Introducción a la
Ciencia de los Datos
¿Qué es Data Science?
• No existe una definición de consenso, sino que difiere según las fuentes.
• Podemos decir que trata del estudio de la extracción generalizada de
conocimiento a partir de información, de datos.
• ¿Esto es algo nuevo? ¿No se parece a alguna ciencia con la que ya estamos
familiarizados?
Data Science y Estadística (I)
• La Estadística consiste en el estudio de la recolección, análisis, interpretación,
presentación y organización de datos.
• La Ciencia de Datos trata del estudio de la extracción generalizada de
conocimiento a partir de información, de datos.
• ¿Estamos hablando de lo mismo?
Data Science y Estadística (II)
• Existen diferencias:
• El enfoque de Data Science es más global, para partiendo de grandes volúmenes
de datos poder extraer conocimiento que aporte valor a una determinada
organización del tipo que sea.
• El foco principal se sitúa en la extracción de conocimiento, empleando para ello las
herramientas que estén al alcance.
• Veamos en qué se traduce lo anterior, mediante una definición más completa.
¿Qué es Data Science? (II)
• Técnicas y teorías de muchos campos dentro de amplias áreas como la
Matemática, la Estadística y las Tecnologías de la Información,
incluyendo: procesamiento de señales, modelos probabilísticos, machine
learning, aprendizaje estadístico, programación, ingeniería de datos,
reconocimiento de patrones, visualización, modelización de la incertidumbre,
data warehousing y computación de altas prestaciones.
¿Por qué ahora?
• Con la emergencia los últimos años del Big Data, existe una disponibilidad enorme
de datos tanto a nivel de Internet como en las organizaciones.
• Gobiernos y compañías han puesto énfasis en el valor de la cantidad de datos
disponibles y la posibilidad de extraer conocimiento de ellos, relevante para su
operativa y la ayuda a una mejor toma de decisiones.
El científico de datos (data scientist)
Hoy día un perfil muy demandado a nivel internacional es el de Data Scientist o
científico de datos, capaz de:
• Estudiar las diversas fuentes de información disponibles en una organización,
• Extraer datos a partir de diversos formatos tanto de bases de datos relacionales y no
relacionales como de muchos otros tipos y fuentes.
• Depurar los datos, analizarlos, idear y desarrollar algoritmos, realizar inferencias,
preparar y comunicar los resultados de dichos análisis y ser capaz de transmitir
conclusiones acerca de los estudios para finalmente repercutir en un mayor
conocimiento que ayude a la Gerencia del organismo o compañía a tomar mejores
decisiones.
Conocimientos necesarios
• Muchos de los conocimientos tienen que ver con la Matemática y la
Estadística, pero además se precisa de diversos conocimientos tecnológicos:
• Bases de datos relacionales, SQL
• Bases de datos no relacionales, Big Data, NoSQL…
• Lenguajes de programación: R, Python
• Machine Learning
• Programación de altas prestaciones, programación distribuida, Hadoop
Una oferta de trabajo actual…
Científico de datos
[Link]
Ideas fundamentales
Data Science es mucho más que estadística. La estadística es una pequeña parte de DS
Data Science persigue el conocimiento y la predicción a partir de los datos
Almacenar datos es cada vez más barato
Cada día se generan más datos
Cada día hay más capacidad de cálculo y más herramientas de análisis
El científico de datos debe poseer conocimientos multidisciplinares