Este documento presenta una introducción a la ciencia de datos. Habla sobre cómo la estadística será el trabajo más atractivo de la próxima década según Hal Varian. Luego explica conceptos como la presentación de datos, el aprendizaje automático, la estadística y los grandes datos. Incluye ejemplos como epidemias de cólera y el uso de datos propios de un teléfono Android y un automóvil para comprender mejor estos temas.

1. Data Science
Svet Ivantchev, eFaber
UniEE, 7 de marzo de 2012

4. El sexy job del la década?
“I keep saying the sexy job in the next ten years
will be statisticians. People think I'm joking, but
who would've guessed that computer engineers
would've been the sexy job of the 1990s?”
Hal Varian,The McKinsey Quarterly, January 2009

5. http://www.dataists.com/2010/09/the-data-science-venn-diagram/

6. http://www.mymodernmet.com/profiles/blogs/stephen-wildish-clever-venn-diagrams

7. http://www.mymodernmet.com/profiles/blogs/stephen-wildish-clever-venn-diagrams

8. Hablaremos de:
• Presentación de datos
• Aprendizaje automático
• Estadística
• Big Data

9. Presentación de datos
Cuatro “sets” de datos con los mismas “medidas”
Anscombe, F. (1973), Graphs in Statistical Analysis,The American Statistician, pp. 195-199.

10. Los mismos promedios presentados gráficamente
http://en.wikipedia.org/wiki/Anscombe%27s_quartet

11. Ej: Epidemia de cólera en Londres
• año 1854
• 19 de agosto -- 29 de septiembre: 616
muertos
• tardan 2.5 semanas en descubrir el motivo

13. Comparativas sin sentido
Radiación solar y la bolsa

14. El contexto

23. NYT y la deuda de los países
http://www.nytimes.com/interactive/2011/10/23/sunday-review/an-overview-of-the-euro-crisis.html

24. Estadística 101

27. Aprendizaje automático
(aka Machine Learning)
Desarrollo de algoritmos y métodos que
permiten a los ordenadores “evolucionar”
en base de datos empíricos

28. Temas y ejemplos
• Clasificación
• Recomendaciones
• Clustering (con zip :-) ?)
• Ejemplo y relación con Compresión
• En la vida real I: datos vs algoritmos
• En la vida real II: experiencia vs
metodología

29. Relacionado: búsqueda
• Idea de TF-IDF, tf (t, d) * idf (t, D)
• Idea de PageRank

30. Peligro: Usar sin entender

31. Otro ejemplo (mejor)

32. Datos propios
• Con un móvil Android
• Del coche

33. Con un Android

46. OBD II

53. GPS speed

54. Engine RPM

55. Acc pedal pos

56. Fuel flow

57. CO2

58. Recapitulando
• Visualización
• Gestión de muchos datos
• Métodos matemáticos y estadística