Artículos recomendados para científicos de datos: DataViz, SVM, Pytorch, análisis de sentimiento
Como es costumbre en este blog, esta semana toca compartirles una serie de artículos que serán de utilidad para tanto principiantes como practicantes de data science.
I. Para los que inician su carrera de análisis de datos
Para los nuevos, aquí les dejo un artículo con consejos para ser contratado como analista de datos, crear un portafolio de visualización de datos gratuito, conectarse con otros entusiastas de los datos, conseguir el trabajo de visualización de datos y más: 7 Ways to Stand Out and Secure Your Next Data Analytics Role (Tableau).
El siguiente artículo es para aquellos que les gusta leer, aprender y encontrar inspiración para sus proyectos: How mathematics built the modern world (Work in Progress).
II. Análisis visual
A continuación, les comparto una "infografía" sobre la recaudación en taquilla de las películas del Universo Cinematográfico de Marvel (MCU por sus siglas en inglés). Me gusta esta visualización, ya que combina dos objetos visuales (un gráfico de columnas y uno de líneas) que utilizan líneas constantes para mejorar el análisis visual. Muy recomendable para estudiar y replicar las buenas prácticas en la creación de objetos visuales.
Fuente: Visual Capitalist
El siguiente artículo describe cinco lecciones sobre cómo las etiquetas se pueden implementar de manera útil en visualizaciones de datos y cómo esto puede informar las prácticas de comunicación científica basadas en evidencia: 5 lessons for labelling 3D Data visualization for public engagement (LSE Impact Blog).
III. Aprendizaje automático
Nuestra amiga del blog Regenerative, ha estado muy activa últimamente compartiendo sus conocimientos con el objetivo de que los lectores puedan replicar la práctica. Aquí les dejo dos artículos para practicar lo que se conoce como SVM (Support Vector Machine):
Lea este artículo de IBM sobre entrenamiento de modelos de IA con PyTorch para aprender los conceptos básicos de PyTorch y su soporte para crear, entrenar y optimizar modelos de ML para sus aplicaciones de IA.
Finalmente, este estudio emplea técnicas de aprendizaje automático, específicamente procesamiento del lenguaje natural (NLP por sus siglas en inglés), para examinar 77 políticas de bonos climáticos (CB) de 32 países en el contexto del financiamiento climático. Así mismo, este estudio contribuye a la literatura al emplear técnicas de NLP para comprender los sentimientos políticos en el financiamiento climático.
Para los que quieran aprender más, aquí les dejo mi repositorio en GitHub con recursos sobre machine learning, blockchain, computación cuántica, deep tech, innovación y evaluación de impacto.
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