciones se llevan a la práctica: los equipos deciden qué registros cuentan, concilian definiciones contradictorias y determinan cómo manejar los valores faltantes o extremos. Estas decisiones pueden influir en las conclusiones tanto como el algoritmo. Por eso, iterar es una forma de control de calidad, no una señal de que el proyecto esté mal gestionado. La advertencia es que la limpieza repetida puede perder el rumbo si cada revisión no responde a un problema claro y a una decisión documentada.
Elige los algoritmos según la pregunta y los datos, no según la moda.
Preguntas distintas requieren herramientas distintas. El libro agrupa las tareas habituales de la ciencia de datos en cuatro familias. La agrupación reúne casos similares, como cuando un minorista busca perfiles de clientes diferenciados. La detección de anomalías señala casos que se apartan de la norma, como una transacción inusual con tarjeta. La minería de reglas de asociación encuentra elementos que suelen aparecer juntos, como productos en los cestos de compra. La predicción estima un valor desconocido, por ejemplo, si un cliente abandonará un servicio o cuánto podría costar una casa.
Las etiquetas cambian el problema. El aprendizaje supervisado utiliza ejemplos con respuestas conocidas, como correos electrónicos ya etiquetados como spam o no spam. El aprendizaje no supervisado busca regularidades sin esas etiquetas de respuesta. Ningún algoritmo es el mejor para todos los conjuntos de datos. Cada uno tiene un sesgo de aprendizaje, es decir, una preferencia por ciertos tipos de patrones, así que los equipos deberían comparar métodos plausibles en lugar de dar por sentado que el modelo más nuevo o complejo es el mejor.
Enfocarse primero en la tarea evita un error de categoría frecuente: aplicar una técnica disponible antes de aclarar qué necesita saber la organización. También obliga a prestar atención a los datos necesarios. Un modelo supervisado requiere etiquetas fiables, mientras que una agrupación necesita una noción defendible de similitud. En ambos casos hay juicios ocultos bajo el lenguaje técnico. Una agrupación no representa automáticamente un grupo real, y una asociación frecuente no demuestra que un elemento cause otro. La revisión humana debe conectar la estructura estadística con un uso significativo.
Prueba los modelos con casos no vistos y luego vigila los cambios en el mundo.
Memorizar no es tener éxito. Un modelo probado con los mismos ejemplos que se usaron para entrenarlo puede parecer más capaz de lo que realmente es. El libro recomienda mantener separados los datos de entrenamiento, validación y prueba: un conjunto sirve para ajustar modelos candidatos, otro ayuda a elegir entre ellos y un último conjunto, que no se ha tocado, permite estimar el rendimiento con casos desconocidos. La medida adecuada depende de la tarea. En un diagnóstico médico, no detectar a un paciente enfermo puede ser más grave que señalar por error a una persona sana.
Los patrones antiguos pueden dejar de servir. Los modelos suponen que las relaciones presentes en los datos históricos seguirán siendo útiles. Cuando cambian el comportamiento o las condiciones, falla este supuesto de estacionariedad; ese cambio se llama deriva de concepto. Por ejemplo, un filtro de spam que antes era fiable puede perder precisión a medida que evolucionan las tácticas de quienes lo envían. Por eso, la supervisión y el reentrenamiento periódico forman parte de la implementación, no son tareas de mantenimiento opcionales.
La evaluación es una afirmación sobre el rendimiento futuro, no un trofeo que se le concede a un modelo. Separar los datos de entrenamiento de los de prueba hace que esa afirmación sea más creíble, mientras que elegir una métrica de error permite ver qué equivocaciones importan a las personas afectadas. La supervisión añade una segunda disciplina: tratar la precisión del modelo como algo limitado en el tiempo, no permanente. Aun así, una buena puntuación en una prueba limpia no garantiza el rendimiento en un entorno verdaderamente nuevo. La evaluación debería describir las condiciones que representa y las que no.
Mantén el cómputo cerca de los datos cuando mover registros se convierta en el verdadero cuello de botella.
Mover datos tiene un costo. En una configuración tradicional, quizá haya que extraer registros de varias bases de datos, prepararlos en computadoras separadas, analizarlos y luego devolverlos a los sistemas empresariales. El libro informa que, en un experimento, entre el 70 y el 80 por ciento del tiempo se dedicó a extraer y preparar datos para construir modelos. Durante la puntuación, alrededor del 90 por ciento del tiempo se empleó en mover registros de un lado a otro, no en aplicar el modelo.
La infraestructura debe adaptarse a la carga de trabajo. El aprendizaje automático dentro de las bases de datos ejecuta algoritmos donde ya residen los datos, lo que reduce las transferencias y simplifica la implementación. Hadoop distribuye el almacenamiento y el procesamiento por lotes entre grupos de servidores, mientras que los sistemas de procesamiento de flujos manejan los datos entrantes de forma continua. Una empresa citada en el libro eliminó más de 318 horas mensuales dedicadas a mover datos y redujo las actualizaciones de modelos de más de 67 horas a una. Estos sistemas son útiles cuando la escala los justifica, pero añaden una complejidad que quizá no necesiten los proyectos más pequeños.
Acercar el cómputo a los datos almacenados es una respuesta arquitectónica a las fricciones, no una receta universal. Puede reducir la duplicación, las demoras y la exposición a riesgos de seguridad que supone crear copias adicionales. El principio más amplio es identificar dónde se emplea realmente el tiempo en un flujo de trabajo antes de comprar más infraestructura. Los sistemas más distribuidos también exigen capacidad operativa, incluidos conocimientos especializados y coordinación entre componentes. El diseño eficiente es el que se ajusta al volumen, la velocidad, las necesidades de seguridad y el propósito empresarial de cada carga de trabajo.
Un modelo solo genera valor cuando las personas pueden actuar a partir de sus resultados.
La implementación completa el análisis. Un modelo que predice qué clientes probablemente abandonarán tiene poco valor si ningún equipo puede ponerse en contacto con quienes corren ese riesgo. La intervención debe producirse con suficiente antelación, y la organización debe contar con un proceso para actuar a partir del resultado. La misma lógica se aplica a las alertas de fraude, las evaluaciones de préstamos y otras decisiones operativas. Integrar el modelo en los sistemas existentes puede poner una predicción útil a disposición de quienes toman decisiones justo cuando estas se toman.
El éxito requiere a toda una organización. El libro señala como elementos clave unos objetivos claros, buenos datos, conocimiento del dominio, habilidades técnicas, comunicación, apoyo de la alta dirección empresarial y revisión periódica del modelo. Rara vez un científico de datos domina por sí solo todas las habilidades necesarias. Los especialistas del negocio, los ingenieros de datos, los analistas y los gerentes contribuyen a traducir el problema, crear un conjunto de datos fiable y aprovechar los resultados. Tratar la analítica como una demostración puntual, en lugar de como una capacidad continua, limita su valor.
Esta perspectiva sitúa la ciencia de datos dentro del diseño organizativo. Un modelo no es un artefacto aislado: depende de las personas, el software, los incentivos y una vía que lleve de la señal a la acción. Por eso, su adopción es una cuestión tanto técnica como social. Una predicción puede ser precisa y, aun así, no utilizarse si aparece en una interfaz inadecuada o choca con las responsabilidades establecidas. A la inversa, la automatización puede acelerar un proceso de decisión deficiente. La prueba pertinente es si mejora el flujo de trabajo en su conjunto, no si el modelo funciona.
Trata como sensible la información personal inferida, incluso cuando nadie la haya revelado.
Las pistas indirectas pueden revelar hechos íntimos. Los metadatos de las llamadas telefónicas pueden revelar comportamientos sensibles aunque nunca se grabe el contenido de las llamadas. En el estudio MetaPhone descrito en el libro, los patrones de llamadas a servicios médicos y otras organizaciones revelaron posibles circunstancias personales. La cadena Target utilizó patrones de compra para estimar embarazos y envió ofertas a una adolescente antes de que su familia supiera que esperaba un bebé. Estos casos muestran que combinar registros corrientes puede generar inferencias sorprendentemente personales.
Las predicciones pueden reforzar la desigualdad. Los algoritmos aprenden de datos históricos, incluidos patrones moldeados por un trato desigual. En la labor policial, enviar más agentes a los lugares donde se predice que habrá más delitos puede generar allí más detenciones o denuncias, lo que a su vez puede reforzar la siguiente predicción. Los perfiles también pueden seguir a las personas de una organización a otra y afectar sus oportunidades sin que sepan qué información influyó en la decisión.
La privacidad no se reduce a que una persona haya compartido voluntariamente un dato concreto. El riesgo suele residir en inferir, vincular y reutilizar: la información recopilada para un propósito se convierte en evidencia para emitir otro juicio. Por eso, el contexto es esencial. Una pregunta útil es si las personas representadas esperarían razonablemente que se estableciera esa conexión y si pueden impugnar sus consecuencias. El ejemplo policial añade otra advertencia: los datos pueden describir el comportamiento institucional, además del público, por lo que un modelo puede reproducir los patrones de vigilancia que generaron sus registros de entrenamiento.
Integra la privacidad en el diseño del sistema; no la relegues a una casilla de consentimiento al final.
La protección puede ser técnica y procedimental. La privacidad diferencial añade ruido cuidadosamente controlado para estudiar patrones de una población sin que la inclusión de una persona determinada resulte decisiva. El aprendizaje federado mantiene los ejemplos en dispositivos o sitios separados, combina las actualizaciones del modelo y evita reunir todos los registros sin procesar en un único almacén central. Estos métodos reducen ciertos riesgos, pero ninguno hace que todos los usos sean seguros automáticamente.
La gobernanza sigue siendo importante. El libro describe principios de protección de datos de uso extendido: recopilar información de forma lícita, utilizarla para un fin declarado, mantenerla precisa y segura, permitir que las personas accedan a ella y puedan recurrir, y exigir responsabilidades a las organizaciones. La privacidad desde el diseño significa incorporar estas protecciones a la tecnología y a las prácticas desde el principio. Estas decisiones importan a medida que la ciencia de datos se expande a la medicina personalizada, donde los datos pueden orientar tratamientos individuales, y a las ciudades inteligentes, donde las redes de sensores pueden influir en el transporte, los servicios públicos y los servicios municipales.
Los métodos técnicos son más sólidos cuando se combinan con límites sobre los fines, el acceso y la conservación de los datos. La privacidad no es una propiedad única que un sistema tenga o no tenga; implica decidir quién puede saber qué, a partir de qué datos y con qué capacidad para actuar. Esto es especialmente importante en la medicina y la gestión urbana, donde compartir datos puede producir beneficios públicos y, a la vez, facilitar la vigilancia o un trato desigual. Una gobernanza sólida hace visibles esos intereses contrapuestos, en lugar de presentar las salvaguardas técnicas como una respuesta completa.
Análisis
El argumento más útil del libro es que la ciencia de datos consiste en una cadena de decisiones, no en una máquina que convierte hechos sin procesar en verdades. La cadena empieza antes de modelar, cuando las personas definen una pregunta y deciden qué cuenta como atributo pertinente. Continúa con la recopilación, la limpieza, la evaluación y la implementación. Cada eslabón puede introducir errores o sesgos, y el modelo final no puede borrar las decisiones ya incorporadas a los datos.
Este enfoque también aclara por qué el libro considera que la preparación de datos y la ética son elementos centrales, no periféricos. La misma operación que vuelve más útiles los datos — vincular registros de distintas fuentes — puede aumentar el riesgo de revelar información privada. La misma predicción que ayuda a asignar un recurso escaso puede reproducir patrones creados por asignaciones anteriores. Por tanto, un resultado técnicamente preciso no es necesariamente una decisión justificada. La precisión aporta evidencia sobre el ajuste a un objetivo medido, no demuestra que ese objetivo sea justo, significativo o causalmente importante.
La disciplina práctica que aquí se propone es valiosa: definir la decisión, examinar las pruebas disponibles, comparar modelos, probarlos con ejemplos que no se hayan usado para entrenarlos y supervisar su rendimiento después de ponerlos en uso. Su limitación es que la disciplina de proceso no puede resolver los desacuerdos sociales sobre los resultados aceptables. Incluso un proyecto bien gestionado puede optimizar el objetivo equivocado o distribuir los beneficios de manera desigual. Estas cuestiones requieren la participación de las comunidades afectadas y de quienes toman las decisiones, no solo de expertos técnicos.
La contribución duradera del libro es una idea más exigente de lo que significa ser competente. Un científico de datos debe comprender lo suficiente de informática, estadística, datos y el ámbito de aplicación como para reconocer cuándo un patrón es útil, cuándo es frágil y cuándo actuar en consecuencia podría causar daño. La ciencia de datos se gana la confianza no por su escala o complejidad, sino por establecer vínculos responsables entre las pruebas, las decisiones y sus consecuencias.
Resumen de reseñas
Ciencia de datos recibe, en general, reseñas positivas como introducción accesible al campo. Los lectores valoran sus explicaciones claras de conceptos clave, algoritmos y consideraciones éticas. A muchos les resulta útil como introducción o para obtener una visión general, aunque algunos señalan que carece de profundidad técnica. Se elogia su cobertura de las aplicaciones en el mundo real y los aspectos empresariales. Mientras que algunos critican el carácter básico del contenido, otros aprecian su amplia perspectiva sobre los principios, las tareas y las tendencias futuras de la ciencia de datos.
También leyeron
Glosario
CRISP-DM
Ciclo de proyecto iterativoEl Proceso Estándar Intersectorial para la Minería de Datos es un marco ampliamente utilizado para organizar proyectos de analítica. Comienza por aclarar el problema empresarial y los datos disponibles, continúa con la preparación y el modelado, y evalúa si los resultados satisfacen la necesidad prevista antes de su implementación. Es posible volver a etapas anteriores, y los modelos implementados necesitan revisarse a medida que cambian los datos y las circunstancias.
tabla base analítica
Tabla de datos lista para modelarUna tabla base analítica es el conjunto de datos preparado que se utiliza como entrada para los algoritmos de aprendizaje automático. Cada fila representa una instancia, como un cliente, y cada columna registra un atributo. Para construirla, se seleccionan atributos sin procesar y derivados que sean útiles, se recopilan registros, se integran fuentes y se comprueba la calidad de los datos.
datos residuales (exhaust data)
Subproducto de datosLos datos residuales se generan como subproducto de una actividad cuyo propósito principal no es recopilar datos. Una compra, una publicación en redes sociales o una visita a un sitio web pueden crear registros adicionales sobre horarios, dispositivos, clics o interacciones. Estas huellas pueden revelar patrones útiles, pero vincularlas también puede exponer información sensible que las personas no proporcionaron conscientemente.
sesgo de aprendizaje
Preferencia algorítmica por ciertos patronesEl sesgo de aprendizaje describe los tipos de patrones que un algoritmo está predispuesto a encontrar al aprender a partir de ejemplos. Un método lineal favorece las relaciones lineales, mientras que otros métodos buscan estructuras diferentes. Esta preferencia hace posible el aprendizaje, pero significa que ningún algoritmo es el mejor para todos los conjuntos de datos o tareas; es necesario comparar los métodos en su contexto.
deriva de concepto
Cambio en la relación modeladaLa deriva de concepto ocurre cuando el comportamiento o proceso representado en los datos cambia con el tiempo, lo que hace menos fiables las relaciones aprendidas a partir de ejemplos históricos. Las tácticas de correo no deseado, el comportamiento de los clientes o las lecturas de sensores pueden cambiar. Como los modelos reflejan observaciones pasadas, las organizaciones deben supervisar su rendimiento y volver a entrenarlos o sustituirlos cuando cambien las condiciones.
privacidad diferencial
Privacidad mediante ruido controladoLa privacidad diferencial es un método matemático para obtener información sobre una población limitando lo que un análisis puede revelar acerca de una persona en particular. Suele añadir ruido cuidadosamente calibrado a los datos o a los resultados de las consultas. El ruido protege a las personas, mientras que los patrones agregados pueden seguir siendo útiles; sin embargo, una privacidad más sólida puede reducir la precisión del análisis.
aprendizaje federado
Entrenamiento distribuido de modelosEl aprendizaje federado entrena modelos con datos que permanecen en sus ubicaciones originales, como teléfonos individuales o instituciones distintas. Cada ubicación calcula una actualización del modelo y esas actualizaciones se combinan para mejorar un modelo compartido. Esto puede evitar centralizar los ejemplos sin procesar, aunque las actualizaciones del modelo y el diseño del sistema siguen requiriendo medidas de protección de la privacidad.
pirámide DIKW (datos, información, conocimiento y sabiduría)
Jerarquía de datos a sabiduríaLa pirámide DIKW describe una progresión desde los datos hasta la información, el conocimiento y la sabiduría. Los datos son mediciones o abstracciones; la información son datos organizados de forma significativa; el conocimiento es información interpretada que favorece la comprensión; y la sabiduría es el uso adecuado de ese conocimiento. Las distinciones y transiciones entre niveles son objeto de debate.
Preguntas frecuentes
¿De qué trata "Ciencia de datos", de John D. Kelleher?
- Panorama de la ciencia de datos: El libro ofrece una introducción integral a la ciencia de datos y aborda sus principios, la definición de problemas, los algoritmos y los procesos para extraer patrones de grandes conjuntos de datos.
- Relación con otros campos: Explica cómo se relaciona la ciencia de datos con la minería de datos y el aprendizaje automático, pero también que su alcance es más amplio e incluye la ética y la regulación de los datos.
- Aplicaciones prácticas: El libro analiza cómo se aplica la ciencia de datos en diversos sectores, como las empresas, el gobierno y la atención sanitaria, para mejorar la toma de decisiones y la eficiencia.
- Contexto histórico: Ofrece una breve historia de la ciencia de datos y traza su desarrollo desde la recopilación y el análisis de datos hasta su estado actual, impulsado por los macrodatos y los avances tecnológicos.
¿Por qué debería leer "Ciencia de datos", de John D. Kelleher?
- Introducción integral: El libro forma parte de la serie Essential Knowledge de MIT Press y ofrece una visión general accesible y concisa de la ciencia de datos.
- Perspectivas expertas: Escrito por pensadores destacados, ofrece panoramas expertos de la ciencia de datos y hace accesibles ideas complejas a quienes no son especialistas.
- Relevancia práctica: Destaca el impacto de la ciencia de datos en las sociedades modernas e ilustra sus aplicaciones en ámbitos como el marketing, la atención sanitaria y la planificación urbana.
- Consideraciones éticas: El libro aborda las implicaciones éticas de la ciencia de datos, incluidas las preocupaciones relativas a la privacidad y la posibilidad de discriminación.
¿Cuáles son las principales conclusiones de "Ciencia de datos", de John D. Kelleher?
- Definición de ciencia de datos: La ciencia de datos comprende principios y procesos para extraer patrones útiles de grandes conjuntos de datos y mejorar la toma de decisiones.
- Proceso CRISP-DM: El libro presenta el Proceso Estándar Intersectorial para la Minería de Datos, un marco ampliamente utilizado para proyectos de ciencia de datos.
- Función del aprendizaje automático: El aprendizaje automático es fundamental para la ciencia de datos y aporta algoritmos para crear modelos a partir de datos con fines de predicción y análisis.
- Desafíos éticos: Destaca la importancia de abordar cuestiones éticas, como la privacidad y la discriminación, en las aplicaciones de la ciencia de datos.
¿Cómo define la ciencia de datos "Ciencia de datos", de John D. Kelleher?
- Principios y procesos: La ciencia de datos se define como un conjunto de principios, definiciones de problemas, algoritmos y procesos para extraer patrones de los datos.
- Alcance más amplio: Su alcance es más amplio que el de la minería de datos y el aprendizaje automático, pues incluye la ética y la regulación de los datos, así como el tratamiento de datos no estructurados.
- Enfoque en la toma de decisiones: El objetivo principal es mejorar la toma de decisiones basándolas en información obtenida de grandes conjuntos de datos.
- Carácter interdisciplinario: La ciencia de datos integra conocimientos de diversos campos, como la estadística, la informática y la experiencia en el área de aplicación.
¿Qué es el proceso CRISP-DM mencionado en "Ciencia de datos", de John D. Kelleher?
- Marco estándar: CRISP-DM corresponde al Proceso Estándar Intersectorial para la Minería de Datos, un marco ampliamente adoptado para proyectos de ciencia de datos.
- Seis etapas: Consta de seis etapas: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación e implementación.
- Proceso iterativo: El proceso es iterativo, lo que permite a los científicos de datos volver a etapas anteriores a partir de nuevos conocimientos o desafíos.
- Enfoque en las necesidades empresariales: Hace hincapié en comprender las necesidades de la empresa y garantizar que las soluciones de ciencia de datos se ajusten a los objetivos de la organización.
¿Cómo explica "Ciencia de datos", de John D. Kelleher, la función del aprendizaje automático en la ciencia de datos?
- Componente central: El aprendizaje automático es un componente central de la ciencia de datos y aporta algoritmos para extraer patrones y crear modelos predictivos a partir de los datos.
- Aprendizaje supervisado y no supervisado: El libro explica la diferencia entre el aprendizaje supervisado (con datos etiquetados) y el aprendizaje no supervisado (sin datos etiquetados).
- Evaluación de modelos: Analiza la importancia de evaluar los modelos para asegurarse de que se generalicen bien a datos nuevos que no se hayan visto antes.
- Selección de algoritmos: El libro destaca la necesidad de probar distintos algoritmos para encontrar el que mejor se ajuste a un conjunto de datos y problema determinados.
¿Qué desafíos éticos aborda "Ciencia de datos", de John D. Kelleher?
- Problemas de privacidad: El libro analiza las implicaciones éticas de la ciencia de datos, especialmente en relación con la privacidad individual y la protección de los datos.
- Riesgos de discriminación: Destaca la posibilidad de que la ciencia de datos perpetúe y refuerce los prejuicios sociales y la discriminación.
- Problemas de elaboración de perfiles: El libro examina cómo puede utilizarse la ciencia de datos para elaborar perfiles sociales, lo que puede dar lugar a un trato preferencial o a la marginación.
- Marcos regulatorios: Repasa los marcos legales y las directrices vigentes para proteger la privacidad y prevenir la discriminación en la ciencia de datos.
¿Qué importancia tienen los macrodatos en "Ciencia de datos", de John D. Kelleher?
- Las tres V de los macrodatos: Los macrodatos se caracterizan por su volumen, variedad y velocidad, lo que plantea tanto oportunidades como desafíos para la ciencia de datos.
- Avances tecnológicos: El libro analiza cómo los avances en almacenamiento de datos, capacidad de procesamiento y analítica han impulsado el crecimiento de los macrodatos.
- Impacto en la sociedad: Los macrodatos han transformado diversos sectores y permiten tomar decisiones mejor fundamentadas y ofrecer servicios personalizados.
- Consideraciones éticas: El libro destaca la necesidad de abordar las preocupaciones éticas relacionadas con los macrodatos, como la privacidad y la propiedad de los datos.
¿Cómo describe "Ciencia de datos", de John D. Kelleher, la función de la visualización de datos?
- Herramienta exploratoria: La visualización de datos es una herramienta importante para explorar y comprender los datos, pues ayuda a identificar patrones y tendencias.
- Ayuda para la comunicación: Facilita la comunicación de los resultados del análisis de datos a las partes interesadas y hace que los datos complejos sean más accesibles y comprensibles.
- Contexto histórico: El libro traza la evolución de la visualización de datos desde los primeros gráficos estadísticos hasta las técnicas modernas.
- Diseño eficaz: Destaca los principios de una visualización de datos eficaz, como la claridad, la precisión y la pertinencia.
¿Cuáles son las mejores citas de "Ciencia de datos", de John D. Kelleher, y qué significan?
- "La ciencia de datos es una colaboración entre un científico de datos y una computadora." Esta cita destaca el carácter colaborativo de la ciencia de datos, en la que la experiencia humana y la capacidad computacional se combinan para extraer información de los datos.
- "El objetivo de la ciencia de datos es mejorar la toma de decisiones basándolas en información extraída de grandes conjuntos de datos." Esto subraya el objetivo principal de la ciencia de datos: mejorar los procesos de toma de decisiones mediante información basada en datos.
- "Los datos nunca son una descripción objetiva del mundo. Siempre son parciales y sesgados." Esta cita subraya la importancia de reconocer las limitaciones y los sesgos inherentes a los datos, que pueden afectar el análisis y las conclusiones.
- "Sin una supervisión humana cualificada, un proyecto de ciencia de datos no alcanzará sus objetivos." Esto destaca el papel fundamental de la experiencia humana para guiar los proyectos de ciencia de datos hacia el éxito.
¿Cómo aborda "Ciencia de datos", de John D. Kelleher, las tendencias futuras de la ciencia de datos?
- Dispositivos inteligentes e IoT: El libro analiza la proliferación de dispositivos inteligentes y del Internet de las cosas, que impulsan el crecimiento de los macrodatos.
- Medicina personalizada: Destaca el potencial de la ciencia de datos para revolucionar la atención sanitaria mediante la medicina personalizada y los tratamientos de precisión.
- Ciudades inteligentes: El libro explora el desarrollo de las ciudades inteligentes, donde se utiliza la ciencia de datos para optimizar la planificación urbana y la gestión de recursos.
- Desafíos continuos: Reconoce los desafíos que persisten en la ciencia de datos, incluidas las consideraciones éticas y la necesidad de actualizar continuamente los modelos.
¿Qué consejos prácticos ofrece "Ciencia de datos", de John D. Kelleher, para que los proyectos de ciencia de datos tengan éxito?
- Enfoque claro: El libro hace hincapié en la importancia de definir claramente desde el principio el problema y los objetivos de un proyecto de ciencia de datos.
- Datos de calidad: Insiste en la necesidad de contar con datos de alta calidad y en la importancia de prepararlos y limpiarlos durante el ciclo de vida del proyecto.
- Colaboración del equipo: Los proyectos exitosos suelen implicar la colaboración de un equipo diverso con habilidades y conocimientos complementarios.
- Proceso iterativo: El libro promueve un enfoque iterativo que permita mejorar y adaptar continuamente los modelos y procesos.
Descargar PDF
Descargar EPUB
.epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.