No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Roles en la industria: cómo funcionan los equipos de datos e inteligencia artificial

4/15
Recursos

Dentro de la industria de Data Science existen varios roles diferenciados, pero esto no siempre fue de esta forma. En el pasado las empresas usaban el término Data Scientist para la persona que se encargaba de todas las tareas de datos en general.

Con el tiempo se fueron creando nuevos términos para referirse a las personas que se encargaban de ciertos procesos dentro del flujo o proceso de la Data.
Varios piñones interconectados, con iconos dentro sobre tecnología.
Además, dentro de una compañía no se puede iniciar a implementar modelos de Machine Learning en conjunto con el producto sin antes tener una cultura Data-Driven para poderlo hacer.

De esta forma se origina la pirámide de las necesidades de Data Science.

Pirámide de necesidades de Data Science

La pirámide de necesidades de Data Science nos explica cuál es el orden de las etapas que las empresas deben seguir para su desarrollo en la cultura Data-Driven.

Piramide_Data_science.jpg

Esta nos define que dichas etapas tienen el siguiente orden:

  1. Recolección de datos
    • Instrumentación
    • Logging (creación de cuentas de los usuarios)
    • Sensores
    • Datos externos
    • Contenido generado por el usuario
  2. Movimiento y Almacenamiento
    • Datos confiables
    • Flujo
    • Infraestructura
    • ETL (Extract, Transform, Load)
    • Datos estructurados (es decir, que ya están organizados o clasificados por alguna estructura estándar)
    • Datos no estructurados (quiere decir que los datos están sueltos por ahí)
  3. Exploración y transformación
    1. Limpieza.
    2. Detección de anomalías
    3. Preparación
  4. Agregaciones y etiquetado
    • Estadísticas
    • Métricas (son como las medidas de una actividad en concreto)
    • Segmentación
    • Agregaciones
    • Características
    • Entrenamiento de datos
  5. Aprendizaje y optimización
    • Pruebas A/B
    • Experimentación
    • Algoritmos simples ML
    • Inteligencia artificial
    • Deep Learning

Roles en la industria Data Science

A las etapas anteriores se les añaden los roles que se van a encargar de hacer las tareas y actividades correspondientes para que los datos sigan su curso. Algunos de estos roles suelen tener un enfoque, ya sea con el negocio o con la ingeniería.
Flujo_de_roles.jpg

Data Engineer

Es la persona encargada de construir y mantener todo el ambiente sobre el que habitarán los datos. Por lo que se encuentra en la base de la pirámide y está más enfocada en la ingeniería.

Data Scientist

Este rol se encarga de ejecutar los métodos necesarios e indicados para analizar la etapa actual, como también hacer predicciones del futuro por medio de modelos de Machine Learning, con el fin de encontrar información valiosa para crear estrategias y productos que beneficien al consumidor.

Data Analyst

Se encarga de estar en una constante búsqueda de necesidades de información que tengan las distintas áreas del negocio, para poder investigarlas y dar respuesta que sea útil para la resolución de problemas y mejoramiento de procesos.

A diferencia del rol de Data Scientist, este solamente analiza el presente.

Research Scientist

Es un rol reciente en la industria, que trata sobre servir de traductor de los diferentes hallazgos que se encuentren en el equipo de data, como también a la hora de traducir las necesidades del negocio para el equipo de data.

Machine Learning Engineer

Se ocupa de evaluar y dar seguimiento a los modelos de Machine Learning planteados, el rol de Data Scientist, como también de comunicarse con el equipo de developers, para la correcta y eficiente implementación de los modelos y el producto.

Developer

El rol se encuentra dentro de un equipo de ingeniería dedicado a desarrollar el producto de la empresa.

Ya sea en el backend o en el frontend, debe hacer parte de la implementación de los modelos de Machine Learning con el producto.

Ahora ya conoces la jerarquía de necesidades del mundo de data science

De esta manera, queda clara que los roles más importantes en la industria de la Data son:

  • Data Engineer
  • Data Scientist
  • Data Analyst
  • Research Scientist
  • ML Engineer (Machine Learning Engineer)

Eso no quita que existan otros aún más especializados, que demanden las empresas con alto desarrollo de la cultura Data-Driven. Construye tu carrera en Data Science con Platzi.

Contribución creada por: Ismael H.

Aportes 298

Preguntas 33

Ordenar por:

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

¡Genial! Piramide de Maslow pero en Data Science

Creo que es fundamental educar a las pymes y emprendedores para que conozcan la importancia de crear, mantener y actualizar una base de datos.

Que gran ayuda sería contar con todo la información bien almacenada y organizada para poder para más tarde analizarla y obtener insights valiosos para el negocio.

Les comparto mis apuntes

Voy a comenzar en Data Analyst y luego voy a seguir aprendiendo.

JERARQUÍA DE NECESIDADES DE DATA SCIENCE
1. Etapa de recolección de los datos: Los datos pueden venir de diversas fuentes dependiendo de la industria (páginas web, sensores, instrumentación…)

2. Etapa de Almacenamiento/Movimiento: Los datos se deben movilizar y almacenar a través de una infraestructura o un pipeline.

3. Etapa de Exploración y transformación: Se deben limpiar los datos, detectar errores y anomalías y prepararlos para un posterior análisis.

4. Etapa de Análisis: Se buscan métricas, segmentaciones, agregaciones y distintas características para convertir los datos en información y posteriormente en conocimiento.

5. Etapa de IA: Se generan predicciones y se visualiza el futuro de la organización.

Data engineer:
Ingesta de datos
Validación de datos
Preparación de datos
Recolección, transformación, limpieza y almacenamiento de base de datos

Data Scientist:
Primeras personas en crear modelos de ML e interactuar con los modelos. Entrenan, evalúan y validan los modelos.

Data analyst:
Toman los datos de las base de datos que los data engineer prepararon y los analizan para encontrar información de valor.
Insights que las personas del negocio puedan usar para tomar estrategias y acciones.

ML Engineer:
Trabaja de la mano con data scientist. Robustece el modelo y pone en producción. Despliega el modelo con ayuda de developers para que funcione en una aplicación y puedan ser utilizados en una interfaz por usuarios.

Developers: Ingenieros de software que trabajan con ML engineers.
Research scientis: Estudia nuevos algoritmos y nuevos usos de IA.

Roles de la industria:

  • Data science

  • Data analysis

  • Data engineer

  • Machín learning engineer.

Machine Engineer es la ruta que seguire.

me interesa el rol de Data Analist. Difícilmente una empresa pueda sumar valor a sus productos con Data Science sin antes reconocer el valor de los datos y cultivar una cultura data-driven. Es facil decirlo y suena lindo escucharlo, pero es muy difícil de implementar.

Como complemento a esta clase, pueden ver este video de un Data Scientist que explica a detalle su función y despeja muchas dudas. Tienen que verlo!
https://www.youtube.com/watch?v=xC-c7E5PK0Y

Resumen: El proceso tanto de data science (y si se quiere ir más allá con inteligencia artificial) tienen unos pasos delimitados; recolección, almacenamiento, transformación, agregación, aprendizaje y producción. Cada etapa superior es dependiente de la anterior. Los roles de data science se caracterizan por gestionar cada asunto. Data engineer; recolección y limpieza de datos, data scientist; creación de un modelo, data analyst; extrae información de valor de las bases datos para ayudar a los miembros de la organización tomar decisiones y ML engineer se encarga con ayuda de un ingeniero de software mejorar y robustecer un modelo para lanzarlo a producción. El research scientist busca nuevos algoritmos y formas de implementar inteligencia artificial

Data Analyst y Data Scientist me interesan 😁

Yo vengo por el ML engineer

Amigos, sea cual sea el rol que elijan, no se arrepientan porque vamos a crear mucho valor a la tecnología!
Me encanta que todo lo que vimos en DataAcademy volvamos a repasarlo en este curso 🥰

MACHINE LEARNIIIING A TOPEEEEEEE!!!

Vengo y mi objetivo es formarme como Data Scientist

Me gustatia el rol de ML engineer ya que trabajan a la mano con developer y buenp yo soy fullstack web developer asi que complemento mi profesion y no estoy iniciando una profesion nueva hahahah

Estoy entre Data Analyst y Data Scientist, creo que voy a comenzar primero con Data Analyst y de ahí seguir hacia Data Scientist

Empezare con Data Analyst 😄

Me interesa mucho el llegar a construir modelos de predicción de eventos, esto lo haría por ejemplo para evaluar riesgos en inversiones financieras.
Sin embargo para llegar a esos niveles, entiendo que debería empezar como Data engineer para aprender a tener datos confiables y “limpios” para tener como resultado información de valor. Luego de esto pasaría a Data Analyst porque me interesa el llevar esto a los negocios para toma de decisiones y de estrategias empresariales, teniendo en cuenta que las pymes necesitarán mucho de esto para diferenciarse, veo esto como un futuro negocio.

Data Analyst es el perfil que más se adapta a mis habilidades por ser más conocedores del negocio

Comenzaré como Data Analyst y despúes trataré de llevarlo a Data Scientist

Data Engineer y Data Analyst, son los roles que me interesan!!

Yo me ubico actualmente como data analys, estoy en contacto con el negocio, aunque me inclino mas por la parte developer y de ML me parece interesante ser un enlace entre los datos y el diseño web

Un Data Analyst es clave para una empresa. Es la persona que CONOCE Y ENTIENDE EL NEGOCIO: analiza e interpreta los datos de la empresa y los convierte en información relevante para la compañía. Gracias a estos datos debidamente procesados, la empresa puede tomar las decisiones más acertadas para su futuro.
Me dedico a temas de eficiencia energética y me gustaría implementar ML para mejorar las predicciones en el rendimiento de sistemas térmicos.
Estoy muy emocionado de convertirme en Machine Learning es justo lo que mejor se me da para evaluar algoritmos y ver si están bien implementados. Gracias platzi por existir mi vida está cambiando mucho.

Roles en Ciencia de Datos y sus áreas relacionadas

  1. Científico de datos: Este rol se encarga del análisis y modelado de datos para extraer información y generar conocimientos. Se relaciona con las áreas de Matemáticas y Estadística, así como Ciencias Computacionales.

  2. Ingeniero de datos: Este rol se centra en la gestión y procesamiento de grandes volúmenes de datos. Está estrechamente vinculado con el área de Ciencias Computacionales.

  3. Analista de datos: Este rol se dedica al análisis exploratorio de datos y la generación de informes. Se relaciona con las áreas de Matemáticas y Estadística, y Ciencias Computacionales.

  4. Especialista en aprendizaje automático (Machine Learning) : Este rol se enfoca en el desarrollo y aplicación de algoritmos de aprendizaje automático para construir modelos predictivos y de clasificación. Se relaciona con las áreas de Matemáticas y Estadística, así como Ciencias Computacionales.

  5. Consultor de datos: Este rol implica trabajar con clientes o equipos internos para comprender sus necesidades y brindar soluciones basadas en datos. Requiere habilidades de comunicación y conocimiento del dominio del negocio.

Hola a todos. Siempre me ha gustado los temas de informática y ahora dispongo de tiempo para dedicarle que antes no lo tenia. Encuentro en todos sus comentarios y anotaciones información muy valiosa adicional a lo que nos comparte de manera tan clara el profesor. Muchas Gracias

He estado en todos esos roles

Hola, a mí me interesa seguir con mi rol de Developer, Frontend. He llegado aquí después de lograr el reto de Maratón IA, lo hice completando cursos de uso de interfaces para usuario final. ChatGPT
.
Reconociendo lo importante y revolucionario que la tecnología dentro de mi perfil T necesito tener nociones de cómo funciona el embudo IA.
.
En esta clase los recursos compartidos, la pirámide de Maslow para IA y la línea de roles asignados con las etapas del proceso son increíbles, es exacto lo que esperaba encontrar cuando decidí venir a las bases, LOS FUNDAMENTOS de cómo se hace la IA, los GPTs, los Diffusers
.
De escoger un segundo rol, escogeré Machine Learning Engineer. En los personal no me gusta el proceso, el tratamiento, la limpieza, la comprobación o la estructuración que debes tener con los datos. Me gusta poder expresarme de manera creativa. Igual sé que aprender de estos roles es importante, incluso cuando no buscaré trabajo en ello.

Elegiría el rol de Data Scientist al poder implementar los diferentes modelos de Machine Learning como los que encontré investigando más.

tomado de: https://www.aprendemachinelearning.com/7-pasos-machine-learning-construir-maquina/

quiero aprender a sacar informaciñon de secuenciación de tumores (trascriptomica, genomica, metiloma) de pacientes para poder encontrar las suceptibilidades de sus tumores y poder generar reportes de medicina de presicion que apunte a encontrar cual es el mejor tratamiento individualizado… seria como un data scientist en bioinformatica. 😃

  1. Recopilación de datos: En esta etapa, se recolectan los datos de diferentes fuentes como bases de datos, archivos, encuestas, web scrapping, entre otras. El objetivo es obtener los datos necesarios para el análisis y modelado.

  2. Preprocesamiento de datos: Una vez que se han recopilado los datos, es necesario preprocesarlos para que sean utilizables en la etapa de análisis y modelado. Esto incluye limpiar, transformar y combinar datos de diferentes fuentes.

  3. Análisis exploratorio de datos (EDA): En esta etapa, se realizan análisis preliminares de los datos para obtener una comprensión más profunda de las relaciones y patrones subyacentes en los datos.

  4. Modelado de datos: En esta etapa, se aplican técnicas de modelado de datos para crear modelos predictivos y descriptivos que puedan ser utilizados para realizar análisis más complejos y respaldar la toma de decisiones.

  5. Interpretación de resultados: En esta etapa, se interpretan los resultados obtenidos del modelado de datos para comprender mejor los patrones y relaciones en los datos y utilizar esta información para la toma de decisiones.

Roles en las industrias:

  1. Data scientist: Mónica Rogati
    Basada en las necesidades de Maslow

a. Instrumentación: Recolección de datos
b. Almacenamiento, movimiento
c. Exploración y tranformación: Limpieza y detección de datos
d. Analítica de datos, dashboard, segmentación: Pueden tomar decisiones con esos análisis
e. IA: Con machine learning, podemos ver hacia el futuro de la organización
f. Deep learning: Generar productos con IA.

ROLES

Data analyst primero, a ver si luegome animo a más

Me ha gustado mucho el data science, pero creo que mejor seria empezar por el data Analyst para empezar a entender este gran mundo de los datos. ¿ que creen ustedes?

Unir la piramide con los pasos es muy interesante!
Por que se va observando los perfiles a tener para hacer ciencia de datos.

La ciencia de datos será el futuro, pero necesitamos ver lo a nivel global

Machine Learning Engineer es mi camino a seguir.

Pasos y roles del flujo de trabajo de Data Science

Me quedo con el rol de Data Scientis!
Muchas gracias por explicarlo claramente

Data Analyst ![](https://i0.wp.com/townsquare.media/site/442/files/2015/10/Hiddleston-De-Niro.gif?resize=456%2C257\&ssl=1)
Yo ya he ejercido el rol de Data Engineer en varios proyecto pero me daban el rol de Analista de Datos, me gustaría enfocarme en el rol de ML Engineer pues me parece interesante .
Data Analyst y Machine Learning Engineer me intetesan
**Roles:** 1. **Data Engineer**: Es responsable de diseñar, construir, y mantener sistemas de datos, pipelines y arquitecturas para la adquisición, almacenamiento, y procesamiento de datos. Se enfoca en la infraestructura necesaria para que los científicos de datos puedan realizar su trabajo de manera efectiva. 2. **Data Scientist**: Se encarga de analizar datos complejos para descubrir información útil que pueda guiar la toma de decisiones empresariales. Utiliza una variedad de técnicas, como el aprendizaje automático, para extraer conocimientos de los datos y construir modelos predictivos. 3. **Data Analyst**: Se enfoca en interpretar conjuntos de datos complejos para identificar tendencias, analizar resultados y traducir los datos en información significativa para respaldar la toma de decisiones. A menudo trabaja con bases de datos y herramientas de visualización de datos. 4. **Research Scientist**: Se centra en la investigación y el desarrollo de nuevos enfoques, algoritmos y modelos para resolver problemas complejos de datos. Trabaja en estrecha colaboración con otros profesionales de datos para aplicar estos avances en escenarios prácticos. 5. **ML Engineer (Machine Learning Engineer)**: Diseña, implementa y mantiene sistemas de aprendizaje automático en producción. Su trabajo implica desarrollar y optimizar algoritmos de aprendizaje automático, así como integrarlos en aplicaciones y servicios existentes.
Wow aprendi un monton, muchas gracias por la clase y los aportes, soy medico y quisiera aprender mucho mas sobre ciencia de datos y IA para poder aplicarlo en mi rubro, que cursos más me recomendarian? y Creen que es posible trabajar en tecnologia siendo doctora??
MI APORTE **En esta clase, se abordaron los siguientes temas:** **1. Importancia de los datos e inteligencia artificial en la industria actual:** * La industria actual está impulsada por los datos y la inteligencia artificial. * Los datos se utilizan para tomar decisiones estratégicas, mejorar la eficiencia operativa y crear nuevos productos y servicios. * La inteligencia artificial se utiliza para automatizar tareas, realizar análisis predictivos y personalizar la experiencia del cliente. **2. Roles en la industria de datos e inteligencia artificial:** * Se describen los roles más importantes en la industria de datos e inteligencia artificial, incluyendo: * **Científico de datos:** responsable de la limpieza y análisis de datos, desarrollo de modelos de aprendizaje automático. * **Ingeniero de datos:** responsable de la construcción y mantenimiento de la infraestructura de datos. * **Analista de datos:** responsable de la interpretación y comunicación de los resultados del análisis de datos. * **Ingeniero de aprendizaje automático:** responsable de la implementación y mantenimiento de modelos de aprendizaje automático en producción. * Se explica cómo estos roles interactúan entre sí para crear un equipo eficaz de datos e inteligencia artificial. **3. Habilidades y herramientas necesarias para trabajar en la industria de datos e inteligencia artificial:** * Se describen las habilidades y herramientas necesarias para cada rol en la industria de datos e inteligencia artificial. * Se mencionan algunas herramientas populares como Hadoop, Spark, Python, R, TensorFlow y PyTorch. **4. Ejemplos de cómo se utilizan los datos e inteligencia artificial en diferentes sectores:** * Se dan ejemplos de cómo se utilizan los datos e inteligencia artificial en sectores como la salud, finanzas, retail y manufacturing. **5. Importancia de la ética y la responsabilidad en el uso de datos e inteligencia artificial:** * Se destaca la importancia de la ética y la responsabilidad en el uso de datos e inteligencia artificial. * Se mencionan algunos ejemplos de sesgos y discriminación que pueden ocurrir en el uso de algoritmos de inteligencia artificial. **6. Oportunidades laborales en la industria de datos e inteligencia artificial:** * Se menciona que la industria de datos e inteligencia artificial es un campo en rápido crecimiento con muchas oportunidades laborales. * Se dan consejos para encontrar trabajo en la industria de datos e inteligencia artificial.
ML engeneer el mas top e infravalorado
Me facina la idea de ser Data engineer, trabajar en los sistemas de recolección y estructurar los datos, para lograr generar grandes bases interrelacionadas, rastreando posibles datos fuera de metrica, errores, depurando toda la información. Todo en el mundo genera datos, hay que saberlos capturar y depurar.
Todos los roles tienen gran importancia en le proceso, sin embargo desde mi particular punto de vista, Data Scientist y ML engineer son la parte medular que le da vida.
Una de mis metas para el 2024 es poder enfocar mi carreraa la data. Espero poder terminar toda esta ruta de aprendizaje a tiempo!
Un esquema general de la ubicación de todos los roles, creo que es una "clase clave"
Super bien desglosado lo roles de equipos de data science. Para no tener mucho conocimiento sobre el tema me da una idea clara de donde esta cada uno y que camino de acuerdo a mis habilidades, podría tomar.
Que chevere suena Data Analyst
la verdad me gustan todos los roles y me gustariaa aprender todos incluso el de research scientist y developer
Me llama la atención el de research scientist o data scientist
pregunta, una vez realizados los cursos y haber ganado experiencias logras sortear el item de requisitos para oferta en el item estudios a fines? ?
Inicialmente me ha llamado siempre la atención el front-end. Ya llevo varios años queriendo aprender conceptos pero algo no me cerraba. Estoy tomando esta ruta solo por curiosidad y encuentro que el Data Science me llama poderosamente la atención. El pesar que analiza los datos del presente teniendo la habilidad de predecir el futuro para regalarle un beneficio al usuario me parece hermoso. Yo, quiero llegar a hacer eso.
Se traba mucho el video...
A mi me gustaria tener un rol tipo de Date Analyst, puesto a que ese en ese control de información, que uno puede ver a rasgos generales pude idear soluciones, estrategias, etc.
Conoce a tu enemigo y conócete a ti mismo; en cien batallas, nunca saldrás derrotado. Si eres ignorante de tu enemigo pero te conoces a ti mismo, tus oportunidades de ganar o perder son las mismas. Si eres ignorante de tu enemigo y de ti mismo, puedes estar seguro de ser derrotado en cada batalla. ARTE DE LA GUERRA. El análisis debe ser tanto interno como que hace la competencia saber sus promociones y estrategias. En lo externo tambien debemos saber las tendencias, nuevas modas de gustos/preferencias y nuevas tecnologias y situación de la economía.
Me interesa más saber del negocio DATA ANALIST.
1 data scientist -> ML engineer
Los equipos de datos e inteligencia artificial (IA) generalmente están compuestos por profesionales con diferentes roles y habilidades que colaboran para desarrollar soluciones basadas en datos y IA. Aquí te explico cómo funcionan estos equipos de manera general: 1. Definición del problema: * El proceso comienza identificando un problema o una oportunidad que se puede abordar utilizando datos y IA. Esto implica comprender las necesidades del negocio o la organización y definir claramente los objetivos del proyecto. 2. Recopilación de datos: * El equipo de datos se encarga de recopilar y almacenar los datos necesarios para abordar el problema. Esto puede implicar la extracción de datos de diversas fuentes, como bases de datos, registros de transacciones, sensores, redes sociales, entre otros. 3. Limpieza y preparación de datos: * Los datos suelen ser crudos y ruidosos, por lo que el equipo de datos realiza tareas de limpieza y preparación para asegurarse de que los datos sean coherentes y estén listos para el análisis. Esto implica eliminar valores atípicos, datos faltantes y errores. 4. Análisis exploratorio: * Los analistas de datos exploran los datos para identificar patrones, tendencias y relaciones. Utilizan herramientas de visualización y estadísticas descriptivas para obtener una comprensión más profunda de los datos. 5. Ingeniería de características: * En esta etapa, el equipo de datos puede crear nuevas características o transformar las existentes para mejorar la calidad de los datos y hacer que sean más adecuados para los algoritmos de IA. 6. Modelado de IA: * El equipo de IA se encarga de diseñar, entrenar y evaluar modelos de IA. Esto implica la selección de algoritmos adecuados, la división de los datos en conjuntos de entrenamiento y prueba, y la optimización de los hiperparámetros. 7. Implementación: * Una vez que se ha desarrollado un modelo de IA que cumple con los objetivos del proyecto, se implementa en un entorno de producción. Esto puede requerir la integración con sistemas existentes o la creación de una aplicación independiente. 8. Evaluación continua: * Después de la implementación, el equipo de datos e IA monitorea el rendimiento del modelo en producción y realiza ajustes según sea necesario. Esto puede incluir la reentrenamiento periódico del modelo con nuevos datos. 9. Comunicación y colaboración: * Durante todo el proceso, es fundamental la comunicación y la colaboración entre los miembros del equipo de datos e IA, así como con otras partes interesadas en la organización, como el equipo de gestión y los usuarios finales. 10. Entrega de valor: * El objetivo final es que el equipo de datos e IA entregue soluciones que generen valor para la organización, ya sea a través de la automatización de tareas, la toma de decisiones más informadas o la mejora de la eficiencia operativa. En resumen, los equipos de datos e IA trabajan en conjunto para resolver problemas y aprovechar oportunidades utilizando datos y algoritmos de IA. Cada miembro del equipo desempeña un papel específico en el ciclo de vida del proyecto, desde la recopilación de datos hasta la implementación y el mantenimiento de soluciones basadas en IA. La colaboración y la comunicación efectivas son clave para el éxito de estos equipos.
Suena a que el Data Scientist tambien puede ser Research scientist y ML engineer puede serlo el Data Analyst
¿Que son pipelines ETL etc? estaria padre un glosario

me atrae mucho ML + developer, ya que los retos son grandes e interesantes a la hora de desarrollar prototipos. que interesante es el campo de la tecnologia .

Me interesaron el rol de "Research Scientist", el de "Machine Learning Engineer" y por supuesto el de Developer + Machine Learning (backend).
# ML Engineer & Developer, sin dudas.

Análisis de Datos

  1. Data Engineer: Un especialista en la gestión y procesamiento de datos para crear infraestructuras sólidas y eficientes.

  2. Data Scientist: Un profesional que analiza datos complejos para tomar decisiones y descubrir patrones y tendencias.

  3. Data Analyst: Un experto en la interpretación de datos para proporcionar información valiosa a las empresas.

  4. Research Scientist: Un investigador que utiliza métodos científicos para resolver problemas y generar conocimiento en diversas disciplinas.

  5. ML Engineer (Machine Learning Engineer): Un ingeniero especializado en desarrollar sistemas de aprendizaje automático para aplicaciones y productos tecnológicos.

Data Analyst me gustaaa !
me gustaria ser analista de datos
me gustaría ser data scients y data enginer

Teóricamente !!

Clase 4 - Roles en la industria: Cómo funcionan los equipos de datos e inteligencia artificial


Repaso de la clase


¿De qué se ocupaba en el pasado el rol de Data Scientist?

  • En el pasado, cuando esta rama estaba en surgimiento, esta rama se encargaba de prácticamente de todo el proceso.

¿Cuáles son los roles más importantes que existen hoy en día en Data Science?

  • Data Scientist.
  • Data Analyst.
  • Data Engineer.
  • Research Scientist
  • Machine Learning Engineer.

¿Qué nos puede ayudar a entender cómo las empresas implementan Data Science e Inteligencia Artificial?

  • La pirámide o jerarquía de las necesidades de Data Science.

¿Quién creó la pirámide o jerarquía de las necesidades de Data Science?

  • Mónica Rogati.

¿En qué lugar Mónica Rogati publicó la pirámide o jerarquía de las necesidades de Data Science?

  • En la revista Hackernoon.

¿En que está basada la pirámide o jerarquía de las necesidades de Data Science?

  • En la pirámide de las necesidades humanas, propuesta por Maslow.

¿Podemos implementar un modelo de ciencia de datos en una empresa de un momento a otro?

  • No.

¿Por qué no podemos implementar un modelo de ciencia de datos en una empresa de un momento a otro?

  • Porque en ese momento no se hay una infraestructura para ello.

¿Cuáles son las etapas o pisos de la pirámide o jerarquía de las necesidades de Data Science?

  • Recolección.
  • Movimiento / Almacenamiento.
  • Exploración / Transformación.
  • Agregaciones / Etiquetado.
  • Aprendizaje / Optimización.

¿Qué se usa en la etapa de “recolección" de la pirámide o jerarquía de las necesidades de Data Science para recolectar datos?

  • Instrumentación.
  • Logging.
  • Sensores.
  • Datos externos.
  • Contenido generado por el usuario,

¿Qué usamos en la etapa de “movimiento / almacenamiento” de la pirámide o jerarquía de las necesidades de Data Science para guardar los datos almacenados?

  • Infraestructura.
  • Pipelines.
  • ETL
  • Convertimos los datos obtenidos en datos confiables, estructurados y no estructurados.

¿Qué hacemos en la etapa de “exploración / transformación” de la pirámide o jerarquía de las necesidades de Data Science?

  • Limpieza de datos.
  • Detección de anomalías.
  • Preparar los datos para un análisis.

¿Qué hacemos en la etapa de “agregaciones / etiquetado” de la pirámide o jerarquía de las necesidades de Data Science?

  • Analytics.
  • Métricas.
  • Segmentaciones.
  • Agregaciones.
  • Entrenamiento de datos.

¿Qué hacemos en la etapa de “aprendizaje / optimización” de la pirámide o jerarquía de las necesidades de Data Science?

  • Pruebas A/B
  • Experimentación con algoritmos simples de Machine Learning.
  • Deep learning.

¿De qué pasos se encarga el Data Engineer en el proceso de implementación de machine learning en productos?

  • Ingesta de datos
  • Validación de datos.
  • Preparación de datos.

¿De qué pasos se encarga el Data Scientist en el proceso de implementación de machine learning en productos?

  • Entrenamiento del modelo.
  • Evaluación del modelo.
  • Validación del modelo.

¿De qué se encarga el Data Analyst en el proceso de implementación de machine learning en productos?

  • De buscar las necesidades de información en diferentes áreas de negocio. Esto con el fin de mejorar la resolución de problemas y mejoramiento de procesos.

¿Quién se encarga de darle los datos al Data Analyst?

  • Data Engineer.

¿De qué pasos se encarga el Machine Learning Engineer en el proceso de implementación de machine learning en productos?

  • Evaluación del modelo
  • Validación del modelo.

¿Qué rol ayuda al Machine Learning Engineer a pasar a producción el producto?

  • Developer.

¿De qué pasó se encarga el Developer en el proceso de implementación de machine learning en productos?

  • Interfaz de usuario.

¿Cuál es la función del Research Scientist en el proceso de implementación de machine learning en productos?

  • Estudiar nuevos algoritmos.
  • Desarrollar nuevas formas de implementar inteligencia artificial en la empresa.

Algo similar al curso de programación

He visto varias de las clases y es necesario que a parte de lo que se explica en teoría también haya una práctica

A lo que decía me encantaría visitar la sede de Platzi y entendí esto de la inteligencia artificial de iba mañana mejor

Muy buenas noches
Estaba revisando , esto sí que tiene su proceso, y es más que análisis de datos y es necesitarío tener un profesor

Data analyst es el rol que más me identifica

Date analyst

Súper interesante
Aprender de cada una de estas ahora sí el reto sería ponerla En práctica

Me interesa mucho DATA SCIENTIST!!!

Data analyst

piensalo en como tomas una decicion, digamos que estas en el centro comercial y quieres comprarte teclado mecanico de cherrimx (digams que hay muchos de diferente precios size’s formas entre otros) pero quieres el que sea mejor caliad precio.

recoleccion: le preguntas atodos los vendedores cuanto cuesta cada teclado y que tipo de teclados son, especificaciones (venga todo el catalogo mientras mas datos mejor)

movimiento/ almacenamiento: le pides al vendrdor un pdf con los precios de los teclados y los guardas en la nuve de google clound.

exploracion y transformacion: decartas todo lo que no se un teclado mecanico de cherrymx (los swiches, vale?) y clasificas entre caracteristicas y precio del resultado que te dio ( de repente havian unos que no tenian rgb o el pad para las manos entre otros accesorios quee quieres quee tenga tu teclado ideal )
ya con esto podrias solo escojer el teclado que mas barato sea pero quieres implementar ia para que sea mas optimo (para no escojer un teclado que si tiene todos los lujos que pedias pero a la final no saves si te durará)

agregaciones y etiquetado : contodo el volumen de teclados que tienes entrenas a una ia con ls teclados que tienes y le dics que escoja el que mas se ajusta a tus nesesidades (como el rendimiento los comentarios de otras personas likes y dislikes en todas las tiendas, vale un monton de datos de entrenamiento )

apendisaje/ optimizacion: ya con el modelo entrenado con los datos le pasas el volumen de teclados a analizar yle pides que te diga cual es el mejor prosesa todo, se tarda su tiempo y te dice que hay una provavilidad del 72% que el teclado ######## de cherrymx se ajuste a tus gustos y nesesidades

vas a la tienda y te lo compras 😃

3 dias despues te aburres y le cambias los swiches, pero que swichs se adaptan mas para ti?

Yo me quedo con Data Scientist… por ahora. jeje

MONICA ROGATTI piramide de necesidades de Maslow

Data engineer
Data scientist
Estas serían las ramas que escogería, actuyalmente en mi trabajo como ingeniero de Mtto & Confiabilidad modelo mucha información para determinar fallas y proyecciones de acuerdo al comportamiento de la operación de activos

Como creador de contenidos, he tenido experiencia con el análisis de datos y métricas en las social networks y Google Analytics, porque el copy y el seo requieren de un conocimiento muy cercano sobre las tendencias del mercado en el contexto específico del producto que desarrollas; esto me hace pensar que mi especialización en la Data science está más vinculada con los equipos de Data Analyst… Por allí empezaré.

A mi me gustaria ser un ML Enginer

estoy de acuerdo con esta grafica, muy clara

Creo que por experiencia sería necesario escalar, pero la idea es ser Data Science

QUE BUENOS DATOS…😃

cn esto que llevo no se que me gusta aun pero sigamos

Es muy apasionante pertenecer al equipo de Engineering son una parte del flujo de trabajo importante!!!

Personalmente lo he hecho a menor escala, gestiono una bodega de una multinacional y solo ordenando, limpiando y procesando los datos en un simple Excel pude generar información suficiente para la toma de decisiones que permitió varias mejoras en el proceso, me entusiasma mucho pensar en trabajar con grandes cantidades de datos y todo lo que se podría lograr a nivel logístico en mi desarrollo profesional.
A mi me encantaría estar en las primeras etapas, y ser quien analice los datos y pueda encontrar y traducir esos datos en oportunidades de mejora y inteligencia de negocio.