1

¿Qué es la ciencia de datos?

• Conceptos básicos: big data, lago de datos, minería de datos, inteligencia artificial, aprendizaje automático y profundo, minería de textos.
• Los nuevos retos: la aparición y multiplicación de nuevas fuentes de datos.
• Hay que tener en cuenta la heterogeneidad de los datos, los flujos en tiempo real y la explosión de los volúmenes de datos.
• El ecosistema tecnológico de Big Data.
• Desmitificando el mundo de la ciencia de datos: análisis descriptivo, predictivo y prescriptivo.
• El trabajo, las herramientas y los métodos del científico de datos.
• Introducción al aprendizaje automático, análisis supervisado y análisis no supervisado.
• Nociones de sobreaprendizaje y subaprendizaje.

2

Métodos y modelos de la ciencia de datos

• Recogida, preparación y exploración de datos.
• La importancia del enfoque de la calidad de los datos (limpieza, transformación, enriquecimiento).
• Definición de métrica.
• Métodos estadísticos básicos.
• Las principales clases de algoritmos supervisados: árboles de decisión, vecinos más próximos a K, regresión, Naive Bayes.
• Las principales clases de algoritmos no supervisados: clustering, PCA, CAH, redes neuronales.
• Minería de textos y otras familias de algoritmos.

3

Representación gráfica y recuperación de datos

• Lenguajes de análisis estadístico R y Python.
• Sus entornos de desarrollo (R-Studio, Anaconda, PyCharm) y bibliotecas (Pandas, aprendizaje automático).
• Herramientas DataViz (Power BI, Qlik, Tableau, etc.).
• Modelización de datos: representación de procesos, flujos, controles y condiciones.
• Comunicación de resultados mediante la narración de datos: organización de elementos visuales (diagramas, clasificaciones, mapas).
• Modelización de datos: herramientas (Orange, Power BI).
• Comunicación de resultados mediante la narración de datos: transmitir la importancia de los resultados.

4

Modelización de un problema de ciencia de datos

• Resumen del proceso.
• Estudio de caso 1: relaciones con los clientes en el sector de los seguros.
• Dirigir las campañas de marketing. Comprender las causas de la pérdida de clientes. ¿Qué productos para qué clientes?
• Caso práctico 2: detección del fraude.
• Comparar la investigación mediante estadísticas tradicionales y minería de datos.
• Detección por método supervisado. Detección no supervisada.
• Análisis de dos casos empresariales, las relaciones con los clientes y la detección de fraudes, por ejemplo, pero también son posibles otros.