Visualización de Datos con Inteligencia Artificial y Python

Clase 10 de 17 • Curso de Herramientas de Inteligencia Artificial para Equipos de Datos

Resumen

La visualización de datos se ha convertido en una faceta fundamental para los analistas de datos, permitiéndoles presentar resultados de manera efectiva a un público diverso dentro de sus organizaciones. A veces, la elección de gráficos adecuados y el lenguaje para comunicar se torna desafiante, especialmente cuando se dirige a audiencias no técnicas. Afortunadamente, los modelos de inteligencia artificial ofrecen soluciones avanzadas para optimizar la selección y creación de gráficos, mejorando tanto la visualización de los datos como el data storytelling.

¿Cómo seleccionar la mejor gráfica para visualización de datos?

Los analistas ahora cuentan con herramientas de inteligencia artificial como ChatGPT para ayudarles en este proceso. Con su comprensión del contexto analítico y de la generación de código, ChatGPT es capaz de sugerir gráficos ajustados a las necesidades específicas del usuario.

Al preguntarle cuál es el gráfico más adecuado para representar la distribución de las ventas entre diferentes categorías y subcategorías de productos, ChatGPT propone alternativas como:

Diagramas de barras apiladas o estacadas.
Gráficos Tremap.
Gráficos Sunburst.

Cada uno con sus pros y contras, permitiendo que el analista elija el más efectivo para sus propósitos.

¿Cómo pueden los modelos de IA facilitar la generación de código para gráficos?

Después de elegir un tipo de gráfico, ChatGPT también puede generar el script necesitado para la visualización. Por ejemplo, si se selecciona un diagrama de Sunburst, ChatGPT puede ofrecer el código en Python para crearlo utilizando una estructura de DataFrame en pandas.

Aquí hay un simple proceso a seguir:

Seleccionar el tipo de gráfico deseado.
Proporcionar la estructura del DataFrame a la herramienta.
Generar el script en Python a través de ChatGPT.
Copiar y ejecutar el script en un entorno de desarrollo integrado (IDE).

¿Cómo solucionar problemas y errores en la generación de gráficos con IA?

Incluso con la inteligencia artificial, pueden surgir errores en la generación de gráficos, como valores nulos que afecten a la representación del Sunburst. Para resolver estos problemas, se puede usar otra herramienta como GitHub Copilot directamente en el IDE, sugiriendo soluciones como eliminar los valores nulos para permitir que el gráfico se genere correctamente.

Importancia de la revisión humana en la visualización de datos de IA

A pesar de la ayuda de la IA, es crucial que los analistas revisen y validen la exactitud de los gráficos y la información proporcionada. Los modelos de inteligencia artificial pueden experimentar errores o alucinaciones de datos, y el analista debe usar su criterio para garantizar que los resultados sean pertinentes y precisos.

Finalmente, siempre se recomienda continuar aprendiendo sobre visualización de datos y data storytelling. Existen numerosos recursos disponibles en línea que pueden ayudar a mejorar las habilidades en este campo crítico del análisis de datos.

Andres Sanchez

student•

10. IA para visualización de datos y storytelling

ChatGPT entiende mucho de contexto analítico, también generación de código y data storytelling
Los modelos pueden tener alucinaciones y no son perfectos, pero es nuestro trabajo como analistas, decidir si lo que nos brinda los LLM es relevante para lo que queremos.

Prompts

Cuál es la mejor gráfica para responder la pregunta ¿Cómo se distribuyen la venta entre las diferentes categorías y subcategorías de productos?, busco que sea un gráfico fácil de entender
Dame el script de python para responder la pregunta inicial con un (tipo de gráfico) utilizando la siguiente estructura de un dataframe

Cristhian Eduardo Ninanya Cerron

student•

Se agradece el resumen.

Juan R. Vergara M.

student•

📝🥇

Nicolas Felipe Giraldo Cespedes

student•

demasiado genial esta curso, aunque llevo casi desde el dia 1 usando chatgpt, jamás había pensado en tantos usos prácticos para el análisis de datos.

Cristhian Eduardo Ninanya Cerron

student•

plotly.express es buenazo para presentaciones finales, pero hace que el jupiter notebook se haga pesado. Para análisis simples y recurrentes ejemplo analisis exploratorio de datos (EDA), se recomienda usar matplotlib y seaborn.

Mario Alexander Vargas Celis

student•

La visualización de datos y el storytelling son aspectos cruciales para comunicar insights de manera efectiva. Con Python, puedes utilizar varias bibliotecas para crear visualizaciones impactantes y contar historias a partir de tus datos. A continuación, te muestro cómo hacerlo utilizando algunas de las bibliotecas más populares.

### Paso 1: Instalación de Bibliotecas

Primero, asegúrate de tener instaladas las bibliotecas necesarias:


pip install matplotlib seaborn plotly bokeh

### Paso 2: Preparación de Datos

Vamos a crear un DataFrame de ejemplo para demostrar cómo visualizar datos:


import pandas as pd



\# Crear un DataFrame de ejemplo

data = {

&#x20;   'Fecha': pd.date\_range(start='2023-01-01', periods=12, freq='M'),

&#x20;   'Ventas': \[200, 220, 250, 300, 280, 320, 350, 370, 400, 420, 430, 450],

&#x20;   'Costos': \[150, 180, 200, 220, 210, 230, 250, 270, 290, 300, 310, 320]

}



df = pd.DataFrame(data)

### Paso 3: Visualización con matplotlib

matplotlib es una biblioteca fundamental para la visualización en Python. Puedes usarla para crear gráficos básicos y personalizados.


import matplotlib.pyplot as plt



\# Crear un gráfico de líneas

plt.figure(figsize=(10, 6))

plt.plot(df\['Fecha'], df\['Ventas'], label='Ventas', marker='o')

plt.plot(df\['Fecha'], df\['Costos'], label='Costos', marker='o', linestyle='--')

plt.title('Ventas y Costos Mensuales')

plt.xlabel('Fecha')

plt.ylabel('Monto')

plt.legend()

plt.grid(True)

plt.xticks(rotation=45)

plt.tight\_layout()

plt.show()

### Paso 4: Visualización Avanzada con seaborn

seaborn es una biblioteca basada en matplotlib que proporciona gráficos estadísticos más atractivos y fáciles de crear.


import seaborn as sns



\# Crear un gráfico de líneas con seaborn

plt.figure(figsize=(10, 6))

sns.lineplot(data=df, x='Fecha', y='Ventas', label='Ventas', marker='o')

sns.lineplot(data=df, x='Fecha', y='Costos', label='Costos', marker='o', linestyle='--')

plt.title('Ventas y Costos Mensuales')

plt.xlabel('Fecha')

plt.ylabel('Monto')

plt.legend()

plt.grid(True)

plt.xticks(rotation=45)

plt.tight\_layout()

plt.show()

### Paso 5: Interactividad con plotly

plotly permite crear gráficos interactivos que son útiles para la exploración de datos.


import plotly.express as px



\# Crear un gráfico de líneas interactivo

fig = px.line(df, x='Fecha', y=\['Ventas', 'Costos'], labels={'value':'Monto', 'variable':'Categoría'})

fig.update\_layout(title='Ventas y Costos Mensuales', xaxis\_title='Fecha', yaxis\_title='Monto')

fig.show()

### Paso 6: Visualización Compleja con bokeh

bokeh es ideal para crear aplicaciones web interactivas y gráficos detallados.


from bokeh.plotting import figure, show, output\_notebook

from bokeh.models import ColumnDataSource



output\_notebook()



\# Crear una fuente de datos para bokeh

source = ColumnDataSource(df)



\# Crear un gráfico de líneas

p = figure(width=800, height=400, x\_axis\_type='datetime', title='Ventas y Costos Mensuales')

p.line('Fecha', 'Ventas', source=source, legend\_label='Ventas', line\_width=2, color='blue')

p.line('Fecha', 'Costos', source=source, legend\_label='Costos', line\_width=2, color='red', line\_dash='dashed')

p.legend.location = 'top\_left'

p.xaxis.axis\_label = 'Fecha'

p.yaxis.axis\_label = 'Monto'



show(p)

### Paso 7: Storytelling con Visualizaciones

Para contar una historia con tus datos, sigue estos pasos:

1. **Define el Mensaje**: Antes de crear visualizaciones, ten claro el mensaje que deseas comunicar.

2. **Selecciona las Visualizaciones Adecuadas**: Usa gráficos que mejor representen tus datos y ayuden a contar tu historia.

3. **Incorpora Contexto**: Añade anotaciones y descripciones para proporcionar contexto y facilitar la comprensión.

4. **Crea una Narrativa**: Organiza tus visualizaciones en una secuencia lógica que guíe al lector a través de la historia.

### Ejemplo de Storytelling con Visualizaciones

Puedes combinar varias visualizaciones en un solo documento o presentación para contar una historia completa:


import matplotlib.pyplot as plt



\# Crear una figura con múltiples subgráficos

fig, axs = plt.subplots(2, 1, figsize=(10, 12))



\# Gráfico de ventas

axs\[0].plot(df\['Fecha'], df\['Ventas'], label='Ventas', color='blue', marker='o')

axs\[0].set\_title('Ventas Mensuales')

axs\[0].set\_xlabel('Fecha')

axs\[0].set\_ylabel('Monto')

axs\[0].legend()

axs\[0].grid(True)

axs\[0].tick\_params(axis='x', rotation=45)



\# Gráfico de costos

axs\[1].plot(df\['Fecha'], df\['Costos'], label='Costos', color='red', marker='o', linestyle='--')

axs\[1].set\_title('Costos Mensuales')

axs\[1].set\_xlabel('Fecha')

axs\[1].set\_ylabel('Monto')

axs\[1].legend()

axs\[1].grid(True)

axs\[1].tick\_params(axis='x', rotation=45)



plt.tight\_layout()

plt.show()

Este ejemplo muestra cómo usar matplotlib para crear múltiples gráficos en un solo documento, facilitando la comparación de diferentes aspectos de los datos.

### Conclusión

La visualización de datos y el storytelling con Python te permiten comunicar insights de manera efectiva y atractiva. Utilizando bibliotecas como matplotlib, seaborn, plotly, y bokeh, puedes crear una amplia variedad de gráficos y visualizaciones interactivas. Si tienes más preguntas o necesitas ejemplos específicos, ¡déjame saber!

Daniel Alfredo García Serna

student•

📚 Visualización de datos y storytelling

🎯 Idea principal

La visualización de datos permite representar información mediante gráficos para que los patrones, tendencias y relaciones sean fáciles de entender. Cuando se combina con storytelling, los datos dejan de ser solo números y se convierten en una narrativa clara que comunica insights y facilita la toma de decisiones.

🔑 Puntos clave

• La visualización de datos busca simplificar información compleja mediante gráficos claros y comprensibles.

• Herramientas como Python, librerías de visualización o dashboards permiten transformar datasets en gráficos interpretables.

• La IA puede ayudar a:

generar gráficos automáticamente
sugerir visualizaciones adecuadas
explicar patrones en los datos.

• El storytelling con datos consiste en construir una narrativa que explique qué significan los datos y por qué son importantes.

• Una visualización efectiva debe responder preguntas como:

¿Qué está pasando en los datos?
¿Por qué es importante?
¿Qué decisión debería tomarse?

• Los gráficos no deben ser solo visualmente atractivos; deben comunicar un mensaje claro.

🧠 Conceptos importantes

Visualización de datos Representación gráfica de información mediante gráficos, dashboards o diagramas para facilitar la interpretación de los datos.

Storytelling con datos Técnica que utiliza narrativas para explicar datos de forma clara, logrando que la audiencia entienda el mensaje y recuerde la información.

Insight Hallazgo importante dentro de un dataset que aporta valor para tomar decisiones.

Dashboard Panel visual que muestra métricas y gráficos para monitorear información clave.

🚀 Acciones inmediatas

• Tomar un dataset y generar al menos 3 tipos de visualizaciones:

distribución de datos
comparación entre variables
tendencia en el tiempo.

• Preguntar a la IA: “¿Qué visualizaciones serían mejores para este dataset?”

• Después de crear un gráfico, escribir una conclusión clara basada en ese gráfico.

• Practicar explicando datos como si estuvieras presentando a un equipo o cliente.

🔥 Hacks para la comunidad

• Regla poderosa en visualización: un gráfico = un mensaje.

• Antes de crear un gráfico, define:

qué pregunta quieres responder
qué decisión se tomará con ese dato.

• Usa IA para pedir:

explicación de un gráfico
interpretación de patrones
sugerencias de visualización.

• Error común: crear gráficos complejos que se ven bien pero no explican nada.

📝 Reflexión estratégica

Los datos por sí solos no generan impacto.

El verdadero valor aparece cuando los datos se convierten en una historia que las personas pueden entender y usar para tomar decisiones.

Los profesionales que dominen la visualización y el storytelling con datos tendrán una ventaja enorme: no solo analizan información, también influyen en decisiones estratégicas dentro de una organización.

Gabriel Obregón

student•

🧠 Visualización de datos con IA

📍 Concepto clave

La visualización de datos es esencial para:

Comunicar resultados de análisis.
Transmitir información a distintos públicos (técnicos y no técnicos).

🚫 Problema común

Muchos analistas:

No eligen el gráfico adecuado.
Usan un lenguaje visual poco claro para audiencias no técnicas.

🤖 Solución con IA

Modelos como ChatGPT pueden:

Sugerir el tipo de gráfico más adecuado.
Generar el código necesario.
Mejorar el data storytelling.

🛠 Ejemplo práctico

Pregunta a ChatGPT:

“¿Cuál es la mejor gráfica para mostrar cómo se distribuyen las ventas entre categorías y subcategorías de productos? Quiero algo fácil de entender.”

Opciones sugeridas:

📊 Barras apiladas → Claras para comparar categorías y subcategorías.
🗂 Treemap → Muestra jerarquías y proporciones.
🌞 Sunburst → Visualiza datos jerárquicos en formato circular.

💻 De la idea al código

Solicitar a ChatGPT: “Genera un script en Python para un gráfico sunburst usando este DataFrame.”
Copiar el código en Visual Studio Code.
Ejecutar el script.

🐞 Manejo de errores

Problema: Valores nulos en “categoría” o “subcategoría”.
Solución con Copilot:
- Eliminar valores nulos.
- Volver a generar el gráfico.

📈 Resultado

Visualización clara de ventas:

Categorías: Furniture, Office Supplies, Technology.
Subcategorías dominantes:
- Technology: Teléfonos.
- Furniture: Sillas.

⚠️ Precauciones

La IA puede generar errores o información incorrecta (alucinaciones).
El analista debe validar y decidir si el resultado es útil.

ADRIANA LUCIA

student•

Definitivamente la IA funciona muy bien para analizar mas alla, teniendo en cuenta que debemos analizar esas respuestas.

María Requenes Ramos

student•

Llevar un dataset a ChatGPT puede ser útil para obtener ideas sobre visualización, pero es fundamental tener en cuenta que la calidad de los resultados dependerá de la claridad de la información y la estructura del dataset. Además, debes confirmar que las recomendaciones sean adecuadas y alineadas con tus objetivos de comunicación de datos. Si bien ChatGPT puede sugerir gráficos y códigos, siempre es tu responsabilidad evaluar su aplicabilidad y precisión en el contexto de tu análisis de datos.

Pablo Meza

student•

¿Es buena práctica llevar un dataset a ChatGPT para que me ayude a visualizar los datos?

Danny Maáz

student•

Te sugiero optimizar el enfoque solicitando a ChatGPT código personalizado para visualizaciones, en lugar de compartir datos directamente. Para lograrlo:

Crea un prompt detallado que incluya:
- Estructura de tu dataset (columnas, tipos de variables, relaciones clave).
- Objetivo de la visualización (ej: comparar tendencias, identificar outliers).
- Requerimientos técnicos (librerías preferidas: Matplotlib, Plotly, etc.).
Protege la confidencialidad:
- Usa datos sintéticos o describe características sin revelar información sensible.
- Ejemplo: "Tengo un dataset con 3 columnas numéricas (edad, ingresos, gastos) y 1 categórica (región). Necesito un heatmap de correlaciones y un boxplot segmentado por región".

Esta estrategia no solo alinea con buenas prácticas en seguridad de la información, sino que también te permite recibir soluciones técnicas adaptadas a tus necesidades. ¡Éxitos con tu proyecto!"

Fernando Sánchez Mejía

student•

Alguien dijo curso de Datatelling

Lilián Gómez

student•

la visualización de los datos que escogemos cuenta la historia (storytelling) de los datos que queremos presentar.

Fernando Sánchez Mejía

student•

Increible como utiliza ámbas herramientas ChatGPt y Copilot para su trabajo

Fernando Sánchez Mejía

student•

Posteriormente podemos usar el siguienr prompt:

Dame el script en Python para responder a la pregunta con un diagrama [Inserte aquí el diagrama que haya seleccionado] + Estrecutrua del dataframe.

Fernando Sánchez Mejía

student•

Para el data storytelling, puedes utilizar el siguiente prompt: '¿Cuál es el mejor gráfico para responder a la siguiente pregunta: (inserta aquí la pregunta)? Busco que sea un gráfico fácil de comprender.'

Fernando Sánchez Mejía

student•

Para el datatelling putes utilizar le siguiente promtp.

Cual es la mejor grafíca para responder a la pregunta. (Inserte aquí la pregunta). Busco que sea una grafico facil de entender

Fernando Sánchez Mejía

student•

Los ejercicios de las dos clases anteriores solo se pueden hacer con GPT 4

Fernando Sánchez Mejía

student•

La visualización de datos es una herramienta fundamental para comunicar resultados o compartir información con diferentes miembros de la organización. En este contexto, la inteligencia artificial también nos brinda su apoyo.

Franklin Lamelas

student•

PROMPT 1 A CHATGPT-3.5:

Hola, necesito que actúes como un experto en análisis de datos y que a partir de una hoja de Google Sheets que contiene el total de facturación por cada mes, me digas cuál es la mejor gráfica para responder la pregunta ¿Cómo se ha comportado a través de los meses la facturación? En la fila 5 se encuentran los nombres de los meses, comenzando el mes de enero en la columna B y terminando el mes de diciembre en la columna M. En la fila 55 se encuentran los valores totales de facturación por cada mes, por ejemplo, en la celda B55, se encuentra el total de facturación de enero, en la celda C55 el total de facturación de febrero, en la celda D55 el total de facturación de marzo y así sucesivamente hasta llegar al total de facturación de diciembre en la celda M55. Busco que sea un gráfico fácil de entender.

RESPUESTA DE CHAT GPT-3.5:

Para analizar cómo se ha comportado la facturación a lo largo de los meses, puedes utilizar un gráfico de líneas o un gráfico de barras. Ambos tipos de gráficos son efectivos para mostrar tendencias a lo largo del tiempo y son fáciles de entender. Aquí te explico cómo crear cada uno de ellos en Google Sheets:

Gráfico de Líneas: Un gráfico de líneas es ideal para mostrar la evolución de la facturación a lo largo del año. Sigue estos pasos para crearlo:

Selecciona las celdas que contienen los nombres de los meses (desde B5 hasta M5) como las etiquetas del eje X.
Selecciona las celdas que contienen los valores de facturación (desde B55 hasta M55) como los datos que se graficarán.
Ve a la pestaña "Insertar" en Google Sheets.
Haz clic en "Gráfico" y selecciona "Gráfico de Líneas".
Deberías ver un gráfico de líneas que muestra cómo ha cambiado la facturación a lo largo de los meses.

Gráfico de Barras: Un gráfico de barras es otra opción efectiva para representar la facturación mensual. Sigue estos pasos para crearlo:

Selecciona las celdas que contienen los nombres de los meses (desde B5 hasta M5) como las etiquetas del eje X.
Selecciona las celdas que contienen los valores de facturación (desde B55 hasta M55) como los datos que se graficarán.
Ve a la pestaña "Insertar" en Google Sheets.
Haz clic en "Gráfico" y selecciona "Gráfico de Barras".
Deberías ver un gráfico de barras que muestra cómo ha cambiado la facturación mes a mes.

Ambos tipos de gráficos te proporcionarán una representación visual clara de cómo se ha comportado la facturación a lo largo de los meses. Puedes elegir el que mejor se adapte a tus preferencias personales o a las de tu audiencia.

Juan R. Vergara M.

student•

Wao, hasta hace unos meses no sabía que todas estas herramientas existían.

Diego Jurado

student•

Que tremendo curso, desvelando los secretos de la IA

import pandas as pd

\# Crear un DataFrame de ejemplo

data = {

&#x20;   'Fecha': pd.date\_range(start='2023-01-01', periods=12, freq='M'),

&#x20;   'Ventas': \[200, 220, 250, 300, 280, 320, 350, 370, 400, 420, 430, 450],

&#x20;   'Costos': \[150, 180, 200, 220, 210, 230, 250, 270, 290, 300, 310, 320]

}

df = pd.DataFrame(data)

import matplotlib.pyplot as plt

\# Crear un gráfico de líneas

plt.figure(figsize=(10, 6))

plt.plot(df\['Fecha'], df\['Ventas'], label='Ventas', marker='o')

plt.plot(df\['Fecha'], df\['Costos'], label='Costos', marker='o', linestyle='--')

plt.title('Ventas y Costos Mensuales')

plt.xlabel('Fecha')

plt.ylabel('Monto')

plt.legend()

plt.grid(True)

plt.xticks(rotation=45)

plt.tight\_layout()

plt.show()

import seaborn as sns

\# Crear un gráfico de líneas con seaborn

plt.figure(figsize=(10, 6))

sns.lineplot(data=df, x='Fecha', y='Ventas', label='Ventas', marker='o')

sns.lineplot(data=df, x='Fecha', y='Costos', label='Costos', marker='o', linestyle='--')

plt.title('Ventas y Costos Mensuales')

plt.xlabel('Fecha')

plt.ylabel('Monto')

plt.legend()

plt.grid(True)

plt.xticks(rotation=45)

plt.tight\_layout()

plt.show()

import plotly.express as px

\# Crear un gráfico de líneas interactivo

fig = px.line(df, x='Fecha', y=\['Ventas', 'Costos'], labels={'value':'Monto', 'variable':'Categoría'})

fig.update\_layout(title='Ventas y Costos Mensuales', xaxis\_title='Fecha', yaxis\_title='Monto')

fig.show()

from bokeh.plotting import figure, show, output\_notebook

from bokeh.models import ColumnDataSource

output\_notebook()

\# Crear una fuente de datos para bokeh

source = ColumnDataSource(df)

\# Crear un gráfico de líneas

p = figure(width=800, height=400, x\_axis\_type='datetime', title='Ventas y Costos Mensuales')

p.line('Fecha', 'Ventas', source=source, legend\_label='Ventas', line\_width=2, color='blue')

p.line('Fecha', 'Costos', source=source, legend\_label='Costos', line\_width=2, color='red', line\_dash='dashed')

p.legend.location = 'top\_left'

p.xaxis.axis\_label = 'Fecha'

p.yaxis.axis\_label = 'Monto'

show(p)

import matplotlib.pyplot as plt

\# Crear una figura con múltiples subgráficos

fig, axs = plt.subplots(2, 1, figsize=(10, 12))

\# Gráfico de ventas

axs\[0].plot(df\['Fecha'], df\['Ventas'], label='Ventas', color='blue', marker='o')

axs\[0].set\_title('Ventas Mensuales')

axs\[0].set\_xlabel('Fecha')

axs\[0].set\_ylabel('Monto')

axs\[0].legend()

axs\[0].grid(True)

axs\[0].tick\_params(axis='x', rotation=45)

\# Gráfico de costos

axs\[1].plot(df\['Fecha'], df\['Costos'], label='Costos', color='red', marker='o', linestyle='--')

axs\[1].set\_title('Costos Mensuales')

axs\[1].set\_xlabel('Fecha')

axs\[1].set\_ylabel('Monto')

axs\[1].legend()

axs\[1].grid(True)

axs\[1].tick\_params(axis='x', rotation=45)

plt.tight\_layout()

plt.show()

Visualización de Datos con Inteligencia Artificial y Python

IA en equipos de data

Uso de IA para Clasificación de Imágenes con Redes Neuronales

Manejo de bases de datos

Creación y Optimización de Tablas SQL con GitHub Copilot

Creación de Consultas SQL con Inteligencia Artificial

Optimización y corrección de código con inteligencia artificial

Documentación de Código con Herramientas de Inteligencia Artificial

Procesamiento de datos

Creación de Scrappers con Python y ChatGPT para Recolección de Datos

Limpieza de Datos con Modelos de IA y Herramientas de Código

Pruebas Unitarias con Inteligencia Artificial para Desarrolladores

Visualización y análisis

Análisis de Datos con IA: Preguntas y Visualizaciones en Pandas

Visualización de Datos con Inteligencia Artificial y Python

Análisis de datos con Data Analysis de ChatGPT

People Analytics con ChatGPT

Análisis de ventas con ChatGPT

Análisis de pérdida de clientes con ChatGPT

Análisis automático de gráficas e imágenes

Generación de datos

Generación de Datos con GPT-4 para Modelos de IA

Aprendizaje y formación

Uso de Chatbots para Aprender Estadística y Ciencia de Datos