Bienvenida conceptos básicos y contexto histórico de las Bases de Datos

1

Bienvenida conceptos básicos y contexto histórico de las Bases de Datos

Introducción a las bases de datos relacionales

2

Historia de las bases de datos relacionales

3

Entidades y atributos

4

Entidades de Platzi Blog

5

Relaciones

6

Múltiples muchos

7

Diagrama ER

8

Diagrama Físico: tipos de datos y constraints

9

Diagrama Físico: normalización

10

Formas normales en Bases de Datos relacionales

11

Diagrama Físico: normalizando Platziblog

RDBMS (MySQL) o cómo hacer lo anterior de manera práctica

12

¿Qué es RDB y RDBMS?

13

Instalación local de un RDBMS (Windows)

14

Instalación local de un RDBMS (Mac)

15

Instalación local de un RDBMS (Ubuntu)

16

Clientes gráficos

17

Servicios administrados

SQL hasta en la sopa

18

Historia de SQL

19

DDL create

20

CREATE VIEW y DDL ALTER

21

DDL drop

22

DML

23

¿Qué tan standard es SQL?

24

Creando Platziblog: tablas independientes

25

Creando Platziblog: tablas dependientes

26

Creando Platziblog: tablas transitivas

Consultas a una base de datos

27

¿Por qué las consultas son tan importantes?

28

Estructura básica de un Query

29

SELECT

30

FROM

31

Utilizando la sentencia FROM

32

WHERE

33

Utilizando la sentencia WHERE nulo y no nulo

34

GROUP BY

35

ORDER BY y HAVING

36

El interminable agujero de conejo (Nested queries)

37

¿Cómo convertir una pregunta en un query SQL?

38

Preguntándole a la base de datos

39

Consultando PlatziBlog

Introducción a la bases de datos NO relacionales

40

¿Qué son y cuáles son los tipos de bases de datos no relacionales?

41

Servicios administrados y jerarquía de datos

Manejo de modelos de datos en bases de datos no relacionales

42

Top level collection con Firebase

43

Creando y borrando documentos en Firestore

44

Colecciones vs subcolecciones

45

Recreando Platziblog

46

Construyendo Platziblog en Firestore

47

Proyecto final: transformando tu proyecto en una db no relacional

Bases de datos en la vida real

48

Bases de datos en la vida real

49

Big Data

50

Data warehouse

51

Data mining

52

ETL

53

Business intelligence

54

Machine Learning

55

Data Science

56

¿Por qué aprender bases de datos hoy?

Bonus

57

Bases de datos relacionales vs no relacionales

58

Elegir una base de datos

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Machine Learning

54/58
Recursos

Machine Learning tiene significados que varían. Es una serie de técnicas que involucran la inteligencia artificial y la detección de patrones.
Machine learning para datos tiene un gran campo de acción y es un paso más allá del business intelligence.
Nos ayuda a hacer modelos que encuentran patrones fortuitos encontrando correlaciones inesperadas.

Tiene dos casos de uso particulares:

  • Clasificación
  • Predicción

Aportes 191

Preguntas 7

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

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 enseñar

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

Minuto 11:00 del video, ahí te das cuenta que el Profe Israel no solamente está aquí por enseñar, 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 creación de algoritmos y que todo ese proceso lo haga una computadora

  • Machine learning: como dijo Israel, crea modelo y al señarle te encontrada modelos fortuitos, cuando le des una mar de datos él 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 más y te daras cuenta que es en finales de años y usando deep learning la computadora es capaz de encontrar el porqué te compran más.

Pasa con Machine Learning y con Data Science…

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 científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos.

SQL con esteroides 😉

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

OMG… 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 “Oh si, yo se manejar una base de datos” sino que nos adentramos a cosas más 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!

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

El Machine Learning tendrá mucho auge en el futura, para mí es una de las cosas apasionante en la informática junto a la Inteligencia Artificial.

Machine Learning: Nos ayuda a crear Modelos para encontrar patrones (Clasificación), también para predicción, analizando por ejemplo ventas con relación a información 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 así se puede predecir como serán las ventas en las próximas vacaciones

Me entró la duda y acá está la respuesta de por qué el clima no es puede predecir con exactitud:
https://nomada.gt/blogs/por-que-es-dificil-predecir-el-estado-del-tiempo/

Emocionado …!!! Esas son mis palabras

48. Mis apuntes sobre: “Machine Learning”

Es una serie de técnicas que involucran inteligencia artificial y la detección 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 fáciles de ver para humanos.
La mayoría de modelos están basadas en estadística.
BigQuery se usan para Data Warehouse.
Tienen 2 casos de uso: Problema de clasificación y de predicción.
Procesamiento de lenguaje natural, se le entrena para encontrar algo.

BigQuery usa SQL con esteroides :v

A mi realmente me apasiona hace muchos años. Desde las épocas que programaba en Visual Basic 6.0 alla en el 2003.
Retome recién el año pasado mi vocación por la informática 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 maíz, 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 pasión, el dinero?.que sirva para poder pasar mas horas con esta pasión… pero dinero? dinero tiene cualquiera si te fijas. .

Importante lo que dice el Profesor: Lo que se necesita en las “empresas” es gente EXPERTA EN EL TRATAMIENTO DE INFORMACIÓN, que tenga conocimiento de Data… que se involucre y que no trabaje sino que resuelva problemas

A por machine learning y data science

Hola, hay algún curso en Platzi sobre Big Query?

Muy buen aporte sobre machine learning

El machine learning es un método de análisis de datos que automatiza la construcción de modelos analíticos. 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 mínima intervención humana

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

En el examen la pregunta es esta: ¿Cuáles son las dos funciones básicas de la mayoría de servicios de machine learning?
R/ Clasificación y predicción, da pregunta erronea, qu epasa?

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 días vemos el uso de Machine Learning es en la sección de recomendados de Youtube. Por ejemplo, si tenemos una cuenta y llevamos 3 ocasiones buscando vídeos de gaticos, la inteligencia artificial detectara este patrón en tu usuario y comenzara a recomendarte vídeos que tenga como tópico principal gaticos, ya que esa es su función principal.

Veo mi futuro por este campo

Excelente explicación. A estudiar Machine learning y poner en practica nuestras empresas.

Solucionar el problema de clasificación se hace con algoritmos supervisados. El problema de predicción se hace con algoritmos no supervisados.

para los famosos casos de predicción de votaciones y manipulación de información ala hora de elegir lideres mundiales se utiliza MACHINE LEARNING?

¡Definitivamente esta rama es la que más me interesa!

Nuestros datos nos definen…

“es como un sql con esteroides” hahahah excelente

En algún momento entraré en Machine Learning. Un objetivo a un futuro cercano

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

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

Machine Learning solo es estadística (+ algoritmos) y terminé entendiendo muchos meses después de estudiar ML, lo mejor es saber primero estadística y luego Machine Learning porque luego en avanzado terminas sin saber que es lo que realmente pasa por detrás de las librerías.

Es verdad lo que dice el profesor, ahora no es únicamente saber estadística… ahora se necesita saber base de datos y data mining si quiere aprender más sobre data science.
¡Por eso estoy por acá, para nunca parar de aprender!

quiero que sigan sacando cursos asi de buenos como este 😃😃😃😃😃

¡INCREÍBLE EL PODER DE ESTA HERRAMIENTA!

Me gustó, 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:

Clasificación
Predicción

Lo que me desmotiva es que hace 3 años que salio este curso, no me imagino que tan actualizado debe ser ahora 😦

La realidad de este curso es que el profesor te comparte su pasión por el tema y hace que te involucres a nivel sentimental con las bases de datos y que aprendas con mucha motivación porque explica todo de forma muy clara y sencilla hasta los temas más complicados :)

Machine Learning: Dado un ejemplo, se entrena a la maquina para que esta de forma autónoma registre un conjunto de datos y brinde un análisis encontrando relaciones que son explicitas, o predicciones que a el humano le tomaría mucho tiempo y esfuerzo encontrar.

muy buena definición, 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. ¿Me equivoco?

Los métodos de aprendizaje automático se pueden dividir en métodos supervisados, semi-supervisados ​​y no supervisados. Los métodos supervisados ​​se entrenan en ejemplos con etiquetas (por ejemplo, ‘gen’ o ‘no gen’) y luego se utilizan para predecir estas etiquetas en otros ejemplos, mientras que los métodos no supervisados ​​encuentran patrones en conjuntos de datos sin el uso de etiquetas. Los métodos semi-supervisados ​​combinan estos dos enfoques, aprovechando los patrones en los datos sin etiquetar para mejorar el poder en la predicción de etiquetas.

Machine Learning tiene significados que varían. Es una serie de técnicas que involucran la inteligencia artificial y la detección de patrones. Pero llevándolo 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, Aquí se generan modelos (en base a estadística) 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 año… 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 sí mismos para producir mejores resultados automatizados. Se hacen repeticiones por los datos hasta que se encuentra un patrón sólido.

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

Me motivaste más por el Bussines Intelligence… es increible… gracias profe

Machine Learning

Es el estudio de los algoritmos informáticos que mejoran automáticamente mediante la experiencia y el uso de datos. Permite generar modelos que hayan patrones en los datos.

  • Clasificación
  • Predicción

Te comparto más información sobre Machine Learning. 💚Machine Learning

La pasión con la que Israel enseña es estimulante. Me recordó a mi profesor de física 2 explicando electromagnetismo 😁.

Big Query es un SQL con esteroides"

¿Sera pregunta de examen? 😅

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 😄

ya esto es otro nivel

Muchas gracias por la informaciíon y gracias por el consejo!!!

Muy buen a la información sobre Machine learning , pordrias por favor mencionarnos heramientas concretas para hacer el modelo de predicción .

Con esta explicación se aclara más el panorama y surge el gusto por seguir ahondando conceptos y métodos de tratamiento de los datos para explorar más este concepto. Gracias.

Esto con el BI, es lo más interesante del manejo de datos, con información tienes “poder” y más si con eso tienes toma de decisión lo hace aun más interesante.

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

Genial, increíble toda esta información! Que bueno que nos quitas la duda de si es un requisito indispensable ser matemático puro para aplicar machine learning jaja

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

Machine learning: son técnicas que involucran la inteligencia artificial y la detección de patrones. Tiene un gran campo de aplicación en el mundo de los datos, sobre todo su tratamiento para la generación de predicciones. A diferencia de BI, que busca dar sentido a los datos, ML ayuda a hacer modelos que no buscan un patrón sino que encuentran patrones fortuitos o correlaciones no esperadas.
Tiene dos grandes funciones: procesamiento de lenguaje natural (encuentra patrones en él y los clasifica) y predicción de datos (procesa los datos almacenados y predice futuros comportamientos en función de ellos).

  • Serie de técnicas que involucran la AI y la detección de patrones en diferentes ámbitos.
  • Permite hacer modelos que van a encontrar diversos patrones tomando la info y arrojando correlaciones, patrones, entre otros, que algunas veces no van a ser tan obvios.
  • La mayoría de estos están basados en estadística.
  • Tiene dos modelos básicos:
  1. Problemas de clasificación: Se le da cierta información la cual es procesada para encontrar patrones.
  2. Predicción de datos: Ayuda a la toma de decisiones, dandole información, generando un modelo al cual se le puede dar el restante de información y va a encontrar diferentes relaciones, las cuales me permiten hacer predicciones de escenarios futuros.

MACHINE LEARNING
.
ML (Machine Learning) tiene una connotación muy aplican y depende del contexto.
.
Son una serie de técnicas que involucran la AI (Artificial Intelligence) y la detección de patrones en diferentes ámbitos.
.
ML en las disciplinas de datos tiene un gran campo de aplicación, principalmente se aplica en el tratamiento de datos para encontrar patrones de interés. También 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 mayoría de los modelos de ML están basados en estadística.
.
BigQuery es una base de datos ademas de ser utilizada para el Data Warehouse también utiliza ML para el tratamiento de los datos.
.
ML tiene 2 algoritmos o modelos de base con casos de uso particulares
.
clasificación
.
Esta relacionado con volúmenes de datos. Utilizando una la técnica 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.
.
predicción
.
Esta relacionado con la toma de decisiones tomando como Input un volumen de datos históricos entrenado un modelo procesándolos y como Output genera un modelo entrenado con un determinado porcentaje de precisión. 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 están basados en algebra lineal, regresión 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 matemáticos sino personas expertas en el tratamiento de la información y datos.

tome este curso por como el mismo nombre lo dice “fundamentos de bases de datos” y luego de semanas de estudio, horas sin dormir, 50.000 neuronas fundidas y 54 clases. Ya tengo los fundamentos para entrar al mundo del Ai y ML. Gracias Platzi y gracias profe israel. 💚

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

Aclare las ideas en cuanto a Machine Learning

Cada vez se pone mas interesante este curso.

Lloro con esta clase. Estoy perdiendo el miedo al Machine Learning.
Israel no solo es un gran Educador, sino que es un gran motivador para enfrentar retos.

SQL con esteroides XD

Business Intelligence sirve para análisis descriptivos, Artificial Intelligence para análisis predictivos…

El uso de algoritmos marcará la competitividad y la profesionalidad durante los próximos años.

La tecnología del aprendizaje automático está sirviendo para recopilar y modelar el conocimiento, con el fin de proporcionar información más específica y elaborar mejores herramientas de trabajo para las personas. El uso de algoritmos marcará la competitividad y la profesionalidad durante los próximos años.

“No se trata tanto de generar modelos sino de saber dónde aplicarlos”

El profe explica muy bien los conceptos, he buscado en internet y no habia entendido bien

MACHINE ES LA EVOLUCION, ES LA MATRIX

pues a mí me desmotiva porque soy matemático y estadístico

La función básica de ML o aprendizaje automático o de máquina 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).

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

Como GPT-2 y GPT3 😮

Algo asi como las mujeres cuando analizan chismes jajaja

¿Cuáles son las dos funciones básicas de la mayoría de servicios de machine learning?

Me enamore de esta carrera ❤️

He notado que el profesor menciona constantemente a BigQuery pero no he encontrado ningún curso de este en Platzi.

Realmente entendí de lo que trata el machine learning, pensaba que necesitaba ser un gran matemático

Cuando me pregunten en una entrevista. ¿Qué es el Big Query?

Yo: Un query con esteroides. JAJAJAJA

Un SQL con esteroides XD

Esta clase si que me motivo

Magistral la clase!

Segundo caso de uso: Predicción de datos.

Primer caso de uso: Clasificación.