Proyectos en Ciencia de Datos

もっと見る

Mapa Conceptual BBVA

Lucia del Pilar Cortes Guardiolaにより

4. Herramientas Básicas para el Diseño de Procesos

Wendy Rodriguezにより

outsourcing

isabel Gonzalez Velazquezにより

servicio de alimentos y bebidas mapa mental

GINA TORRES LINARESにより

Proyectos en Ciencia de Datos

Trabaja

Minería de datos

se clasifica en

No dirigida

busca

Registros inusuales

utiliza

Reglas de asociación

Patrones generales

Variables de apoyo

Dirigida

Modelos explicativos

para encontrar

Patrones

Valores objetivos

Variables objetivo

Parte de

Ciclo del procesamiento de datos

4. Medición y seguimiento

Medidas

Patrones de comportamiento

Validar el modelo

3. Toma de decisiones

requiere

Análisis exploratorio de datos

Descripción gr´áfica

Importancia de variables

para establecer

Modelamiento de respuestas

Categorización de variables

Encotrar grupos

Estimación de valores

2. Transforma los datos

depende de

Escalas de medición

Técnicas de mineria

Fuentes de datos

1. Identifica el problema

Convierte

problema de datos

define

Comprender comportamientos

Responder preguntas

Modelos estables

Teniendo en cuenta

Niveles de agregación

para no

Omitir información

confundir

Sesgos

llevan a

Información incorrecta

Patrones erroneos

Conjunto de datos

selección de

Muestras representativas

Extracción de datos

Componente clave de

Ciencia de datos

se orientaa a generar

Información

Relación de variables

para construir

Puntajes y umbrales

para

Toma de decisiones

presenta

Resultados

Gestión estratégica de información

Respuesta a necesidades

Uso inteligente de datos

Automatización de tareas

Estructura tecnológica

Optimización de recursos

Crecimiento financiero

Impactos

Marcos normativos

Sociales

a partir de

Seguridad y servicio

Decisiones gubernamentales

Políticas públicas

Éticos

Tecnológicos

Estratégicos

Financieros

Retos

garantizar

Obtención de recursos

Trabajo colaborativo

Poder computacional

Se relaciona con

Selección de algoritmos

Tiempo de ejecución

y posible

Continuidad del proyecto

Calidad de datos

y

Curación de datos

Variables necesarias

Dificultades

Parámetros o modelos

por

Dificultad en programación

Calidad

Recursos relacionados

Acceso a la información

Modelos

Conexión

entre

Plataformas relacionales

Acceso

a

Datos sensibles

Tiene

Etapas estructurales

Como

Diseño e implementación

debe verificar

Funcionalidad del modelo

frente a

Las necesidades

El contexto

Requiere

Orientarse al usuario final

Funcionalidad de herramientas

Desarrollos complementarios

adopta

Indicadores de medición

Modelo validado

Modelamiento

Tiene etapas de

Prueba

Mediante

Experimentación de modelos

para evaluar

Alcance

Grado de resolución

y realizar

Ajuste y seguimiento

Niveles de ajuste

en

Muestras de datos

Validación de datos

además de

Evaluación de variables

Diseño

incluye

Técnicas de anáilisis

Exploración de datos

mediante

Simulaciones

Modelos estadísticos

Para identificar

Validación de hipótesis

Patrones de datos

Estadística descriptiva

para identificar

Limitaciones en los datos

Análisis preliminar

Tendencias de los datos

Selección de la muestra

Modelo de gobernanza de datos

Estándares de metadatos

Disponibilidad

Preservación

Niveles de acceso

Confidencialidad

Ética

Identificación

de

Variables de análissi

Calidad de los datos

Tipos de datos

Fuente de datos

Formulación del proyecto

Se contempla

Planeación tecnológica

Herramientas

Plataformas de apoyo

Software

Modelos de integración de sistemas

Inteligencia artificial

Plataformas de análisis

Visualización

Procesamiento y limpieza

Estadísticos

Lenguajes de programación

Hardware

como

Equipos de computo

Servidores

Sistemas de información

Sistemas públicos

Sistemas externos

Sistemas internos

Bases de datos

Presupuesto

Imprevistos

Costos variables

Costos fijos

Planeación analítica

A partir de

Indicadores

Variables

Hipótesis

Objetivos

Equipo de trabajo

Incluye

Plan de trabajo

Contexto

Necesidades