Bienvenida conceptos b谩sicos y contexto hist贸rico de las Bases de Datos

1

Bienvenida conceptos b谩sicos y contexto hist贸rico de las Bases de Datos

2

Playground: tu primera consulta en bases de datos

Introducci贸n a las bases de datos relacionales

3

Historia de las bases de datos relacionales

4

Qu茅 son entidades y atributos

5

Entidades de Platzi Blog

6

Relaciones

7

M煤ltiples muchos

8

Diagrama ER

9

Diagrama F铆sico: tipos de datos y constraints

10

Diagrama F铆sico: normalizaci贸n

11

Formas normales en Bases de Datos relacionales

12

Diagrama F铆sico: normalizando Platziblog

RDBMS (MySQL) o c贸mo hacer lo anterior de manera pr谩ctica

13

Instalaci贸n local de un RDBMS (Windows)

14

驴Qu茅 es RDB y RDBMS?

15

Instalaci贸n local de un RDBMS (Mac)

16

Instalaci贸n local de un RDBMS (Ubuntu)

17

Clientes gr谩ficos

18

Servicios administrados

SQL hasta en la sopa

19

Historia de SQL

20

DDL create

21

Playground: CREATE TABLE

22

CREATE VIEW y DDL ALTER

23

DDL drop

24

Playground: VIEW, ALTER y DROP en SQL

25

DML

26

Playground: CRUD con SQL

27

驴Qu茅 tan standard es SQL?

28

Creando Platziblog: tablas independientes

29

Creando Platziblog: tablas dependientes

30

Creando Platziblog: tablas transitivas

Consultas a una base de datos

31

驴Por qu茅 las consultas son tan importantes?

32

Estructura b谩sica de un Query

33

SELECT

34

Playground: SELECT en SQL

35

FROM y SQL JOINs

36

Utilizando la sentencia FROM

37

Playground: FROM y LEFT JOIN en SQL

38

WHERE

39

Utilizando la sentencia WHERE nulo y no nulo

40

Playground: Filtrando Datos con WHERE

41

GROUP BY

42

ORDER BY y HAVING

43

Playground: Agrupamiento y Ordenamiento de Datos

44

El interminable agujero de conejo (Nested queries)

45

驴C贸mo convertir una pregunta en un query SQL?

46

Pregunt谩ndole a la base de datos

47

Consultando PlatziBlog

48

Playground: Prueba Final con PlatziBlog

Introducci贸n a la bases de datos NO relacionales

49

驴Qu茅 son y cu谩les son los tipos de bases de datos no relacionales?

50

Servicios administrados y jerarqu铆a de datos

Manejo de modelos de datos en bases de datos no relacionales

51

Top level collection con Firebase

52

Creando y borrando documentos en Firestore

53

Colecciones vs subcolecciones

54

Recreando Platziblog

55

Construyendo Platziblog en Firestore

56

Proyecto final: transformando tu proyecto en una db no relacional

Bases de datos en la vida real

57

Bases de datos en la vida real

58

Big Data

59

Data warehouse

60

Data mining

61

ETL

62

Business intelligence

63

Machine Learning

64

Data Science

65

驴Por qu茅 aprender bases de datos hoy?

Bonus

66

Bases de datos relacionales vs no relacionales

67

Elegir una base de datos

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Machine Learning

63/67
Recursos

Machine Learning tiene significados que var铆an. Es una serie de t茅cnicas que involucran la inteligencia artificial y la detecci贸n de patrones.
Machine learning para datos tiene un gran campo de acci贸n y es un paso m谩s all谩 del business intelligence.
Nos ayuda a hacer modelos que encuentran patrones fortuitos encontrando correlaciones inesperadas.

Tiene dos casos de uso particulares:

  • Clasificaci贸n
  • Predicci贸n

Aportes 243

Preguntas 9

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

Se me aclaro la cosa con machine learning que no tiene que ver al parecer con convertir a mi tostadora en un terminator.

israel , que gran forma de ense帽ar

Lo mejor para definir un BigQuery: "Es un SQL con esteroides"

Minuto 11:00 del video, ah铆 te das cuenta que el Profe Israel no solamente est谩 aqu铆 por ense帽ar, si no que le apasiona lo que hace.

SQL con esteroides

En resumen:

  • IA: abarca a machine learning y deep learning y busca eliminar al humano en la creaci贸n de algoritmos y que todo ese proceso lo haga una computadora

  • Machine learning: como dijo Israel, crea modelo y al se帽arle te encontrada modelos fortuitos, cuando le des una mar de datos 茅l te va encontrar patrones

  • Deep learning: le busca sentido a los datos.

Una IA es un sistema que es inteligente, usando machine learning puedes buscar en una BBDD cuando tus clientes te compran m谩s y te daras cuenta que es en finales de a帽os y usando deep learning la computadora es capaz de encontrar el porqu茅 te compran m谩s.

Pasa con Machine Learning y con Data Science鈥

OMG鈥 No me esperaba que dijera que con esto ya tenemos las bases para Machine Learning xD Que genial! Es decir, digamos que no solo nos quedamos en 鈥淥h si, yo se manejar una base de datos鈥 sino que nos adentramos a cosas m谩s geniales com las Big Querys, Data Mining, Business Inteligence, Machine Learning, etc.! Los conocimientos que tenemos actualmente son nuestras herramientas para manejar el Machine Learning!

Al9000, Skynet, Ultron Ex machina Bender son ejemplos de por que dotar de inteligencia a una maquina y que aprenda por si misma no es tan buena idea.
Por el otro lado tenemos a Jarvis c3po r2d2 Walle Eva que dicen lo contrario, espero que ya halla nacido Jhon Connor por si acaso

Machine Learning es una disciplina cient铆fica del 谩mbito de la Inteligencia Artificial que crea sistemas que aprenden autom谩ticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos.

SQL con esteroides 馃槈

Creo que de todos los profesores que hasta el momento he escuchado es el que me convence mucho. Me gusta la manera de explicar.

Machine Learning: Nos ayuda a crear Modelos para encontrar patrones (Clasificaci贸n), tambi茅n para predicci贸n, analizando por ejemplo ventas con relaci贸n a informaci贸n transversal, en un rango de fecha determinada pasada, luego se genera un modelo y este se usa con todos los datos de las ventas hasta la actualidad y puede encontrar relaciones como por ejemplo ventas en vacaciones aumentan, y as铆 se puede predecir como ser谩n las ventas en las pr贸ximas vacaciones

Machine Learning: Aplicada a los datos, se encarga de encontrar patrones y relaciones en base a tus datos y darte informaci贸n oportuna de ellos la cual puede ser utilizada en Business Intelligence

El Machine Learning tendr谩 mucho auge en el futura, para m铆 es una de las cosas apasionante en la inform谩tica junto a la Inteligencia Artificial.

48. Mis apuntes sobre: 鈥淢achine Learning鈥

Es una serie de t茅cnicas que involucran inteligencia artificial y la detecci贸n de patrones.

El Machine Learning en DATA, es una de las principales aplicaciones, es un paso adelante
del BI.
Se hacen modelos para buscar patrones fortuitos, correlaciones que no esperamos,
patrones de datos que no son f谩ciles de ver para humanos.
La mayor铆a de modelos est谩n basadas en estad铆stica.
BigQuery se usan para Data Warehouse.
Tienen 2 casos de uso: Problema de clasificaci贸n y de predicci贸n.
Procesamiento de lenguaje natural, se le entrena para encontrar algo.

A mi realmente me apasiona hace muchos a帽os. Desde las 茅pocas que programaba en Visual Basic 6.0 alla en el 2003.
Retome reci茅n el a帽o pasado mi vocaci贸n por la inform谩tica desde cero.
No es el dinero o la demanda lo que hace que sea tan apasionante para mi sino que veo inhabitable, con el avance exponencial que hay, la llegada de la singularidad y este punto va a ser una bisagra tan grande en la historia de la humanidad que espero estar vivo para observar, con palomitas de ma铆z, a la inteligencia en su maxima expresion lo cual apuesto que va a ser lo mejor que le va a pasar, no solo a la humanidad, sino a todos los seres vivos de este planeta. Eso es pasi贸n, el dinero?.que sirva para poder pasar mas horas con esta pasi贸n鈥 pero dinero? dinero tiene cualquiera si te fijas. .

Me entr贸 la duda y ac谩 est谩 la respuesta de por qu茅 el clima no es puede predecir con exactitud:
https://nomada.gt/blogs/por-que-es-dificil-predecir-el-estado-del-tiempo/

BigQuery usa SQL con esteroides :v

Importante lo que dice el Profesor: Lo que se necesita en las 鈥渆mpresas鈥 es gente EXPERTA EN EL TRATAMIENTO DE INFORMACI脫N, que tenga conocimiento de Data鈥 que se involucre y que no trabaje sino que resuelva problemas

Que clase mas interesante y clara!!! Se entiende todo a la perfecci贸n. Quisiera estudiar de por vida con el mismo profesor.

Machine Learning solo es estad铆stica (+ algoritmos) y termin茅 entendiendo muchos meses despu茅s de estudiar ML, lo mejor es saber primero estad铆stica y luego Machine Learning porque luego en avanzado terminas sin saber que es lo que realmente pasa por detr谩s de las librer铆as.

Es verdad lo que dice el profesor, ahora no es 煤nicamente saber estad铆stica鈥 ahora se necesita saber base de datos y data mining si quiere aprender m谩s sobre data science.
隆Por eso estoy por ac谩, para nunca parar de aprender!

quiero que sigan sacando cursos asi de buenos como este 馃槂馃槂馃槂馃槂馃槂

Super emocionada, definitivamente profesor usted motiva a querer aprender y entender mas acerca de estas disciplinas para ampliar nuestros conocimiento.
Muchas gracias隆隆

Ahora existen m茅todos de machine learning automaticos (AutoML), por ejemplo en python puedes encontrar los paquetes de auto keras, auto sklearn, entre otros,
Saludos!

Hola, hay alg煤n curso en Platzi sobre Big Query?

A por machine learning y data science

En el examen la pregunta es esta: 驴Cu谩les son las dos funciones b谩sicas de la mayor铆a de servicios de machine learning?
R/ Clasificaci贸n y predicci贸n, da pregunta erronea, qu epasa?

Emocionado 鈥!!! Esas son mis palabras

Iluminadora esta parte. Se nota la experiencia y pasi贸n por lo que expone. Va m谩s all谩 del contenido,nos esclarece como funciona el mundo exterior

min 12:07 , jajaja excelente explicaci贸n de lo que es BigQuery, 鈥淯n SQL con esteroides鈥. El profe Israel ha usado formas muy sencillas de explicar conceptos complejos, eso es digno de aplaudir.

Muy buen aporte sobre machine learning

El machine learning es un m茅todo de an谩lisis de datos que automatiza la construcci贸n de modelos anal铆ticos. Es una rama de la inteligencia artificial basada en la idea de que los sistemas pueden aprender de datos, identificar patrones y tomar decisiones con m铆nima intervenci贸n humana

dejo mi resumen de los temas que hemos ido llevando: https://github.com/DanielGB00/fundamentos-BD#machine-learning

Una de las situaciones donde todos los d铆as vemos el uso de Machine Learning es en la secci贸n de recomendados de Youtube. Por ejemplo, si tenemos una cuenta y llevamos 3 ocasiones buscando v铆deos de gaticos, la inteligencia artificial detectara este patr贸n en tu usuario y comenzara a recomendarte v铆deos que tenga como t贸pico principal gaticos, ya que esa es su funci贸n principal.

Solucionar el problema de clasificaci贸n se hace con algoritmos supervisados. El problema de predicci贸n se hace con algoritmos no supervisados.

Yo he trabajo con esto, es m谩s horrible de lo que se escucha; pero dispara el valor de una empresa de una forma tremenda, no lo menciona, pero hacerlo bien es la diferencia entre 10x y 100x, 1000x en el income de una empresa

Veo mi futuro por este campo

Excelente explicaci贸n. A estudiar Machine learning y poner en practica nuestras empresas.

para los famosos casos de predicci贸n de votaciones y manipulaci贸n de informaci贸n ala hora de elegir lideres mundiales se utiliza MACHINE LEARNING?

隆Definitivamente esta rama es la que m谩s me interesa!

Nuestros datos nos definen鈥

鈥渆s como un sql con esteroides鈥 hahahah excelente

En alg煤n momento entrar茅 en Machine Learning. Un objetivo a un futuro cercano

me resulta muy interesante creo que aplicare a este curso
de Machine Learning

MACHINE LEARNING
.
ML (Machine Learning) tiene una connotaci贸n muy aplican y depende del contexto.
.
Son una serie de t茅cnicas que involucran la AI (Artificial Intelligence) y la detecci贸n de patrones en diferentes 谩mbitos.
.
ML en las disciplinas de datos tiene un gran campo de aplicaci贸n, principalmente se aplica en el tratamiento de datos para encontrar patrones de inter茅s. Tambi茅n es interpretada como el paso siguiente de BI.
.
ML permite hacer modelos que encuentran patrones fortuitos es decir, lo que ML intenta hacer es encontrar relaciones o patrones que no son obvios. La mayor铆a de los modelos de ML est谩n basados en estad铆stica.
.
BigQuery es una base de datos ademas de ser utilizada para el Data Warehouse tambi茅n utiliza ML para el tratamiento de los datos.
.
ML tiene 2 algoritmos o modelos de base con casos de uso particulares
.
clasificaci贸n
.
Esta relacionado con vol煤menes de datos. Utilizando una la t茅cnica de procesamiento de lenguaje natural como Input toma una serie de datos que pueden ser de diferentes fuentes, procesarlos y al final entrega los patrones encontrados.
.
predicci贸n
.
Esta relacionado con la toma de decisiones tomando como Input un volumen de datos hist贸ricos entrenado un modelo proces谩ndolos y como Output genera un modelo entrenado con un determinado porcentaje de precisi贸n. A este modelo entrenado se le pasan datos a procesar y va entregar los patrones que afectan e iteran las relaciones de los datos.
.
Los modelos de ML est谩n basados en algebra lineal, regresi贸n lineal, tensores y calculo.
.
ML y las herramientas de la actualidad no se enfocan principalmente en en generar nuevos modelos **(aunque si se puede) **sino en saber como y donde aplicarlos.
.
La gran necesidad de ML en la industria actualmente no es de disponer de grandes matem谩ticos sino personas expertas en el tratamiento de la informaci贸n y datos.

Los m茅todos de aprendizaje autom谩tico se pueden dividir en m茅todos supervisados, semi-supervisados 鈥嬧媦 no supervisados. Los m茅todos supervisados 鈥嬧媠e entrenan en ejemplos con etiquetas (por ejemplo, 鈥榞en鈥 o 鈥榥o gen鈥) y luego se utilizan para predecir estas etiquetas en otros ejemplos, mientras que los m茅todos no supervisados 鈥嬧媏ncuentran patrones en conjuntos de datos sin el uso de etiquetas. Los m茅todos semi-supervisados 鈥嬧媍ombinan estos dos enfoques, aprovechando los patrones en los datos sin etiquetar para mejorar el poder en la predicci贸n de etiquetas.

Business Intelligence sirve para an谩lisis descriptivos, Artificial Intelligence para an谩lisis predictivos鈥

Cuando me pregunten en una entrevista. 驴Qu茅 es el Big Query?

Yo: Un query con esteroides. JAJAJAJA

隆INCRE脥BLE EL PODER DE ESTA HERRAMIENTA!

Me gust贸, esta explicado de una forma clara

jdhksjalkj

Nos ayuda a hacer modelos que encuentran patrones fortuitos encontrando correlaciones inesperadas.

Tiene dos casos de uso particulares:

Clasificaci贸n
Predicci贸n

Hola profe, uno de los primeros pioneros fue Durkheim, franc茅s y padre de la sociolog铆a.
Una gran obra de arte escrita por El fue 鈥渆l suicidio鈥.
Un libro que recomiendo, buen铆simo.

Cada ve que me adentro en este tema no puedo evitar pensar en la psicohistoria de Issac Azimov en su libro la Fundaci贸n. Quien conozca de que hablo sabra que es emocinante, pero tambien da algo de miedo.

Se nota que le apasiona al profe, me gusto la explicacion de tu a tu

Como yo lo entiendo es BI = Estad铆stica Descriptiva, ML = Estad铆stica Probabil铆stica

Tremenda explicaci贸n!! el mejor curso que he tomado hasta el momento en Platzi!!

MACHINE ES LA EVOLUCION, ES LA MATRIX

Estoy cumpliendo mi primer a帽o como profesor. Espero alg煤n d铆a poder ense帽ar tan bien como Israel y Diego de Granda

Buah, enserio que buena explicaci贸n Israel

En esta clase a una velocidad de 1.5x, el profe se nota super emocionado con el tema, jejejejejee.

Gracias maestroooo 鉂わ笍

La emoci贸n que usa el profesor para explicar este tema es contagiosa, quiero aprender de todo jajaja

Un SQL con esteroides XD

Definitivamente un peque帽o paso en un mundo totalmente nuevo. y diferente. Simplemente 鈥

Dios esto es muy emocionante, me encanta saber que los conocimientos de bases de datos van m谩s all谩 de eso y pueden servir para utilizar machine learning.
Por razones como que te muestren este tipo de conocimientos es que me gusta platzi.

Resumen de una Clase del Curso de Analisis de Negocios para Ciencia de Datos:

El uso de algoritmos marcar谩 la competitividad y la profesionalidad durante los pr贸ximos a帽os.

La tecnolog铆a del aprendizaje autom谩tico est谩 sirviendo para recopilar y modelar el conocimiento, con el fin de proporcionar informaci贸n m谩s espec铆fica y elaborar mejores herramientas de trabajo para las personas. El uso de algoritmos marcar谩 la competitividad y la profesionalidad durante los pr贸ximos a帽os.

La forma en la que te inspira y anima a seguir aprendiendo otras diciplinas de la ciencia de datos es invaluable

menos mal que me choque con esta explicaci貌n, grande man!

La funci贸n b谩sica de ML o aprendizaje autom谩tico o de m谩quina es que genera modelos para distintas aplicaciones los cuales aprenden a dar las respuestas o salidas (variables dependientes) a partir del entrenamiento con los datos de entrada (variables independientes). Este puede ser supervisado (se conocen de antemano las etiquetas o valores de salida), no supervisado (no se conocen y se deja que el algoritmo las determine) y por refuerzo (reinforcement).

SQL con esteroides XD

Lo que me desmotiva es que hace 3 a帽os que salio este curso, no me imagino que tan actualizado debe ser ahora 馃槮

La realidad de este curso es que el profesor te comparte su pasi贸n por el tema y hace que te involucres a nivel sentimental con las bases de datos y que aprendas con mucha motivaci贸n porque explica todo de forma muy clara y sencilla hasta los temas m谩s complicados :)

Machine Learning: Dado un ejemplo, se entrena a la maquina para que esta de forma aut贸noma registre un conjunto de datos y brinde un an谩lisis encontrando relaciones que son explicitas, o predicciones que a el humano le tomar铆a mucho tiempo y esfuerzo encontrar.

muy buena definici贸n, excelente profe muchas gracias

Dudo que Machine Learning pueda predecir los cisnes negros ya que se entrena con base en datos pasados y no con datos que nunca han sucedido. 驴Me equivoco?

Machine Learning tiene significados que var铆an. Es una serie de t茅cnicas que involucran la inteligencia artificial y la detecci贸n de patrones. Pero llev谩ndolo al contexto de las bases de datos el Machine Learning es como un Business Intelligence llevado un paso mas adelante. Ya que en vez de que haya alguien intentando hacer sentido a los datos, Aqu铆 se generan modelos (en base a estad铆stica) que encuentran patrones fortuitos encontrando correlaciones inesperadas.

Hay un capitulo de la serie BILLIONS en el que se construye un modelo de ML para hacer PNL sobre el discurso de un rector de universidad que a su vez dirige un FONDO DE INVERSION, con la intencion de predecir (a traves de conductas pasadas, luego de sus discursos), cual seria la decision que tomaria luego y asi anticiparlo, proponerle lo mismo y cerrar el trato.

Ese solo capitulo paga toda la serie! si este tema te interesa, buscalo de verdad es oro!

No necesitas ser un experto en matematica para usar Machine Learning, pero si es importante dominar la parte de data.

Esto me hizo el dia, la semana, el a帽o鈥 no porque le tema a la matematica, pero si porque me faltaba claridad en que dominar primero.

GRACIAS Israel Vazquez Morales, de verdad hacen falta muchas mas aclaraciones sinceras de este tipo, para disipar la ansiedad de que camino seguir y que aprender primero y que no.

Los modelos de machine learning aprenden con un enfoque iterativo de los datos y pueden ajustarse a s铆 mismos para producir mejores resultados automatizados. Se hacen repeticiones por los datos hasta que se encuentra un patr贸n s贸lido.

Excelente tema, me interesa mucho el maching learning y el deep learning.

Me motivaste m谩s por el Bussines Intelligence鈥 es increible鈥 gracias profe

Machine Learning

Es el estudio de los algoritmos inform谩ticos que mejoran autom谩ticamente mediante la experiencia y el uso de datos. Permite generar modelos que hayan patrones en los datos.

  • Clasificaci贸n
  • Predicci贸n

Te comparto m谩s informaci贸n sobre Machine Learning. 馃挌Machine Learning

La pasi贸n con la que Israel ense帽a es estimulante. Me record贸 a mi profesor de f铆sica 2 explicando electromagnetismo 馃榿.

Big Query es un SQL con esteroides"

驴Sera pregunta de examen? 馃槄

En mi corta vida como Data Science puedo decir que Machine Learning se resume en dos tipos de algoritmos:

  • Clasificacion
  • Prediccion

Bastante inspirador este video 馃槃

ya esto es otro nivel

Muchas gracias por la informaci铆on y gracias por el consejo!!!

Muy buen a la informaci贸n sobre Machine learning , pordrias por favor mencionarnos heramientas concretas para hacer el modelo de predicci贸n .

Con esta explicaci贸n se aclara m谩s el panorama y surge el gusto por seguir ahondando conceptos y m茅todos de tratamiento de los datos para explorar m谩s este concepto. Gracias.

Esto con el BI, es lo m谩s interesante del manejo de datos, con informaci贸n tienes 鈥減oder鈥 y m谩s si con eso tienes toma de decisi贸n lo hace aun m谩s interesante.

Yo quiero trabajar en esto 馃槮 vamos sin pausa pero sin prisa

Genial, incre铆ble toda esta informaci贸n! Que bueno que nos quitas la duda de si es un requisito indispensable ser matem谩tico puro para aplicar machine learning jaja

Machine learning son una serie de t茅cnicas que ayudan a encontrar patrones de los datos y con estos ayudar a tomar decisiones.