Recursos para cientifícos de datos (1º semana de febrero de 2023)
Pues esta semana les traigo algunos recursos para los interesados en la ciencia de datos. Recuerden que no todo es saber código. Como bien señala nuestro primer artículo recomendado de la revista de negocios de la London School of Economics: Los modelos matemáticos son simplificaciones. Ningún modelo es capaz de integrar todos los numerosos equilibrios políticos, económicos y sociales que intervienen en la toma de decisiones de política pública. Las soluciones son tanto técnicas como sociales. Por ello, necesitamos más trabajo sobre el contexto social y el contenido social de los modelos matemáticos, y un pensamiento crítico sobre cómo estos modelos interactúan con la toma de decisiones y el desarrollo de políticas (LSE Business Review) y ojo que esto también aplica para las empresas.
El siguiente artículo, parte de un "estudio" para evaluar si el aumento del IVA de bebidas azucaradas redujo realmente el consumo. Lo interesante, es que los autores del post llevan a cabo un avanzado análisis visual para explicar por qué pueden divergir las conclusiones según los datos que se analicen. Esto aporta mucho valor, ya que es uno de los errores más frecuentes en los analistas de datos es la falta de rigurosidad del método científico. Actualización, pues justo esta semana los autores del documento de trabajo original que es criticado en el post que les compartí, han salido a defender sus datos: El aumento del IVA a bebidas azucaradas reduce el consumo, pero no el de todos
A continuación, una embajadora de Tableau (un reconocimiento que se otorga a las personas que son influyentes dentro de una comunidad tecnológica) nos comparte sus tips para ganar en las competiciones de visualización de datos: Data Viz Competition Tips from Tableau Ambassador Gandes Goldestan
Hablando de colaborar en comunidades tecnológicas, justo les comentaba en mi último post del año pasado, que me había sumado a la Red Code4Dev del BID y que los estaría manteniendo al tanto de las novedades. Pues aquí les comparto mi contribución al proyecto IDBSocialData: código abierto para analizar temas sectoriales en América Latina y el Caribe
Muchas gente escucha las términos de moda (buzzwords) como data science (ciencia de datos), machine learning (aprendizaje automático) e inteligencia artificial y no logran distinguir entre una y la otra. Como no saben de qué se trata, la mayoría de las veces no entienden para que les puede ser de ayuda en su empresa o modelo de negocio.
El siguiente artículo elaborado por McKinsey, nos explica cómo utilizar el aprendizaje profundo en el diseño de productos y cómo ayuda a las empresas a resolver los difíciles retos de optimización de la ingeniería.
Finalmente, les comparto dos recursos para poner en práctica sus conocimientos en ciencia de datos:
- Custom Images and Monitoring for R Models with Watson Machine Learning & Watson OpenScale (IBM Data Science in Practice).
- A Step-by-Step Tutorial to Develop a Multi-Output Model in TensorFlow (Regenerative).
Hasta aquí el post del día de hoy y recuerda que puedes seguirme en Twitter y mantenerte informado de lo último de ciencia, tecnología e innovación en el mundo de la economía y las finanzas.
Comentarios