Justificación y contexto de tu proyecto

1

Cómo crear tu proyecto de ciencia de datos

2

Crea proyectos para afianzar tus conocimientos en ciencia de datos

3

Cada cuánto hacer un proyecto de datos

4

Dónde sacar ideas para proyectos de ciencia de datos

5

Generar y comunicar un proyecto de datos

6

Casos: personas que ya pasaron por este camino

Quiz: Justificación y contexto de tu proyecto

Ejecutando un proyecto de ciencia de datos

7

Plantea una pregunta interesante

8

Obteniendo los datos para tu proyecto

9

Ejecutando: obteniendo los datos

10

Limpieza de la información

11

Ejecutando: limpia tu conjunto de datos

12

Explora y encuentra patrones en la información

13

Ejecutando: exploración de la información

14

Ejecutando: completando la exploración de la información

15

Enriquecimiento de los datos para análisis profundo

16

Ejecutando: enriquecimiento de los datos

17

Aplicando un modelo de machine learning

18

Ejecutando: aplicando un modelo supervisado de machine learning

19

Ejecutando: aplicando un modelo no supervisado de machine learning

20

Ejecutando: aplicando un modelo no supervisado de anomalías

21

Prepara tu trabajo para comunicarlo con el mundo

22

Ejecutando: prepara tu trabajo para comunicarlo con el mundo

Quiz: Ejecutando un proyecto de ciencia de datos

Comunicando los resultados

23

Por qué es importante comunicar los resultados

24

Escribiendo tu primer blogpost técnico

25

Compartiendo en comunidad con tu primera presentación

26

Cómo mejorar tu repositorio en GitHub para ciencia de datos

27

Haciendo deploy de tus modelos

28

Construyendo una aplicación full stack que consuma tu proyecto

Quiz: Comunicando los resultados

Últimos pasos

29

Elige terminar: es mejor terminado que perfecto

30

Recuerda los objetivos del proyecto: practicar y carta de presentación

31

Comparte tu proyecto

32

Share sessions y office hours: comparte y asesorate de tu proyecto

Crea proyectos para afianzar tus conocimientos en ciencia de datos

2/32
Recursos

Aportes 10

Preguntas 1

Ordenar por:

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

Me quedo con esta frase:

Los proyectos nos permiten conectar con el mundo real practicando todos los procesos de la ciencia de datos

Debemos aprender a:

  1. Generar preguntas interesantes

  2. Obtener la informacion

  3. Limpiar los datos

  4. Enriquecer los datos que tenemos

  5. Comunicar de manera efectiva nuetsro proyecto

Que linda clase. SIn duda que es uuna carrera apasionante y que genera un sinfin de oportunidades. Gracias Ricardo.

Mi reflexión: encontrar los elementos finos en un data set vale oro. Es muy buena la recomendación del Maestro en este video. Llegar a ella implica limpiar los datos de toda la basura que traen consigo.

¿Qué significa practicar ?

  • Conexión con la realidad
  • Probar tecnologías
  • Preparar la comunicación
  • Encontrar el siguiente paso
  • Generar preguntas interesantes

Una cosa es formar un conocimeinto abstracto, la otra es aplicarlo o crear cosas con el. Por eso la importancia de la creacion de proyectos.
__
Practicar es ir al mundo real, en la teoria tenemos cosas perfectas, creadas para aprender, pero lo que sucede en la realidad son cosas distintas

Cuando podemos comunicar sobre un tema, es porque realmente tenemos domino sobre el. Si no somos capaces de expresar las ideas sobre este, estamos creando una ilusion de conocimiento.
__
Conocimiento compartido = Conocimiento**2

El cientifico de datos debe enfrentarse a la manipulacion de datos para la creacion de modelos; pues estos datos reales tienen mucha informacion oculta que hace falta sacar; tenemos que enfocarnos y aprender a sacar datos de valor

El machine learning en el mundo real es complejo, la data muchas veces no esta estructurada, o le puede faltar variables