Pasos para un Proyecto de Ciencia de datos Genjis A. Ossa

Больше похоже на это

México Independiente

от Kara Toledo

La Civilización Romana

от Valezka García

sistema de salud

от Luis Toledo

Sumerios

от Andy Galicia

Pasos para un Proyecto de Ciencia de datos Genjis A. Ossa

Sectores de influencia

Sector de Gobierno y Servicios Públicos.

Análisis de políticas públicas.

Gestión de recursos públicos.

Sector de Transporte y Logística

Mantenimiento predictivo.

Optimización de rutas.

Sector Retail

Optimización de la cadena de suministro.

Análisis de comportamiento del cliente.

Sector Salud

Predicción de enfermedades.

Sector Financiero

Prevención de fraudes.

Evaluación de riesgos.

Impactos

Impactos sociales

Transparencia y responsabilidad.

Mejora en la calidad del servicio.

Impactos Organizacionales

Desarrollo de capacidades internas.

Mejora en la toma de decisiones estratégicas.

Impactos Económicos

Optimización de recursos.

Mejora en la rentabilidad.

Reducción de costos.

Impactos Técnicos

Aumento en la precisión de los modelos.

Innovación tecnológica.

Optimización del rendimiento.

Dificultades y retos

Evaluación y Despliegue.

Desalineación con los objetivos de negocio.

Incompatibilidad con la infraestructura.

Mala generalización del modelo.

Alto costo computacional.

Selección inadecuada de algoritmos.

Incompatibilidad de datos.

Selección incorrecta de variables.

Comprensión de los Datos

Dificultad para acceder a los datos.

Datos de mala calidad.

Comprensión del Negocio

Falta de claridad en los objetivos del negocio.

Herramientas

Herramientas de Almacenamiento de Datos y Bases de Datos

Herramientas de Visualización de Datos

Herramientas de Big Data y Procesamiento Distribuido

Herramientas de Análisis y Minería de Datos

Plataformas y Entornos de Desarrollo

Lenguajes de Programación

Metodologias

DSDM

Proyectos con plazos ajustados.

Agile Data Science

Proyectos que requieren rapidez y adaptabilidad.

TDSP

Proyectos de ciencia de datos en equipos grandes.

SEMMA

Proyectos de análisis de datos altamente técnicos.

KDD

Proyectos enfocados en análisis de grandes bases de datos.

ASUM-DM

Proyectos complejos en grandes empresas.

CRISP-DM

Proyectos generales de minería de datos.

Aspectos Estructurales y Procedimentales

Evaluación.

Despliegue del modelo.

Validación con stakeholders.

Comparación con objetivos del negocio.

Evaluación de desempeño del modelo.

Modelado.

Optimización de hiperparámetros.

Entrenamiento del modelo (si aplica)

División de datos (si aplica)

Selección de algoritmos.

Preparación de los Datos.

Integración de datos.

Selección de variables.

Transformación de datos.

Limpieza de datos.

Comprensión de los Datos.

Evaluación de calidad de los datos.

Análisis exploratorio de datos.

Recolección de datos.

Comprensión del Negocio.

Entorno del negocio.

Identificación de restricciones y recursos.

Identificación de objetivos.

Definición del problema.