Seria muy interesante realizar un modelo predictivo entrenado para identificar contratos estatales que puedan tener comportamientos comunes de corrupción.
Introducción
Qué aprenderás sobre crear startups
Qué necesitas para crear una compañía
Qué se necesita para fundar una Startup
Cómo validar tu idea y lanzarla
Cómo hablar con usuarios/clientes potenciales
Cómo lanzar tu startup
¿Cómo validar tu idea?
Landing pages
Entender cómo trabajar con OKRs
¿Qué son los OKR?
¿Cómo plantear OKR?
Herramientas para seguimiento de OKRs
Cómo implementar objetivos para equipos de trabajo
Legal
¿Por qué los asuntos legales son importantes?
Sales & Revenue
¿Por qué las ventas son importantes para las startups?
Sales funnel y sales pipeline
¿Cómo construir un equipo de ventas eficiente?
El modelo de compensación ideal
Aprender sobre Producto y Tecnología
¿Cuál es el papel de CTO?
¿Cómo construir un equipo de ingeniería?
Construir y ejecutar un roadmap de producto de forma eficiente
Errores de producto más comunes
Operación
El rol del COO y por qué es importante
¿Cómo ser un buen COO?
Tips y buenas prácticas
Finanzas de una Startup
Las finanzas en una startup
¿Cómo calcular cuánto puede vivir una startup?
Indicadores financieros importantes en early stage
Indicadores financieros desde serie semilla hasta series A
Indicadores financieros para series A en adelante
Cultura
¿Qué es la cultura, misión y valores de una startup?
¿Cómo dar feedback honesto?
¿Cómo liderar equipos de alto rendimiento?
Priorización
Why focus matters for startups
Key concepts and misconceptions
How to prioritize
How to scale a culture of focus
Growth
Unit Economics
¿Qué es Data Science y por qué es importante?
¿Cómo empezar con Data Science?
Fundraising
Lo básico que debes saber antes de levantar capital
Los principales términos legales que debes saber cuando levantas capital
¿Cuánto vale tu empresa?
Cómo hacer una IPO de pequeña capitalización
Construir una estrategia de levantamiento de capital
Información para construir un pitch
El storytelling detrás de un pitch
¿Cómo aprobar el Taller de Creación de Startups?
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 26
Preguntas 5
Seria muy interesante realizar un modelo predictivo entrenado para identificar contratos estatales que puedan tener comportamientos comunes de corrupción.
Empezar con data science
Roles:
Etapas:
Identificación y entendimiento de datos: De donde vienen, Tamaño de bases de datos, Donde almacenar, preguntas negocio, resultados, interesados, expectativas
Procesamiento de datos: Ingeniero de datos crea ETL: extraer, transforma, darle valor, limpiar, luego de pulirlos, cargarlos. Obtener lo relevante
Garantizar la calidad: Volumen grande, Variedad no sólo numéricos, Valor buenos para responder preguntas, Velocidad que tan rápido se actualizan, Veracidad confianza 100% en ellos.
Donde guardarlos: servicios de la nube.
Modelamiento de datos: no es bueno comenzar con maschine learning, conoce tus datos, aprovecha tu mercado, garantiza la calidad con analítica simple al comienzo,
Test y validación: pon a prueba tus algoritmos.
Comunicar: cuenta una historia para el entendimiento de tus análisis.
Herramientas: Power Bi, bokeh, Google data studio(pago)
Me encantó, me meteré a la escuela de Data Science #SmileduDemoDay2020
le recomiendo a todos los interesados,ver el canal de youtube DOT CSV desde el primer vídeo habla de Inteligencia artificial con una pasión increíble.
Sería chevere que la presentación contenga escritas las fases de las que habla el profe, para poder llevar mejor las anotaciones y en orden!
Empezar a usar machine learning:
Tras una iteración se puede repetir el ciclo, limpiar, obtener nuevos datos y crear primeros análisis predictivos. Ej: cuando se va un cliente. Machine learning identifica patrones de grandes bases de datos.
Algoritmos supervizados: conocer la salida y enseñar el camino a trazar.
Algoritmos no supervisados: útiles para encontrar patrones. Diferenciación de datos
Algoritmos de refuerzo: Se basa en errores, definir la función de recompensa, premia las buenas desiciones, castiga las malas.
Deep learning: basado en redes neuronales, organizados en capas. Capa de entrada, capas de procesamiento, capa de resultado. Neuronas son funciones no lineales que se comunican entre sí.
Implementacion: lenguaje mas popular: Python.
Hola, en archivos y enlaces no vi el link del video de youtube sobre veracidad que mencionaste en la clase. ¿Alguien lo tiene?
muy buena explicación sobre este mundo de Data Science, ya me emociono este mundo , aunque se que hay que darle un poco a números debe ser muy interesante trabajar en cada rol.
Me sonó raro que David mencionara algo de que las neuronas individuales son no lineares, pero al investigar en Internet vienen respuestas que dicen que son lineares y otras que no lo son. Alguien podría aclarar la confusión por favor? Gracias
Te felicito David Torres explicaste de una manera muy pragmatica, eres todo un crack te felicito
Big data:
En econometría se ven bastante esto pero en mi universidad aún siguen enseñando Eviews para procesar datos. No les tenia tanto cariño en la u sobre esos cursos,me parecían aburridos. Al terminar esta clase me han dado ganas inmensurables de aprender toda la carrera de data sciene.
Por fin entiendo (a manera muy general) jijiji
Las 5 v’s del Big data:
Volumen: Una base de datos debe tener gran volumen, entre mayor volumen mayor precisión de tus modelos.
Variedad: no te puedes limitar solo a datos del tipo numérico, debes tener variedad como imágenes o texto.
Valor: Tus datos deben ser suficientemente buenos para responder tus preguntas de negocio.
Velocidad: Que tan rápido puedes actualizar tus bases de datos y que tan rápido quieres que tus reportes se estén generando.
Veracidad: Tus datos deben ser 100% confiables.
–
Tipos de analítica en un proyecto de data science:
Se imaginan el equipo de data science en Tesla, debe ser algo uff.
Analista datos, trabaja con la información descriptiva.
Cientifico dato, adicional a las habilidades del analista de datos que usa el deep learning e AI. Además se tiene que tener al ingeniero de datos que desarrolla, construye, prueba y mantiene arquitecturas, bases de datos y sistemas de procesamiento a gran escala.
Interesante, empezare a aplicar estas predicciones con mis usuarios. con los datos de análisis exploratorios !!!
✌
DATA ENGINEER
Este se encarga de:
¿Alguien tiene el enlace del vídeo de youtube que menciona el profesor?
😮 que super clase!!!
¡Excelente módulo!
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?