UN RESÚMEN BREVE DEL NACIMIENTO Y EVOLUCIÓN DE LA CIENCIA DE DATOS

By Eduardo Abril. -

En qué se basa la Data Science - Maestrías Online          La ciencia de datos, conocida también como "big data" o "data science", es un campo en constante evolución que ha cambiado drásticamente la manera en que las empresas, los gobiernos y las organizaciones procesan y analizan la información. La historia de la ciencia de datos comienza en la década de 1950, con el desarrollo del hardware y el software necesarios para manejar grandes conjuntos de datos. Se considera a John W. Tukey como uno de los fundadores de la ciencia de datos, ya que él se centró en cómo procesar e interpretar grandes datos.


En la década de 1960, se inventaron las bases de datos relacionales, que se convirtieron en la tecnología de base para muchos sistemas de gestión de bases de datos en la actualidad. En la década de 1980, la llegada de los primeros algoritmos de inteligencia artificial, como redes neuronales y algoritmos genéticos, impulsaron aún más el desarrollo de la ciencia de datos. Desde entonces, la ciencia de datos ha contado con la contribución de muchas figuras importantes, como Stephen Wolfram, Alan Turing, Michael I. Jordan y Andrew Ng (creador de Coursera), entre otros.

Hoy en día, la ciencia de datos es una parte fundamental de la mayoría de las grandes empresas. Por ejemplo, Google, Amazon y Facebook utilizan la ciencia de datos para personalizar la publicidad, optimizar la cadena de suministro y mejorar la experiencia del usuario. Además, la ciencia de datos se utiliza en áreas como la medicina, la biología y la astrofísica para analizar grandes conjuntos de datos y extraer información valiosa.

El futuro de la ciencia de datos es emocionante, ya que se espera que la tecnología y la cantidad de datos disponibles sigan creciendo exponencialmente. Se cree que la ciencia de datos tendrá un impacto aún mayor en áreas como la inteligencia artificial, el internet de las cosas y la ciberseguridad. También es posible que la ciencia de datos tenga implicaciones éticas en relación con la privacidad y la protección de la información personal.

Comentarios

Publicar un comentario

Entradas populares de este blog

UNA BREVE EXPLICACIÓN DE LA LEY DE LAS ESPERANZAS ITERADAS

By Eduardo Abril. -
Imagen
    Supongamos que realizamos el siguiente experimento: Lanzamos una moneda y: Si sale cara, lanzamos un dado y apuntamos el resultado del dado. Si sale cruz, lanzamos dos dados y anotamos la suma de ambos.  Definamos como X la variable aleatoria "puntuación obtenida". ¿Cual es E[X]? Parece evidente que será:   Esto da lugar al llamado teorema de la esperanza total:   Notar que E[Y|X=x] es una función de x. Se trata de un resultado bastante intuitivo y cuya generalización es la ley de las esperanzas iteradas, que afirma lo siguiente en su notación más general:    Y cuya demostración es inmediata partiendo del anterior, sin más que particionar el espacio de eventos de acuerdo con los distintos valores de la variable X y teniendo en cuenta la observación anterior (E[Y|X) es función de X):   No queremos dar una demostración rigurosa, sino simplemente una idea intuitiva de lo que significan las cosa. La ley de las esperanzas iteradas es importante porque nos permite descomponer
Read more »

Que se mueran los pobres - Un modelo de regresión logística para predecir la supervivencia en el Titanic

By Eduardo Abril. -
Imagen
              En este post, vamos a crear un modelo de regresión logística para calcular la probabilidad de supervivencia en el Titanic. Las explicaciones y el código en R están debajo, pero me gustaría comentar algunas cosas previamente.   SOBRE LA IMPUTACIÓN DE DATOS FALTANTES Una de las principales dificultades del modelo es la cantidad de datos con NA que tenemos. La imputación, o eliminación, de datos faltantes es una de las tareas más importantes en el pre-procesamiento en Machine Learning. En este caso, la cantidad de veces que aparece Age = NA es demasiado grande para borrarlos. Lo que tenemos que hacer es imputarlos, que puede hacerse de varias formas. La más sencilla es imputalos a la media (datos no sesgados) o a la mediana (datos sesgados). Y una forma más compleja, pero que puede dar mejores resultados es usar regresión logística en otras variables para estimar su valor. Esta última, en una versión sencilla, es la que haremos.   ¿CÓMO SE ELIGEN LAS VARIABLES? De las
Read more »