- 1

Proyectos prácticos en ciencia de datos: del aprendizaje a la aplicación
04:23 - 2

Proyectos de Ciencia de Datos: Del Teórico al Práctico Realista
07:35 - 3

Cuándo iniciar un nuevo proyecto de ciencia de datos
04:36 - 4

Herramientas de Comunicación para Proyectos de Ciencia de Datos
05:41 - 5

Compartir Proyectos de Ciencia de Datos: Estrategias y Recursos
06:19 - 6

Comunicación Efectiva en Proyectos de Ciencia de Datos
07:46 Quiz crear proyectos ciencia datos 1
Comunicación Efectiva en Proyectos de Ciencia de Datos
Clase 6 de 31 • Curso para Crear tus Proyectos de Ciencia de Datos
Contenido del curso
- 7

Construcción de Proyectos en Ciencia de Datos: Planteamiento de Preguntas
02:54 - 8

Búsqueda y Selección de Conjuntos de Datos Eficientes
02:20 - 9

Análisis de Datos Abiertos para Detectar Anomalías en Compras Públicas
05:29 - 10

Limpieza de Datos: Técnicas y Buenas Prácticas
04:25 - 11

Limpieza de Datos con Python y Pandas para Proyectos de Transparencia
12:58 - 12

Exploración de Datos: Análisis Unidimensional y Bidimensional
02:56 - 13

Análisis y Exploración de Datos con Pandas y Matplotlib
11:05 - 14

Análisis Multidimensional y Visualización de Datos en Python
17:14 - 15

Enriquecimiento de Datos en Ciencia de Datos
03:51 - 16

Enriquecimiento de Datos para Modelos de Machine Learning
14:00 - 17

Modelos de Machine Learning: Supervisado y No Supervisado
04:37 - 18

Modelación de Datos con Aprendizaje Supervisado y No Supervisado
09:45 - 19

Clustering y Detección de Anomalías en Datos de Negocios
09:58 - 20

Detección de Anomalías en Datos Financieros con Modelos Gaussianos
08:38 - 21

Organización y Versionado de Proyectos con Git y Github
03:36 - 22

Publicación de Proyectos en GitHub: Limpieza y Conclusiones
05:23 Quiz crear proyectos ciencia datos 2
- 23

Cómo Compartir Proyectos de Ciencia de Datos Efectivamente
01:57 - 24

Cómo Escribir un Block Post Técnico Efectivo
03:15 - 25

Presentaciones Efectivas en Comunidades Tecnológicas
05:56 - 26

Optimización de Repositorios en GitHub para Impacto Profesional
04:50 - 27

APIs Restful: Construcción y Despliegue Eficiente
03:59 - 28

Creación de Productos de Datos con Python y Herramientas Visuales
04:49 Quiz crear proyectos ciencia datos 3
¿Cómo han triunfado estudiantes en proyectos de ciencia de datos?
Adentrémonos en el fascinante viaje de tres estudiantes extraordinarios: Edgar, Marcela y Emily. Todos ellos, con un objetivo claro, enfrentaron desafíos únicos y los superaron con habilidades en ciencia de datos. Vamos a explorar sus logros y cómo han forjado una camino hacia el éxito en el mundo de los datos.
¿Quién es Edgar y qué logró?
Edgar es un licenciado en administración de empresas con un gran interés en el sector del transporte, especialmente en los servicios de taxis en México. La información sobre taxis en diferentes estados es muy restringida, plagada de escasez de datos confiables y una excesiva protección por mafias locales. Edgar, con un enfoque autodidacta, se especializó en solicitar datos al gobierno, enfrentándose a una fuente poco convencional: documentos en PDF escaneados y archivos Excel decorativos y confusos. A pesar de estos retos, Edgar produjo un excepcional artículo comparando las diferencias y retos al operar un taxi en Guadalajara y Monterrey. Este trabajo no solo brilla por su contenido, sino también por su habilidad para comunicar complejas realidades de manera atractiva y accesible.
¿Qué aportó Marcela desde el diseño industrial?
Marcela, una diseñadora industrial con un interés floreciente en los sistemas inteligentes y ciencia de datos, asumió el reto de analizar la cobertura de salud en Baja California. Empezando su viaje en ciencia de datos, Marcela se enfocó en la geolocalización de hospitales y la distribución de la población. A través de un elaborado cuaderno de tareas y un artículo explicativo, presentó un análisis del alcance potencial de atención hospitalaria basado en la densidad poblacional. Este proyecto, aunque sensible por su temática sanitaria, demostró la capacidad de Marcela para representar visual y analíticamente estos datos complejos.
¿Cuál fue el enfoque de Emily en biología?
Emily, con una formación en biología y enfrentándose a la barrera del idioma, centró su estudio en la mortalidad materna en México. Este indicador de salud crucial está subrepresentado en datos públicos, presentando un desafío adicional. Sin embargo, Emily logró integrar datos geográficos y demográficos, y comunicó sus hallazgos de manera clara y poderosa. Lo logró a través de reportes bien documentados, los cuales ha presentado en múltiples comunidades tecnológicas, fortaleciendo su currículum y su entendimiento en la interpretación de datos sensibles.
¿Qué tienen en común sus proyectos?
Los tres estudiantes compartieron una clara metodología:
-
Objetivo claro: Cada uno definió un problema específico que guiaba su investigación hasta su resolución.
-
Limpieza de datos: Independientemente del origen de los datos, todos tuvieron que enfrentarse al tedioso, pero crucial, proceso de limpiar y enriquecer datos.
-
Geografía específica: Eligieron geografías donde los datos disponibles les permitían responder sus preguntas efectivamente.
-
Comunicación efectiva: Utilizaron un enfoque narrativo para transmitir sus resultados por medio de artículos, reportes y documentos de análisis.
Gracias a sus proyectos, Edgar, Marcela, y Emily obtuvieron oportunidades laborales significativas. Edgar trabaja como analista de datos en el sector transporte; Marcela en el diseño y mejora de sistemas operativos de salud; y Emily aplica sus hallazgos en una institución global. ¡Estos casos demuestran que el éxito en ciencia de datos no se trata solo de habilidades técnicas, sino de una visión clara y la pasión por resolver problemas reales!
¿Cómo encontrar tu inspiración?
Ahora, ¿qué te parece buscar tu propia fuente de inspiración? Investiga artículos y proyectos de datos que resuenen contigo. Existen profesionales cercanos que han logrado cosas sorprendentes en áreas que quizá también te interesen. Comparte tus inspiraciones, y juntos podemos motivarnos a seguir adelante. Concreta tu pregunta de investigación y da el primer paso en este emocionante viaje de exploración de datos. ¡Adelante!