Data Science

Curso de Fundamentos de Bases de Datos 2019

Contenido del curso

Bienvenida conceptos básicos y contexto histórico de las Bases de Datos

1
Bienvenida conceptos básicos y contexto histórico de las Bases de Datos
09:57 min

Introducción a las bases de datos relacionales

RDBMS (MySQL) o cómo hacer lo anterior de manera práctica

SQL hasta en la sopa

Consultas a una base de datos

Introducción a la bases de datos NO relacionales

Manejo de modelos de datos en bases de datos no relacionales

Bases de datos en la vida real

Bonus

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:004:30

Data Science

Curso de Fundamentos de Bases de Datos 2019

Clase 55 de 58

Clase 55 / 58

Cesar Gonzalez Leyba

Hace 7 años

Saludos! Estas son mis notas tomadas durante este bloque de clases por si a alguien les son utiles.

Hoy en dia no existen bases de datos 'one size fits all', es decir, hoy en dia en las aplicaciones modernas se utilizan distintas bases de datos ya sean relacionales, no relacionales, etc en una sola aplicacion. Las bases de datos relacionales servian muy bien por un tiempo para cumplir con varias demandas pero a medida que llego el Big Data estas no pudieron manejar bien toda esta carga con lo cual fueron creando otras.

Big Data: Grandes cantidades de datos, el reto que empezo a cerrar las puertas fueron que se estuvieron manejando cada vez mas grandes, grandes volumenes de datos. Se refiere a que en este momento en milesimas de segundos vamos a guardar grandes cantidades de datos. Es un gran movimiento que surgio con Youtube y Facebook ya que necesitaban guardar muchoos datos rapido.
Data Warehouse: Guardar grandes cantidades masivas de datos, la diferencia con Big Data es guardar mas datos que en Big Data pero que son datos historicos, es decir, que no se extraen muy a menudo. Ejemplo de Google que usa eso es Bigtable, otra solucion es BigQuery.
Data Mining: Es literal picar piedra, es decir, debido a que el orden en que se guardaban estos datos no era el mas optimo o el mas eficaz nos toca como data miners intentar buscar en todos esos datos y sacar informacion util que ayude en las decisiones de negocio. En si no se refiere a una base de datos sino a un conjunto de tecnicas para extraer informacion valiosa para las empresas.
ETL: Son las siglas de Extract, Transform, Load. Se trata de tomar datos de archivos muertos y convertirlos en algo que sea de utilidad para el negocio. Tambien ayuda a tomar los datos viveos de la aplicacion, transformarlos y guardarlos en un data warehouse periodicamente. Esta tecnica tiene dos grandes usos: Para el datamining cuando tenemos una base de datos sin orden, sacamos la info, la limpiamos y la guardamos en un data warehouse y ahora si esta ordenada y podemos sacarle provecho a ella. Otro gran caso de uso es mas o menos similar pero cuando lo tenemos que hacer en tiempo real que sirve para hacer etl, es decir, guardamos el estado en bases de datos no relacional que no son muy buenas manejando queries complejos y si tenemos muchas relaciones y con ETL podemos aprovechar la informacion aunque este asi y obtener informacion valiosa. Aunque no existen tecnologias que hagan todo el proceso existen los data pipelines para manejar todas estas fases.
Business Intelligence: Como el nombre lo dice inteligencia para el negocio, que se refiere a tener los datos de manera oportuna y datos correctos que los ayuden a dar informacion necesaria para hacer las decisiones correctas. Con esto tratamos de hacer sentido a toda la info obtenida y nos ayuda a saber digamos que tipo de audiencia tenemos, el historico de como han ido las ventas en ciertos periodos, es decir, nos permite visualizar las relaciones que tiene nuestro sistema y aplicacion y los clientes entre si. Herramientas para esto: Tableau, QlikView, PowerBI.
Machine Learning: Son una serie de tecnicas que involucran la inteligencia artificial y deteccion de patrones. A diferencia de Business Intelligence que queremos buscar un patron en especifico con la informacion que ya tenemos, mientras que con Machine Learning dado un conjunto de datos buscamos encontrar patrones que no esperas o no eran obvios para un ser humano, ademas que busca saber en un futuro como se comportarian nuestros usuarios. Una bd muy buena para esto es BigQuery que nos sirve como warehouse y ademas nos permite hacer queries que nos podrian ayudar con BusinessIntelligence como son Data Studio. Entre los dos casos de uso principales de ML son: clasificacion y prediccion.
- Con la clasificacion nos referimos a que si tenemos varios datos historicos y queremos conocer por ejemplo cuales temas fueron mas interesantes durante un periodo en especifico, no serviria con buscar palabras claves, para este tipo de casos se utiliza la tecnica de ML denominada Procesamiento de Lenguaje Natural lo que hace es tomar un texto o reconocimiento de voz que utiliza el lenguaje natural humano nada estructurado, lo empieza a procesar y nos devuelve los patrones que encontro. Por ejemplo con el Platziblog: Si tenemos un modelo muy bien entrenado, es decir, que le hayamos pasado una buena cantidad de articulos que si sabemos que son de politica y reconoce estos patrones. Cuando le pasamos toda la informacion de Platziblog nos devuelve articulos que no especificaban por ninguna parte que se trataban de politica pero gracias al modelo pudimos identificarlos.
- Con la prediccion nos ayuda a la toma de decisiones. Por ejemplo le damos las ventas de unos años pasados, procesa las ventas y genera un modelo, que cuando le pasemos las ventas actuales nos ayuda a identificar las relaciones y patrones que nos ayuda a visualizar a donde nos dirigimos, es decir, si le pasamos ventas proyectadas a futuro este nos dice que va a pasar, si se va a comportar igual, etc. BigQuery es una buena herramienta debido a que con un lenguaje similar a SQL pero con mas funcionalidades nos permite ademas de hacer consultas, almacenarla y alimentarla a un algoritmo de modelos de ML que con el mismo lenguaje SQL al ejecutarlo estamos creando modelos que nos ayudaran a predecir valores futuros.
Data Science: Es aplicar todo lo que hemos visto, tecnicas de ETL, Data Mining, Business Intelligence. Aunque esta mas dirigida a personas con background de estadisticas, hoy en dia tambien participan personas con el perfil de Data Engineering. Al hacer Data Science estamos aplicando todo lo visto en los temas anteriores, no solo a nivel tecnico sino que desarrollamos la experiencia y conocimientos sobre las distintas tecnologias, en que parte del desarrollo de nuestro proyecto tenemos que utilizarlas, etc. Con lo cual el Data Science juega el papel de manager dentro de un equipo de profesionales de datos.

Rafael Roque Vargas

Hace 7 años

Muy buen resumen.

Jonathan Jiménez Soveranes

Hace 7 años

Gracias, buen resumen

Comentarios (145)145 comentarios

Gonzalo Pimentel

Brian Quiroz López

Hace 6 años

Andres Felipe Zabala velez

Hace 4 años

Juan José Calderón

Carlos Yesid Espinel Ballén

Daniel Paloma Murcia

Hairon Gabriel López Constanza

Hace 5 años

Miguel Angel Echavarria Velez

Matias Zayas

lesier gg

Irving Fritz Meyer Gutiérrez

Usuario anónimo

User

david antonio ceron diaz

Fernando Huamán Santamaria

Edgar Stephen Tellez Garay

Jimmy Buriticá Londoño

Joel Sierra Mendoza

Andrés Fernández

Miguel A. López

María Eugenia Pereira Chévez

Hector Sebastian Trejo Luna

Carlos Eduardo Repillosa Del Valle

Patricia Calisto Gutierrez

Silvana Rolón

Andres Annicchiarico

Edwin Jesset Barrientos Gonzales

Bienvenida conceptos básicos y contexto histórico de las Bases de Datos

Bienvenida conceptos básicos y contexto histórico de las Bases de Datos

Introducción a las bases de datos relacionales

Qué son entidades y atributos

Historia de las bases de datos relacionales

Entidades de Platzi Blog

Relaciones

Múltiples muchos

Diagrama ER

Diagrama Físico: tipos de datos y constraints

Diagrama Físico: normalización

Formas normales en Bases de Datos relacionales

Diagrama Físico: normalizando Platziblog

RDBMS (MySQL) o cómo hacer lo anterior de manera práctica

¿Qué es RDB y RDBMS?

Instalación local de un RDBMS (Windows)

Instalación local de un RDBMS (Mac)

Instalación local de un RDBMS (Ubuntu)

Clientes gráficos

Servicios administrados

SQL hasta en la sopa

Historia de SQL

DDL create

CREATE VIEW y DDL ALTER

DDL drop

DML

¿Qué tan standard es SQL?

Creando Platziblog: tablas independientes

Creando Platziblog: tablas dependientes

Creando Platziblog: tablas transitivas

Consultas a una base de datos

¿Por qué las consultas son tan importantes?

Estructura básica de un Query

SELECT

FROM y SQL JOINs

Utilizando la sentencia FROM

WHERE

Utilizando la sentencia WHERE nulo y no nulo

GROUP BY

ORDER BY y HAVING

El interminable agujero de conejo (Nested queries)

¿Cómo convertir una pregunta en un query SQL?

Preguntándole a la base de datos

Consultando PlatziBlog

Introducción a la bases de datos NO relacionales

¿Qué son y cuáles son los tipos de bases de datos no relacionales?

Servicios administrados y jerarquía de datos

Manejo de modelos de datos en bases de datos no relacionales

Top level collection con Firebase

Creando y borrando documentos en Firestore

Colecciones vs subcolecciones

Recreando Platziblog

Construyendo Platziblog en Firestore

Proyecto final: transformando tu proyecto en una db no relacional

Bases de datos en la vida real

Bases de datos en la vida real

Big Data

Data warehouse

Data mining

ETL

Business intelligence

Machine Learning

Data Science

¿Por qué aprender bases de datos hoy?

Bonus

Bases de datos relacionales vs no relacionales

Elegir una base de datos

Data Science