¿Cómo se estructura un proyecto en ciencia de datos? CRISP-DM Elaborado por: Ludwig Angel

Honelako gehiago

Entrevista Laboral

gerber sanchez‑k egina

La Historia de la Psicología Industrial organizacional

Ulises Damian Amador Perez‑k egina

Costos de calidad

Daniela Moncada‑k egina

Modelo Pedagógico Ecléctico

Sergio Reyes Ramos‑k egina

1. Entendimiento del Negocio

Objetivos y requisitos del proyecto

5. Evaluación

Revisar Proceso

Analizar qué funcionó y qué no

Evaluar Resultados

4. Modelamiento

Elegir Modelos

Entrenar Modelos

Evaluar Modelos

Evaluar modelos con métricas como RMSE, precisión, recall

Comparar Modelos

3. Preparación de datos

Esta etapa consume hasta el 80% del tiempo del proyecto. Es importante planificar con anticipación.

Datos Crudos

Conjunto de datos final

2. Comprensión de Datos

Arquitectura de datos de la organización.

Análisis exploratorio de datos (EDA)

Calidad de los Datos

¿Son confiables? ¿Qué tan limpios estan?

Diccionario de fuentes de datos.

Expectativas del Cliente Gestión de Riesgos Evaluación Continua Calidad de Datos

Descripción general de todas las fuentes de datos relevantes para su proyecto.

Selección de Datos Limpieza de Datos Construcción de Features

Tecnologías y herramientas Planes Detallados

Cambios fuentes de datos Requisitos Cambiantes Escalabilidad

Comparar salidas del modelo con criterios de éxito definidos

Determinar Próximos Pasos

Definir Problema Objetivos del Negocio Evaluar Recursos Planificación

Plan del proyecto

¿Cómo se estructura un proyecto en ciencia de datos? CRISP-DM Elaborado por: Ludwig Angel

6. Despligue

Capacitar a los usuarios finales

Documentar el proceso

Monitorear desempeño del modelo en tiempo real

Actualizar modelos según nuevos datos y necesidades

Implementar el modelo en producción

API, dashboard, informes

Retos