Justificación y contexto de tu proyecto

1

Proyectos prácticos en ciencia de datos: del aprendizaje a la aplicación

2

Proyectos de Ciencia de Datos: Del Teórico al Práctico Realista

3

Cuándo iniciar un nuevo proyecto de ciencia de datos

4

Herramientas de Comunicación para Proyectos de Ciencia de Datos

5

Compartir Proyectos de Ciencia de Datos: Estrategias y Recursos

6

Comunicación Efectiva en Proyectos de Ciencia de Datos

Quiz: Justificación y contexto de tu proyecto

Ejecutando un proyecto de ciencia de datos

7

Construcción de Proyectos en Ciencia de Datos: Planteamiento de Preguntas

8

Búsqueda y Selección de Conjuntos de Datos Eficientes

9

Análisis de Datos Abiertos para Detectar Anomalías en Compras Públicas

10

Limpieza de Datos: Técnicas y Buenas Prácticas

11

Limpieza de Datos con Python y Pandas para Proyectos de Transparencia

12

Exploración de Datos: Análisis Unidimensional y Bidimensional

13

Análisis y Exploración de Datos con Pandas y Matplotlib

14

Análisis Multidimensional y Visualización de Datos en Python

15

Enriquecimiento de Datos en Ciencia de Datos

16

Enriquecimiento de Datos para Modelos de Machine Learning

17

Modelos de Machine Learning: Supervisado y No Supervisado

18

Modelación de Datos con Aprendizaje Supervisado y No Supervisado

19

Clustering y Detección de Anomalías en Datos de Negocios

20

Detección de Anomalías en Datos Financieros con Modelos Gaussianos

21

Organización y Versionado de Proyectos con Git y Github

22

Publicación de Proyectos en GitHub: Limpieza y Conclusiones

Quiz: Ejecutando un proyecto de ciencia de datos

Comunicando los resultados

23

Cómo Compartir Proyectos de Ciencia de Datos Efectivamente

24

Cómo Escribir un Block Post Técnico Efectivo

25

Presentaciones Efectivas en Comunidades Tecnológicas

26

Optimización de Repositorios en GitHub para Impacto Profesional

27

APIs Restful: Construcción y Despliegue Eficiente

28

Creación de Productos de Datos con Python y Herramientas Visuales

Quiz: Comunicando los resultados

Últimos pasos

29

Cómo y Cuándo Dar Cierre a Proyectos de Ciencia de Datos

30

Recomendaciones para Compartir Proyectos de Datos

31

Presentación y Compartición de Proyectos de Ciencia de Datos

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Cómo y Cuándo Dar Cierre a Proyectos de Ciencia de Datos

29/31
Recursos

¿Cuál es el objetivo de tu proyecto de ciencia de datos?

Los proyectos de ciencia de datos suelen comenzar con entusiasmo: una gran exploración de datos, un modelo funcional y visualizaciones impactantes. Sin embargo, es común sentir que algo falta, que el proyecto no está completamente terminado. Esto sucede porque los problemas reales, especialmente en ámbitos como la salud o el análisis de datos, son a menudo interminables. No tienen una resolución definitiva, sino que llevan a conclusiones útiles pero transitorias.

¿Qué significa "Done is better than perfect"?

Esta frase ha perdurado entre generaciones de desarrolladores y propietarios de productos en el ámbito tecnológico. Implica que es preferible entregar algo que funciona antes que obsesionarse con la perfección. La búsqueda de la perfección puede alargar indefinidamente el tiempo necesario para completar un proyecto, llevándolo a un estado asintótico donde cada esfuerzo adicional produce menores resultados.

Es crucial saber cuándo detenerse. Existen varios indicadores útiles para decidir cuándo pausar:

  • Has llegado a una buena conclusión y respondido las preguntas iniciales.
  • Necesitas más recursos para avanzar o has trabajado con una muestra de datos limitada por tus capacidades actuales.
  • Requiere más conocimiento especializado para continuar.

¿Cómo gestionar las pausas en un proyecto?

Pausar un proyecto puede realizarse de dos maneras: de forma activa o pasiva.

  • Pausa pasiva: Consiste en dejar el proyecto para después, usualmente con una fecha específica en mente, retirándolo de la lista de tareas pendientes. Esta forma de pausa permite descansar la mente y refrescar las ideas cuando retomes el proyecto más adelante.

  • Pausa activa: Se caracteriza por continuar buscando consejo, apoyo y comunicando el progreso del proyecto. Aunque no se trabaje activamente en él, las ideas siguen fluyendo y pueden surgir nuevas inspiraciones. Esta forma es especialmente valiosa para mantener la creatividad y el flujo de ideas constante.

Ninguna de estas pausas es mejor que la otra y la elección dependerá del contexto y las necesidades del proyecto y del equipo involucrado.

¿Cómo lograr un cierre satisfactorio?

El aspecto más importante de un proyecto es proporcionarle un cierre. Esto significa sentirte satisfecho con el trabajo realizado, lo que facilita pasar a nuevos desafíos sin arrastrar la incomodidad de lo inconcluso. Sin este cierre, es difícil dar vuelta a la página de manera efectiva.

Recuerda siempre conectar el objetivo de tu proyecto con el por qué de su existencia. Este enfoque asegura que no se pierda el propósito inicial y ayuda a mantener la dirección clara en el vasto mundo de la ciencia de datos.

Aportes 8

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Me gustaría que platzi hiciera la ruta completa para ser un MLOPS y poder poner modelos vivos a trabajar, ademas de poder estimar los costos de los algoritmos trabajando en ambientes de producción, es decir un proceso automatico CI/CD con la menor deuda técnica posible.

TOY VIENDO…

El clásico sí funciona déjalo ahí jajajaj. Sí funciona no lo toques más

Existe también un concepto muy usado en este tipo de casos y es el de “Producto Mínimo Viable” o MVP en inglés (Minimum Viable Product). Es un concepto poderoso en emprendimiento y que aplica muy bien a lo mencionado en esta clase.

Entre más tiempo le pongas, meno te va a dar.

Totalmente acertado, y se va iterando además hay enfoque, Evitar ser un de todito y al final no entregar valor
No olviden la **Ley de Rendimientos Decrecientes**

Momento bueno para parar: Cuando sientes que has dado respuesta a tú pregunta