Presentacion

DATA SCIENCE
UNIDAD 1
MÓDULO 1
Presentación del
programa
www.digitalhouse.com
OBJETIVOS DE LA CLASE
Revisar el concepto de Data Science

1
2 Desarrollar lineamientos de clase
Discutir nuestra propuesta abordar el aprendizaje

3
Lograr que los participantes del programa se presenten y se

4
conozcan usando el flujo de trabajo de Data Science
www.digitalhouse.com 2
¿QUÉ ES DATA SCIENCE?
Traditional Data Science Venn Diagram ● Un set de herramientas y técnicas para

extraer información útil de los datos
● Una práctica interdisciplinaria

orientada a resolver problemas
● La aplicación de técnicas científicas a

problemas prácticos
● ¿Quién usa Data Science?

○ Recomendaciones de películas Netflix
○ Algoritmo Amazon: “si te gustó X,
quizás te guste Y”
○ Five Thirty Eight: cobertura electoral
y de deportes
Revised Data Science Venn Diagram

● Visualización y presentación
● Inteligencia de Negocios (BI)
Extract-Transform-Load (ETL) y
bases de datos
● Machine Learning, Inteligencia
Artificial y Estadística.
● CS / Programming
(Implementacion)
● Computación científica
(Bibliotecas) y de alta
performance.
● Big Data
Segun Nisarg Dave:

Este complejo diagrama de
Venn representa Data Science
y el rol de Data Scientist...
ROLES EN UN EQUIPO DE DATA SCIENCE
Analista / Investigador / Desarrollador /

Estadistica Computación Ingeniería
WORKFLOW DE DATA SCIENCE
● El “Flujo de trabajo de Data Science” nos sirve

para generar resultados confiables y
reproducibles.
○ “confiables” = precisos
○ “reproducibles” = otros pueden replicar lo
realizado y obtener resultados similares
● En cualquier punto del proceso, puede ser

necesario repetir pasos previos para iterar a lo
largo del flujo.
Esto dependerá de:
○ la aparición de nuevos datos,
○ la necesidad de corregir errores,
○ el cambio acerca de las preguntas y
objetivos, etc.
● El “Flujo de trabajo de Data Science” constituye,

en última instancia, un set de standards
sumamente útil y una referencia para tener en
cuenta en los desafíos del curso.
● Repasemos las diferentes etapas, que están

explicadas en detalle en el documento “Flujo de
Trabajo en Data Science.pdf”
IDENTIFICAR EL PROBLEMA
R ● Identificar los objetivos del producto/negocio/problema.
A
IC ● Identificar y generar hipótesis sobre metas y criterios para el
T IF
EN éxito del análisis.
ID ● Generar un set de preguntas para identificar el dataset
“correcto”.
ADQUIRIR LOS DATOS

R IR ● Identificar el dataset “correcto”.
UI
Q ● Importar los datos y generar las estructuras de datos
AD
adecuadas.
● Determinar las herramientas más apropiadas para trabajar con
los datos.
A R PARSEAR LOS DATOS
RSE ● Explorar toda la documentación relacionada con los datos.
PA ● Realizar Análisis Exploratorio de los Datos (AED).
● Verificar la calidad de los datos.
MINAR LOS DATOS

● Dar formato, limpiar, homogeneizar y filtrar los datos
● Crear nuevas columnas derivadas de los datos originales
AR
IN (recodificaciones, cálculos, etc.)
M
REFINAR LOS DATOS

● Identificar tendencias y outliers
R ● Aplicar y calcular estadísticos descriptivos e inferenciales
A
FIN ● Documentar y transformar los datos
RE
ESTIMAR UN MODELO
● Seleccionar un modelo apropiado (forma funcional,
estimación, etc.)
M AR ● Estimar el modelo
TI
ES ● Evaluar y refinar el modelo
PRESENTAR LOS RESULTADOS

● Resumir los resultados del análisis con alguna narrativa o
R
N TA historia
E SE ● Presentar las limitaciones, los supuestos y las fortalezas
PR del/los modelo/s estimados
● Identificar preguntas derivadas y nuevos problemas para
seguir profundizando el análisis
FILOSOFÍA DEL PROGRAMA
LINEAMIENTOS DE LA CLASE
¿Cómo aprendemos? Nuestro pilares
1. Aprender las bases
2. Aprender a pensar
3. Aprender haciendo
4. Aprender a aprender
FILOSOFIA
— Fomentar y trabajar en un entorno diverso
— Encontrar el ritmo de aprendizaje óptimo para cada uno
— Comunicar pronto y frecuentemente
— El éxito en este curso no se obtiene por comparación. “There is nothing

noble in being superior to your fellow man; true nobility is being superior
to your former self.” Ernest Hemingway.
FILOSOFIA
— La dedicación, más importante que el conocimiento previo
— Hacé preguntas, todas las veces que consideres necesarias
— Ayudá a tus compañeros
— Sé paciente con vos mismo
Lineamientos de la Clase
APRENDIZAJE BASADO EN PROBLEMAS
1) Se expone lo que 1) Se
se debe saber presenta el
problema
(diseñado o
seleccionado)
2) Se incorpora la 4) Se resuelve 2) Se
información el problema o identifican las
se identifican necesidades
problemas de
nuevos aprendizaje
3) Se presenta un 3) Se
problema para incorpora la
evaluar lo aprendido nueva
información
MÓDULOS
OBJETIVOS DEL CURSO
— Los módulos del curso están organizados de manera tal que los asistentes sean
capaces de
○ Extraer, consultar, limpiar y agregar datos para su análisis.

○ Construir, implementar y evaluar problemas de Data Science usando los
algoritmos apropiados de machine learning.
○ Usar las herramientas de visualización adecuadas para comunicar sus
conclusiones.
○ Investigar, modelar y validar procesos de resolución de problemas aplicados
a datasets provenientes de diversas industrias para proveer experiencias en
distintos tipos de problemas y soluciones del mundo real.
PROGRAMA - MÓDULOS
Fundamentos: Clustering, sistemas

POO, Numpy,
Pandas,
01 de recomendación,
procesamiento
05
estadística distribuido, grafos
EDA, Limpieza de Árboles,

datos, Inferencia
Estadística, PCA
02 Métodos de
Ensamble y
06
boosting
Intro a ML:
Regresión Lineal,
Regularización, 03 PROYECTO
INTEGRADOR 07
Validación de
Modelos , Web
Scraping, Pickle y
Flask
Problemas de
Clasificación,
04
GridSearch,
series de tiempo
y text mining
PROGRAMA - MÓDULOS
Fundamentos:
POO, Numpy,
Pandas,
01
estadística
● Introducción al programa y a la disciplina

● Repaso de Python / POO
● Estadística Descriptiva con Numpy
● Pandas
PROGRAMA - MÓDULOS
EDA, Limpieza de
datos, Inferencia
Estadística, PCA
02
● Limpieza de datos Desafío del Módulo

● Estadística inferencial
Usando un dataset crudo de
● Visualización Properati usarán Pandas para
● Variables Dummies limpiar los datos, plantearán
formalmente un problema y
● Datos Faltantes realizarán análisis exploratorio.
● Joins y SQL con Pandas
● GeoPandas
● PCA y T-SNE
PROGRAMA - MÓDULOS
Intro a ML: Regresión

Lineal, Regularización,
Validación de Modelos , 03
Web Scraping, Pickle y
Flask Evaluación Individual
Multiple Choice para evaluar

● Introducción a Machine Learning la comprensión de los temas
tratados hasta el momento.
● Intro a Stats Models & Sklearn
● Regresión Lineal
Desafío del Módulo
● Separación Entrenamiento/Test
● Regularización & Sobreajuste (Overfitting) Los participantes construirán
un modelo para valuar
● Web Scraping propiedades en base al
● APIs, Pickle y Flask dataset de Properati.
PROGRAMA - MÓDULOS
Problemas de
Clasificación,
GridSearch, 04
series de tiempo
y text mining
Desafío del Módulo

● Intro a Clasificación y KNN
Los participantes construirán
● Regresión Logística
un modelo de clasificación
● Naive Bayes Classifiers utilizando un dataset de su
elección
● Evaluación de modelos
● Series de tiempo
● Feature selection
● Text mining
PROGRAMA - MÓDULOS
Clustering, sistemas Evaluación Individual

de recomendación,
procesamiento
05
distribuido, grafos
Multiple Choice para evaluar la
comprensión de los temas tratados
hasta el momento
● Clustering Proyecto Integrador
● Sistemas de recomendación El Proyecto Integrador (PI) debería

representar un aporte original y
● Feature Hashing
significativo, aplicando técnicas de data
● Procesamiento Distribuido science a un problema interesante.
● Grafos Charla relámpago:
● Planteo del problema

● Selección de datasets
PROGRAMA - MÓDULOS
Árboles y
Métodos de
Ensamble
06
Proyecto Integrador
● Intro a CARTS Informe de avance:
● Árboles de Decisión y Bagging ● Análisis Exploratorio
● Random Forests y Boosting ● Primeros intentos con el/los
algoritmo(s) seleccionado(s)
● XGBoost
● Resultados preliminares
● Evaluación de Modelos y Feature
Importance
PROGRAMA - MÓDULOS
PROYECTO Proyecto Integrador

INTEGRADOR 07
Entrega Final
● Reporte técnico detallado con

todos los análisis desarrollados
(en formato notebook)
● Presentación de 10-15 minutos
con los insights más relevantes
del proyecto
○ Objetivos
○ Datasets
○ Métodos
○ Visualizaciones
○ Storytelling
DESAFÍOS Y
PROYECTO INTEGRADOR
Desafíos y Proyecto Integrador
PROYECTO
INTEGRADOR
— Desafíos y proyectos - objetivos generales:

○ Resolver un problema práctico
○ Generar un reporte técnico (con código y análisis)
○ Generar un reporte para una audiencia no técnica
— Desafíos Final: Proyecto Integrador (recorrer todo el Flujo de Trabajo

de Data Science)
○ Planteo y fundamentación de un problema

○ Generación/adquisición de un dataset apropiado para el problema
○ Análisis, modelado y visualización de resultados
○ Presentación técnica y no técnica de hallazgos y conclusiones
Galería de Proyectos Integradores del Programa
ESCUCHA DE REDES SOCIALES PARA LA GESTIÓN PÚBLICA

Francisco PENSA
KICK-ASS MACHINE LEARNING: ¿QUÉ DETERMINA EL ÉXITO DE

PROYECTOS EN LA PLATAFORMA KICKSTARTER?
José SANCHEZ, Jonathan COHEN
Sentiment Analysis y Topic Modeling en Twitter
Juan ARANGUREN
Jose Luis FINOCCHIARO
Promesas del Fútbol Mundial

Roberto DI LISIO
Guido BOZZANO
Benjamin BELLOT, Natalia MORAN
Conociendo a los
participantes del
programa
usando Data Science
(40 minutos)
Te proponemos
● Que todos los participantes del programa se conozcan mutuamente

usando algunos pasos del Flujo de Trabajo de Data Science.
● Que formen grupos de 4 a 6 personas
● Que cada grupo defina una pregunta sobre algún aspecto que le interese
conocer acerca de los compañeros (motivación, formación, etc.)
● Que a partir de la Encuesta Introductoria al curso puedan abordar las

preguntas planteadas.
La idea es que...
● Cada grupo defina los siguientes roles:
○ 1 Project Manager (PM) - Data Business Person: responsable del
cumplimiento de los tiempos, de facilitar la comunicación y hacer
seguimiento del flujo de trabajo.
○ 1 a 3 Researchers: encargados de adecuar la pregunta a los datos
disponibles y de resumir la información para obtener la respuesta.
Arman visualizaciones lo más claras y sintéticas posibles de la
pregunta en cuestión.
○ 1 a 2 Comunicadores-Creativos: encargados de resumir y presentar
los hallazgos y conclusiones a los participantes.
Por Ejemplo
● ¿Cuál es el perfil educativo del curso de Data Science-2017?
○ Primario incompleto
○ Primario completo
○ Secundario incompleto
○ Secundario completo
○ Universitario/Terciario incompleto
○ Universitario/Terciario completo
○ Posgrado o superior
○ Sin Estudios
Cronograma
Actividad Tiempo Responsable
Formación de grupos y distribución de 5 minutos Equipo

roles
Diseño de la pregunta 5 minutos Equipo
Resumen y visualizaciones de la 15 minutos Analistas,

información Presentadores
Presentación de resultados 10 minutos Presentadores
Al final del curso, ustedes serán capaces de:
● Extraer, consultar, limpiar y agregar datos para su análisis.

● Realizar análisis visuales y estadísticos de datos, usando
Python y sus bibliotecas asociadas.
● Construir, implementar y evaluar problemas de Data
Science usando los algoritmos apropiados de machine
learning.
● Usar las herramientas de visualización adecuadas para
comunicar sus conclusiones.
Al final del curso, ustedes serán capaces de:
● Crear reportes claros y reproducibles para los

stakeholders.
● Investigar, modelar y validar procesos de resolución de

problemas aplicados a datasets provenientes de diversas
industrias para proveer experiencias en distintos tipos de
problemas y soluciones del mundo real.

Presentacion

Cargado por

Copyright:

Formatos disponibles

Presentacion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Presentacion

Cargado por

Copyright:

Formatos disponibles

DATA SCIENCE

Revisar el concepto de Data Science

2 Desarrollar lineamientos de clase

Discutir nuestra propuesta abordar el aprendizaje

Lograr que los participantes del programa se presenten y se

Traditional Data Science Venn Diagram ● Un set de herramientas y técnicas para

● Una práctica interdisciplinaria

● La aplicación de técnicas científicas a

● ¿Quién usa Data Science?

Revised Data Science Venn Diagram

Segun Nisarg Dave:

Analista / Investigador / Desarrollador /

● El “Flujo de trabajo de Data Science” nos sirve

● En cualquier punto del proceso, puede ser

● El “Flujo de trabajo de Data Science” constituye,

● Repasemos las diferentes etapas, que están

ADQUIRIR LOS DATOS

MINAR LOS DATOS

REFINAR LOS DATOS

PRESENTAR LOS RESULTADOS

1. Aprender las bases

— Fomentar y trabajar en un entorno diverso

— Encontrar el ritmo de aprendizaje óptimo para cada uno

— Comunicar pronto y frecuentemente

— El éxito en este curso no se obtiene por comparación. “There is nothing

— La dedicación, más importante que el conocimiento previo

— Hacé preguntas, todas las veces que consideres necesarias

— Ayudá a tus compañeros

— Sé paciente con vos mismo

APRENDIZAJE BASADO EN PROBLEMAS

○ Extraer, consultar, limpiar y agregar datos para su análisis.

Fundamentos: Clustering, sistemas

EDA, Limpieza de Árboles,

● Introducción al programa y a la disciplina

● Limpieza de datos Desafío del Módulo

Intro a ML: Regresión

Multiple Choice para evaluar

Desafío del Módulo

Clustering, sistemas Evaluación Individual

● Clustering Proyecto Integrador

● Sistemas de recomendación El Proyecto Integrador (PI) debería

● Planteo del problema

PROYECTO Proyecto Integrador

● Reporte técnico detallado con

— Desafíos y proyectos - objetivos generales:

— Desafíos Final: Proyecto Integrador (recorrer todo el Flujo de Trabajo

○ Planteo y fundamentación de un problema

ESCUCHA DE REDES SOCIALES PARA LA GESTIÓN PÚBLICA

KICK-ASS MACHINE LEARNING: ¿QUÉ DETERMINA EL ÉXITO DE

Sentiment Analysis y Topic Modeling en Twitter

Promesas del Fútbol Mundial

● Que todos los participantes del programa se conozcan mutuamente

● Que formen grupos de 4 a 6 personas

● Que a partir de la Encuesta Introductoria al curso puedan abordar las

Actividad Tiempo Responsable

Formación de grupos y distribución de 5 minutos Equipo

Diseño de la pregunta 5 minutos Equipo

Resumen y visualizaciones de la 15 minutos Analistas,

Presentación de resultados 10 minutos Presentadores

● Extraer, consultar, limpiar y agregar datos para su análisis.