Con la compra de cualquiera de mis cursos, accedes al sorteo de un lote de 15 libros en inglés y en formato electrónico de la prestigiosa editorial O’Reilly, todos sobre Machine Learning. Cuantos más cursos compres, más opciones para el sorteo.
Y sin sorteo, también te regalaré una compilación de varios libros y material formativo sobre el mundo de la Ciencia de los Datos y de Machine Learning.
Además, tenemos todas las ofertas de Amazon del Black Friday disponibles para vosotros con descuentos especiales utilizando el siguiente link:
Los mejores ordenadores portátiles para Data Scientist, con ofertas en el Black Friday!!!
También los libros de Ciencia de los Datos, Machine Learning y Análisis de Datos.[amazon_link asins=’1720933685,8494731963,8416466300,1491910399,149190142X,111866146X,8499612989,1726020681,1491912057,2409008380′ template=’ProductCarousel’ store=’heroesdeldato-21′ marketplace=’ES’ link_id=’090d631d-eb60-11e8-9ffd-176519163912′]
Aprovecha los 30 días gratuitos de Amazon Prime con el siguiente enlace:
Y no te olvides que después de las ofertas del Black Friday, vienen las del Ciber Monday. Todas con descuentos especiales en algunos artículos si vienes de parte de Heéroes del Dato:
Me llena de orgullo y satisfacción 🙂 anunciaros que soy uno de los ponentes del Cogreso Investiga con Datos 2018.
Durante 3 días enteros, grandes expertos en análisis de datos, investigación y desarrollo profesional van a compartir contigo ejemplos de análisis de datos, tutoriales de herramientas, estrategias para investigar mejor y estrategias para aumentar tu impacto como científico. Este congreso es diferente a lo que estás acostumbrado. El formato son charlas con un tono cercano y riguroso. Encontrarás ejemplos, experiencias en investigación, consejos para aprender y desarrollarte profesional en el mundo de la Ciencia de los Datos. Desde el 16 y hasta el 18 de julio, podrás disfrutar de las charlas de +20 expertos y compartan contigo un montón de conocimiento para que te ayuden a avanzar.
Cartel Congreso Investiga con Datos
Las 4 temáticas del congreso son:
Ejemplos reales de análisis de datos – verás ejemplos de aplicación explicados por expertos
Consejos de aprendizaje – los mimos ponentes de darán sus trucos para aprender y avanzar en sus proyectos
Herramientas de análisis de datos – tutoriales y consejos de herramientas (softwares)
Desarrollo profesional – estrategias y tácticas para avanzar en tu carrera científica e investigadora
Mi charla trata sobre la visualización de datos y la realización de aplicaciones para el reporte de datos. Se publicará el miércoles 18-julio a las 10:00.
Selección de libros para Data Scientist ¡con descuentos!
En ella damos un paseo por diversas aplicaciones realizadas para distintos proyecto, y hablamos sobre la importancia de la visualización de datos en 2 momentos dentro del flujo de un análisis de datos:
El análisis exploratorio de los datos
El análisis de los resultados y la presentación de los mismos.
Héroes del Dato en Investiga con Datos
Por si todo esto fuera poco, el summit terminará con un workshop práctico para poner en marcha en tu propio proyecto un método de aprendizaje y aplicación del análisis de datos en tus proyectos. De esta manera tendrás mucho más claro cómo aprender a transformar los datos en conocimiento para que puedas presentar proyectos a la comunidad científica con mayor impacto.
Selección de los mejores ordenadores para Data Scientist ¡con descuentos!
Las charlas se irán publicando durante los días 16 a 18 de julio. Si no puedes estar para verlas en directo, dispones de 24 horas para ver esa charla a partir del momento de su publicación.
Si no vas a estar en ese momento disponible, o durante esos días, o quieres poder acceder en otro momento a los contenidos, puedes adquirir un acceso permanente.
El precio de este pase es de 54€, pero lo puedes conseguir por un precio especial (17€) hasta el inicio del congreso:
¡Muchísimas gracias por la gran acogida que ha tenido mi nuevo curso de aplicaciones Big Data Science con Shiny!!!
La verdad es que da gusto trabajar en un curso y meterle tantas horas con este tipo de respuesta. Espero que los que ya lo tenéis, lo estéis disfrutando tanto o más de lo que lo disfruté yo al realizarlo.
Selección de los mejores ordenadores para Data Scientist ¡con descuentos!
Me estoy dando unos días de descanso pero en seguida salto a preparar mi siguiente curso: Una aplicación completa para predecir apuestas deportivas, centradas en el fútbol y tomando como ejemplo la Liga Española de Fútbol analizando los resultados obtenidos en jornadas anteriores y en la aparición de las cuentas oficiales de los equipos en Twitter.
En este nuevo curso aprenderemos:
Cómo hacer scrapping de una web (para tener las clasificaciones y los partidos pendientes)
Cómo funciona y desarrollar la descarga continua de tweets utilizando la API pública de Twitter
Cómo almacenar esa información en nuestro disco duro o en S3 de Amazon
Aprenderemos a montar un servidor RStudio con ShinyServer integrado en un servidor de Amazon (gratuito el primer año) donde podremos correr nuestra aplicación sin tener nuestro ordenador continuamente funcionando.
Probaremos diferentes modelos de predicción para encontrar el mejor resultado con todos los datos que obtendremos.
Automatizaremos la recogida de datos y los cálculos de las predicciones mediante la librería cronR de R.
Y realizaremos una aplicación en Shiny para visualizar los resultados desde una web.
Selección de libros para Data Scientist ¡con descuentos!
Y seguimos con las promociones de mis cursos. Aprovechando el lanzamiento del nuevo curso, os ofrezco mis 3 cursos a un precio especial, el mínimo que me permite Udemy, para que aprendáis sin gastar mucho.
Si cogéis los 3 cursos con esta oferta, por menos de un tercio del valor de un único curso, os llevaríais 3. Casi 50 horas de cursos de Data Science y Machine Learning.
Estos cursos son:
Aplicaciones Big Data para Data Scientist con R y Shiny: Para ser un buen Data Scientist, experto en Big Data o Ingeniero de Machine Learning, hay que ser capaz de comunicar bien la información y los resultados obtenidos. En este curso aprenderás a utilizar Shiny, una librería de R que te permite realizar aplicaciones web de una forma rápida y sencilla, integrando R de forma nativa. Veremos los principales elementos y haremos una aplicación completa desde cero paso a paso.
Aplicaciones Big Data para Data Scientist con R y Shiny
Introducción a Data Scientist programando en R: La profesión del futuro, ya está de moda en el presente. Con este curso aprenderás los fundamentos de R y conocerás todos los aspectos de esta profesión: adquisición, exploración, tratamiento y visualización de resultados. Y para terminar el curso, una aplicación de análisis de sentimientos de los tweets de películas que podrás ver en formato web.
Introducción a Computer Vision con Machine y Deep Learning con R: Un completo curso para ver como funciona la visión por computador. Utilizando el famoso set de datos MNIST, que contiene imágenes de números del 0 al 9 escritos a mano, realizaremos diversos sistemas de clasificación, para comprobar su funcionamiento, y ver cómo se comportan. Utilizaremos un montón de algoritmos de Machine Learning, como Support Vector Machine, K Nearest Neighbours, Naïve Bayes, etc. Varias formas de reducir la dimensionalidad, y probaremos dos plataformas para aprendizaje electrónico, H2O y el famoso TensorFlow de Google. Todo con explicaciones de cada método y algoritmo, y explicación práctica en R.
Iniciación a Computer Vision con Machine y Deep Learning en R
¡Regálatelo a ti mismo! Siéntete libre para compartirlo con tus amistades, familiares o con quien creas que le pueda interesar o convenir. Muchas gracias por apoyar mis cursos. ¡¡¡Juntos hacemos una gran comunidad! ¡Nos vemos en las clases!
Aplicaciones Big Data para Data Scientist con R y Shiny
En el curso de Aplicaciones Big Data para Data Scientist con R y Shiny, encontrarás las bases para desarrollar aplicaciones web en lenguaje R, de una manera sencilla rápida, a través de la librería Shiny. Con Shiny podrás prototipar y desarrollar aplicaciones completas que funcionan en cualquier dispositivo (responsive) y que se puden publicar de múltiples métodos. En el curso veremos las principales características de Shiny, sus widgets y desarrollaremos una veintena de aplicaciones de ejemplo, terminando con un proyecto completo, de principio a fin, analizando las palabras de las principales obras de la literutara hispánica, como El Quijote.
Para celebrar esta inauguración, también os pongo, en oferta de Lanzamiento, el resto de mis cursos.
Estos cursos son:
Introducción a Data Scientist programando en R: La profesión del futuro, ya está de moda en el presente. Con este curso aprenderás los fundamentos de R y conocerás todos los aspectos de esta profesión: adquisición, exploración, tratamiento y visualización de resultados. Y para terminar el curso, una aplicación de análisis de sentimientos de los tweets de películas que podrás ver en formato web.
Introducción a Computer Vision con Machine y Deep Learning con R: Un completo curso para ver como funciona la visión por computador. Utilizando el famoso set de datos MNIST, que contiene imágenes de números del 0 al 9 escritos a mano, realizaremos diversos sistemas de clasificación, para comprobar su funcionamiento, y ver cómo se comportan. Utilizaremos un montón de algoritmos de Machine Learning, como Support Vector Machine, K Nearest Neighbours, Naïve Bayes, etc. Varias formas de reducir la dimensionalidad, y probaremos dos plataformas para aprendizaje electrónico, H2O y el famoso TensorFlow de Google. Todo con explicaciones de cada método y algoritmo, y explicación práctica en R.
¡Regálatelo a ti mismo! Siéntete libre para compartirlo con tus amistades, familiares o con quien creas que le pueda interesar o convenir. Muchas gracias por apoyar mis cursos. ¡¡¡Juntos hacemos una gran comunidad! ¡Nos vemos en las clases!
Una pregunta que me hace mucho es ¿Qué es la Ciencia de los Datos? Intentemos resolver esta pregunta con varios conceptos.
QUÉ ES:
El término se utiliza mucho últimamente, es la palabra de moda que se utilizara para describirlo todo.
La descripción de Wikipedia es: La ciencia de datos es un campo interdisciplinario que involucra métodos científicos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas, ya sea estructurados o no estructurados, lo cual es una continuación de algunos campos de análisis de datos como la estadística, la minería de datos, el aprendizaje automático y la analítica predictiva.
Esta definición, aunque formalmente correcta, no nos da mucha información sobre lo que es realmente la Ciencia de los Datos.
Uno de los grandes errores que se encuentra uno tratando de definir la Ciencia de los Datos es relacionarla directamente con el Big Data. Realmente no es necesario tratar mucha información para realizar Data Science, aunque se pueda. La Ciencia de los Datos puede tratar cien, un millón o billones de registros.
Small Data
Ya que tiene la palabra ciencia en su nombre, habrá que considerar la definición de Ciencia y de Método Científico. De acuerdo con esto, Data Science no se trata solo de los métodos prácticos o empíricos, sino que necesita fundamentos científicos.
Método Científico
Para definir la Ciencia de los Datos es interesante diferenciar los conceptos datos e información. Los datos son un conjunto sin procesar o sin organizar de cosas que necesitan procesarse para tener un significado.
La información es cuando los datos han sido procesados, organizados, estructurados o presentados en un contexto dado para hacerlo útil
En base a esto, tendríamos ciencia de datos y ciencia de la información. En este momento, las personas tienen un prejuicio para hablar sobre ciencia de datos, incluida la ciencia de la información.
Datos vs Información
El término se está usando en muchos campos o mercados que hasta ahora usaban otros términos, como Análisis de Datos, Business Intellgence, etc:
Estadística / Matemáticas
Análisis de negocio
Inteligencia de mercado
Consultoría estratégica
Muchos otros…
La parte más loca es que ves profesionales de estas áreas actualizando sus hojas de vida con algo así como «trabajé con Data Science …»
Viejos Científicos de Datos?
La creación de ciencia de datos de una manera simple. Dos lados que no estaban totalmente conectados, pero que, con el nuevo mundo acelerado y tecnológico, tendrán que fusionarse:
Estadísticas / Matemáticas: formule modelos adecuados para generar ideas.
Informática: haga el puente entre los modelos y los datos en un tiempo factible para llegar con el resultado.
Temas / herramientas que una persona necesita comprender o tener algún conocimiento cuando trabaja con Data Science:
Álgebra lineal
Sistemas no lineales
Geometría analítica
Mejoramiento
Cálculo
Estadística
Lenguaje de programación (R, Python, SAS)
Softwares: Excel, SPSS de IBM
Plataformas generales: Watson Anlytics de IBM, Azure Machine Learning,
Google Cloud machine learning,
Visualización de datos: Power BI, Tableau, R / Python usando plotly / ggplot
Aprendizaje automático (aprendizaje supervisado, no supervisado y de refuerzo)
Big Data
Big Data Frameworks (Hadoop y Spark)
Hardware (CPU, GPU, TPU, FPGA, ASIC)
Caja de Herramientas
Una imagen vale más que mil palabras: Diagrama de Venn de Data Science de Drew Conway. La experiencia sustantiva (o conocimiento del dominio) es el conocimiento específico del área en la que está aplicando Data Science. Para saber más acerca de la falta de experiencia sustantiva en la ciencia de datos ver el siguiente enlace.
Diagrama Venn Data Science
QUÉ NO ES:
Machine Learning no es una rama de la ciencia de datos. El aprendizaje automático se originó a partir de la Inteligencia Artificial. La ciencia de datos solo utiliza el Machine Learning como una herramienta. La razón es que produce resultados asombrosos y autónomos para tareas específicas
Machine Learning
No es la salvación de las empresas que nunca midieron nada y ahora quieren obtener información de sus datos. «Basura adentro, basura afuera» La ciencia de datos será tan buena como los datos generados en los años siguientes.
Basura dentro = Basura fuera
Desde luego, Ciencia de los Datos no es presentar datos usando algunos gráficos de Excel sin ninguna información sobre los datos.
No Excel
Desde Héroes del Dato esperamos que este artículo haya arrojado luz a la complicada tarea de definir la Ciencia de los Datos.
Hasta hace muy poco la Business Intelligence era considerada como un elemento de lujo que sólo las grandes empresas se podían permitir.
Pero los datos se están convirtiendo en algo habitual y accesible. Su enorme variedad y cantidad permite a las empresas trascender de sus propios datos y adquirir nuevos conocimientos.
Se empieza a utilizar la Ciencia de los Datos como algo esencial, como un administrativo o un gerente.
Esta nueva ciencia permite a las empresas salir de la retrospectiva y el análisis de sus propios datos y empezar a ser predictivo, pro-activo y empírico.
Moverse desde el BI tradicional hacia la Ciencia de los Datos es un gran esfuerzo necesario para convertirse en una empresa dirigida por los datos, el famoso data-driven.
Las 10 grandes diferencias entre ambas tecnologías son:
Perspectiva
Los sistemas de BI están diseñados para mirar hacia atrás basados en datos reales de eventos reales.La ciencia de los datos mira hacia adelante, interpretando la información para predecir lo que podría suceder en el futuro.
Foco
BI ofrece informes detallados, KPIs y tendencias, pero no indica cómo serán estos datos en el futuro. La Ciencia de los Datos lo hace en forma de patrones y mediante la experimentación.
Proceso
Los sistemas tradicionales de BI tienden a ser estáticos y comparativos.No ofrecen espacio para la exploración y experimentación en términos de cómo se recogen y administran los datos.
Fuentes de datos
Debido a su naturaleza estática, las fuentes de datos BI tienden a ser pre-planificadas y agregadas lentamente.La ciencia de datos ofrece un enfoque mucho más flexible, ya que significa que las fuentes de datos se pueden agregar en el camino según sea necesario.
Transformar
La forma en que los datos ofrece una diferencia para el negocio es clave también.BI le ayuda a responder a las preguntas que sabe, mientras que la ciencia de datos le ayuda a descubrir nuevas preguntas debido a la forma en que anima a las empresas a aplicar conocimientos sobre nuevos datos.
Almacenamiento
Al igual que cualquier activo comercial, los datos deben ser flexibles.Los sistemas de BI tienden a ser almacenados y apilados, lo que significa que es difícil de implementar soluciones basados en ellos en el negocio.Los datos de la Data Science se puede distribuir en tiempo real.
Calidad de los datos
Cualquier análisis de datos es tan bueno como la calidad de los datos que utiliza. BI proporciona una versión única de la verdad, mientras que la ciencia de datos ofrece precisión, nivel de confianza y probabilidades mucho más amplias con sus hallazgos.
Propiedad de IT versus propiedad de negocios
En el pasado, los sistemas de BI a menudo eran propiedad y operados por el departamento de IT, enviando la información a los analistas que la interpretaban.Con la Ciencia de los Datos, los analistas están al mando.Las nuevas soluciones Big Data están diseñadas para ser producidas por el analista, que pasan muy poco de su tiempo en recoger y almacenar los datos y la mayoría del tiempo analizando datos y haciendo predicciones sobre las cuales basar las decisiones de negocios.
Análisis
Es mucho menos probable que un sistema retrospectivo y prescriptivo de BI sea colocado para hacer esto que un programa predictivo de ciencias de datos.
Valor de negocio
El análisis de los datos debe informar las decisiones empresariales en el mejor interés de la empresa, lo que significa demostrar valor en el aquí y ahora y predecir en el futuro.La ciencia de los datos está mucho mejor ubicada para hacer esto que BI.
En vista de lo anterior, no debería sorprendernos que las empresas están impulsando sus inversiones en las estrategias de Big Data y plataformas de entrega, impulsado por Data Science.
Sin embargo, la inversión financiera es secundaria al cambio mental que se requiere para tener éxito realmente con los datos grandes. Las comprobaciones y los casos de uso deben ser introducidos para convencer a todos los interesados a cambiar a la verdadera cultura basada en datos que es una base necesaria para una exitosa estrategia de Big Data Analytics.
