DATOS, TÉCNICAS DE ANÁLISIS DE DATOS Y MODELOS DE CIENCIA DE DATOS
Tipos de datos
Numéricos
Tasa de desempleo, tasa de inflación, ingreso de los hogares, gasto de los hogares.
Transversales
Sexo, nivel de instrucción formal, tipo de universidad. Generalmente, se puede
a través de frecuencias (absolutas o relativas).
Observaciones realizadas en el mismo período de tiempo a un grupo específico (Tabla
Series
Secuencia de observaciones en diferentes períodos de tiempo de un mismo individuo (Tabla
Datos
Observaciones
(Tabla
Si se observan
Si
observa
precio
en diferentes períodos de
series de tiempo.
un determinado período de
200GB durante
período
o cuantitativos
Categóricos o cualitativos
transformar estadísticas numéricas
1.2).
de tiempo
1.1).
de panel /longitudinales
repetidas sobre los mismos individuos
tiempo
1.6): Es una combinación entre datos transversales y
EJEMPLOS
los precios de diferentes hard drives en
tiempo (2004): datos transversales.
se
el
de un hard drive de
el
2003-2007: series de tiempo. 1. 2.
Fuente: Smith, G. (2015). Essential Statistics, Regression, and Econometrics. Pgs. 4 10.
Tipos de variables
Número de hijos de una familia
CUALITATIVA Continua
Discreta
CUANTITATIVA
favorito
Número de libros leídos Estado civil
Número de hijos de una familia
Número de libros leídos
Monto de recauda ción tributaria Precipitación anual en Quito
Color
Datos únicamente clasificados
Niveles de medición
Datos ordenados
Punto 0 significativo
Número de pacientes atendidos Marca de
de instrucción
ORDINAL RAZÓN
NOMINAL
automóvil Nivel
Técnicas de investigación CUANTITATIVA
Muestreo probabilístico
Encuesta y cuestionario
Escala tipo Likert
Análisis cuantitativo de datos secundarios
Pruebas objetivas
Recopilación de registros administrativos
Revisión de documentos y análisis de contenido de textos, documentos (cuantitativos)
Técnicas de investigación CUALITATIVA
Revisión
Estudio
de documentos y análisis de contenido de textos, documentos (cualitativos)
de caso Etnografía Observación
Utiliza la base de datos de entrenamiento para realizar predicciones
Aprendizaje
Modelos
TIPOS DE APRENDIZAJE
Aprendizaje no
Clases: clasificación o categorización y regresión
Aprendizaje
Utiliza inferencias de la base de datos, la misma que no tiene respuestas categorizadas
Clases: clustering y reducción dimensional o asociación
Aprendizaje por
Etiquetado manual, pocos datos etiquetados y mucho no etiquetados
Clases: self learning
Psicología del comportamiento para la toma de decisiones (recompensas y penalidades)
Clases: Componentes y nexos
supervisado
supervisado
refuerzo
semi supervisado
de ciencia de datos
Ciencia de datos y algoritmos
AlgoritmoDescripción EjemploClase
Clasificación
Predice si un dato pertenece a una clase predeterminada
Árbol de decisión, redes neuronales, modelos Bayesianos
Regresión
Predice el valor utilizando datos determinados
Detección de anomalías
Predice si un dato es un dato atípico (outlier) comparando con el resto de datos
Predicción por series de tiempo
Utiliza datos históricos para realizar la predicción en un horizonte de tiempo
Clustering
Identifica clusters naturales en el conjunto de datos utilizando sus propiedades
Análisis de asociación
Identifica las relaciones utilizando datos de transacción
Regresión lineal, regresión logística
Identificación de un consumidor en un grupo de consumidores conocidos
Distancy based, density based, local outlier factor (LOF)
Autorregresive integrated moving average (ARIMA), regresión
Predicción de la tasa de desempleo para el siguiente año
K means, clustering
Detección de transacciones fraudulentas por medio de tarjeta de crédito
Predicción de ventas
Frontera de producción, algoritmo de crecimiento
Segmentos de consumidor en base a transacciones, web
Oportunidades de venta cruzada en función del historial de compra (transacciones)
Aprendizaje supervisado vs. Aprendizaje no supervisado
! Datos et i q u et a d o s ! Usado para g en er a l i z a r las relaciones existentes entre las variables de ingreso (input) y variables de salida (output) ! Datos s i n et i q u et a r ! Utilizado para d es c u b r i r patrones e información.
1 2 3 4 Aprendizaje superv isado discreto Clasificación o categorización 1 Aprendizaje supervisado continuo Regresión 4 Aprendizaje no supervisado discreto Clustering 2 Aprendizaje no supervisado continuo Reducción dimensional 3 Estrategias de aprendizaje Aprendizaje Supervisado discreto
Aprendizaje
supervisado Variables de entrada Variables de salida o resultado Entrenamiento Modelo ! Datos ! Clasificación por etiquetas (clases), que son los valores que se desean predecir (resultado).
Ejemplos de Aprendizaje supervisado
Fuente: https://sven-mayer.com/pml/
Aprendizaje supervisado – Pasos básicos
Entrenar el modelo a través de múltiples interacciones de datos de entrenamiento para mejorar la precisión y velocidad de predicción
Realizar predicciones y evaluar el modelo
Elegir un modelo utilizando un algoritmo de aprendizaje supervisado: naturaleza clasificación o regresión.
Recopilar y limpiar los datos de entrenamiento
Seleccionar el tipo de datos de entrenamiento, determinar la naturaleza de los datos
04
05
01
03
02
Clasificación o categorización
Aprendizaje supervisado
Objetivo:
de nuevos
con base a las observaciones pasadas.
de la etiqueta, la clasificación puede ser binaria (etiqueta discreta, 0 o 1) o multiclase (múltiples categorías).
se utiliza con etiquetas discretas
–
Regresión
predecir las etiquetas de clase categóricas
registros,
! Dependiendo
! Generalmente
Proceso estadístico predictivo mediante la relación entre variables dependientes e independientes ! Predicción de valor continuo (ventas, precio, calificación) ! Resultado: Ecuación Aprendizaje supervisado - Regresión
Aprendizaje supervisado – Tipos de algoritmos
Regresión lineal
Regresión logística
Árbol de decisión (clasificación)
Random forest
Línea recta como gráfico de la ecuación, método de Mínimo Cuadrados Ordinarios (MCO), utiliza datos continuos
Clasificación binaria, resultado: probabilidad de que pertenezca a una clase, utiliza datos discretos
Similar al diagrama de flujo, se evalúan valores en cada nodo para llegar a la clasificación final
Combinación de árboles de decisión independientes entre sí para reducir la varianza
Aprendizaje supervisado
Clasificación
Ejemplos
Clasificación
–
binaria Email spam etiquetado con 1, email no spam etiquetado con 0
multiclase: Detección de la raza de un perro. Predicción altura –peso Regresión lineal Cielo: opción 1 sol, opción 2 nublado, y opción 3 lluvia Árbol de decisión (clasificación) Probabilidad de ser un buen cliente (score de crédito) Regresión logística Random forest Predecir la enfermedad de un paciente tomando en cuenta los síntomas que presenta e historial clínico
Aprendizaje
de
Aplicaciones en
Segmentación de
éxito
fallo de la
Incremento del comercio
través
de
estudio de
Identificación de
Personalización de las pólizas de seguros
de los hábitos de los
Detección de
mercados para crear campañas de marketing, cálculo de
y
campaña
dependiendo
clientes
las fuentes significativas de riesgos en operaciones bancarias
fraude Predicción
cotización de acciones en bolsa
electrónico a
del
tendencias
consumo
supervisado –
finanzas, negocios, y economía
BIBLIOGRAFÍA
Géron, A. (2017).
Build
Mayer, S. (s/f).
Saura, R., Palos Sanchez, P., & Grilo, A. (2019).
Scikit-Learn & Tensor Flow.
Systems. O’Reilly.
en: https://sven-
Smith, G. (2015).
Statistics,
Econometrics. Elsevier.
Hands-On Machine Learning with
Concepts, Tools, and techniques to
Intelligent
Course: Practical Machine Learning, disponible
mayer.com/pml/
Detecting Indicators for Startup Business Success: Sentiment Analysis Using Text Data Mining. Sustainability 11(3), 917, disponible en: https://doi.org/10.3390/su11030917
Essential
Regression, and
