Recursos para científicos de datos (Python, R y Tableau)

Desde hace algunos años me dedico a la consultoría de ciencia de datos y capacito a las organizaciones en análisis de datos e inteligencia de negocios para una mejor toma de decisiones. Por lo cual, doy fe que cada día las empresas son más conscientes que tienen que actualizarse y empezar la transformación digital a un modelo más orientado al aprovechamiento de los datos.

La siguiente figura es resultado de un estudio reciente que demuestra que trabajar con IA vale la pena, ya que el valor de las habilidades de IA (aumentan los salarios de los trabajadores en un 21%) es significativamente mayor que el de las habilidades promedio (Gráfico A1). Mientras que, al examinar el valor de las habilidades de IA individualmente (Gráfico B), se observa que las habilidades relacionadas con el aprendizaje automático, es decir, ML (40%), Tensor Flow (38%), Deep Learning (27%), PNL (19%), son más valiosas que las habilidades en análisis de datos (14%) y ciencia de datos (17%), seguidas de los lenguajes de programación más destacados utilizados para construir IA, como Python (8%), C++ (7%) y Java (5%).

Fuente: Do we have a chance against AI in the skills race?

Desafortunadamente, las organizaciones deben de pasar un proceso de aprendizaje del uso de los datos (para saber más acerca de este proceso léase: Hacia una Economía Digital: el futuro es ahora). Por lo cual, lo más recomendable es que aprendan desde aplicar el análisis de datos (con SQL, Python o R) y la inteligencia de negocios (Big Query, Power Bi o Tableau).

Para aquellos que les interesa aprender de manera autodidacta o mejorar sus conocimientos, en el post del día de hoy les voy a compartir algunos recursos que pueden ser de su interés para ponerse manos a la obra.

Para los principiantes en Python: A Complete Exploratory Data Analysis in Python (Regenerative) y acá para los más avanzados o que se dedican a las series temporales: TimeGPT: The First Foundation Model for Time Series Forecasting (Towards Data Science).

Por si te lo perdiste, aquí tienes más recursos para ciencia de datos en modelos de TensorFlow y series temporales.

Para los usuarios de R que trabajan con datos de panel aquí les dejo dynamite in R (IBM Data Science in Practice).

Para los practicantes en Tableau, acá les dejo un recorrido por 26 funciones de Tableau que aumentarán su productividad, mejorarán la gestión de datos y harán que la información sobre los datos sea más escalable en toda su organización: 26 Tableau Features to Know from A to Z (Tableau).

Finalmente y no por ello menos importante, aquí les dejo un artículo Things I learned from reproducing 18 papers (World Bank). La autora nos comparte algunas de sus conclusiones al intentar trabajar con el código de otras personas. Una de las principales conclusiones es la posible compensación entre la eficiencia del código y su legibilidad y reutilización: tener muchos archivos locales, globales y bucles, así como un conjunto completo de archivos que deben ejecutarse en un orden específico, puede hacer que para la eficiencia de la codificación, pero puede hacerlo mucho más difícil para alguien que simplemente quiere entender cómo reproducir una tabla o figura en particular del papel.

Si eres un entusiasta de las tecnologías emergentes al igual que yo, aquí te dejo mi repositorio alojado 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.

¡Hasta la próxima!