0:05
Saludos, sean bienvenidos al módulo 6,
0:07
análisis de datos. En este video vamos a
0:11
explorar los conceptos fundamentales del
0:13
análisis de datos, las definiciones de
0:15
conjunto de datos, instancias y
0:17
variables y el análisis de sus modelos
0:19
principales. No te preocupes si no
0:21
tienes experiencia previa. Este recurso
0:24
está diseñado para que te adentres en
0:26
este fascinante mundo, así que mucho
0:29
éxito. Recuerda tomar notas y pausar el
0:32
video cuando lo necesites.
0:35
Imagina que vivimos rodeados de
0:37
aplicaciones digitales que utilizan
0:39
técnicas de análisis de datos para
0:41
recomendar el contenido más apropiado
0:43
para cada persona. Por ejemplo, cuando
0:46
utilizamos alguna plataforma de
0:48
transmisión de contenido para ver
0:49
películas o series, ¿cómo pueden
0:52
determinar estas plataformas cuál es el
0:54
contenido que más le interesa a cada
0:58
Revisemos entonces los conceptos
1:00
principales del análisis de datos para
1:02
responder esta pregunta. Comenzaremos
1:05
explicando la definición de conjunto de
1:08
Veremos las instancias como por ejemplo
1:10
estudiantes, empleados o productos y las
1:13
variables, es decir, las características
1:16
como nombre, edad o género.
1:19
Posteriormente analizaremos qué es un
1:21
modelo y los dos tipos principales,
1:24
descriptivos y predictivos.
1:27
Un conjunto de datos es la materia prima
1:30
del análisis. Se suele representar en
1:32
forma [música] de tabla, donde las filas
1:34
son instancias u objetos de interés para
1:37
el análisis y las columnas son las
1:39
variables o atributos que las describen.
1:43
Una instancia es un objeto de interés
1:45
para el análisis. Por ejemplo, para una
1:48
aplicación educativa, las instancias
1:50
pueden ser personas como estudiantes o
1:52
profesores. También pueden ser cursos o
1:55
departamentos escolares.
1:58
Una variable es una característica de
2:00
los objetos, por ejemplo, las variables
2:02
edad, promedio, nombre y carrera de los
2:05
estudiantes. Las variables se clasifican
2:08
en dos tipos principales, numéricas y
2:12
Las variables numéricas tienen valores
2:14
enteros o reales. Un ejemplo de una
2:17
variable numérica con valores enteros es
2:19
la edad. Un ejemplo de una variable
2:21
numérica con valores reales es el
2:24
promedio. Las variables categóricas son
2:26
aquellas que tienen un conjunto de
2:28
valores predeterminado. Un ejemplo es
2:31
carrera, que solo contiene los valores
2:33
de las carreras que ofrezcan en una
2:35
universidad determinada como ingeniería
2:37
en sistemas computacionales, ingeniería
2:40
industrial e ingeniería química.
2:42
Las variables categóricas [música]
2:44
también se clasifican como binarias,
2:46
nominales y ordinales. Una variable
2:49
binaria solo puede tener dos valores.
2:52
Por ejemplo, la variable fumador, que
2:55
indica si una persona fuma [música] o
2:56
no. Una variable ordinal contiene
2:59
valores ordenados, por ejemplo, la
3:01
variable nivel de estudios, que puede
3:03
tomar los valores licenciatura, maestría
3:06
y doctorado. Por último, las variables
3:09
nominales pueden tomar más de dos
3:11
valores sin un orden. Por ejemplo, color
3:14
de ojos, que puede incluir los valores
3:17
café, azul y verde. Un modelo es una
3:21
representación de un conjunto de datos.
3:24
Puede ser, por ejemplo, una ecuación,
3:26
[música] un árbol de decisión o una red
3:28
neuronal. Los modelos generalmente se
3:31
clasifican en descriptivos [música]
3:32
y predictivos de acuerdo con el tipo de
3:35
conocimiento que proporcionan.
3:38
Los modelos descriptivos proporcionan
3:40
conocimientos que ayudan a conocer mejor
3:42
los datos. Por ejemplo, si se cuenta con
3:45
un conjunto de datos de animales con
3:47
variables binarias que indican si tiene
3:49
pelaje, si tiene patas, si es
3:51
depredador, si es acuático, si puede
3:54
volar, entre otras, un modelo
3:56
descriptivo nos permitiría formar grupos
3:58
de animales. En un grupo quedarían los
4:00
mamíferos, en otro las aves, en otro los
4:03
anfibios y en otro los peces.
4:06
Los modelos predictivos son capaces de
4:08
determinar el valor de una variable a
4:10
partir de otra o de otras variables del
4:14
Por ejemplo, si se cuenta con un
4:16
conjunto de datos que contenga [música]
4:18
características de un usuario de una
4:20
plataforma de transmisión de contenido,
4:22
se podrían usar las variables binarias
4:24
que representan si el usuario ya vio
4:26
ciertas películas y series para [música]
4:28
predecir si estará interesado en un
4:32
En resumen, el análisis [música] de
4:34
datos consiste en transformar un
4:36
conjunto de datos en conocimiento
4:38
representado mediante algún modelo. Los
4:41
conjuntos de datos contienen filas,
4:44
también conocidas como instancias o
4:46
tuplas, columnas, a las que también se
4:48
les llama variables o atributos. Por
4:51
último, los modelos pueden ser
4:53
predictivos o descriptivos de acuerdo
4:56
con el tipo de conocimiento que
4:59
Como te pudiste dar cuenta, logramos
5:01
comprender cómo es posible obtener
5:03
conocimiento que permita recomendar
5:05
contenido a un usuario utilizando
5:07
técnicas de análisis de datos. A través
5:09
de conjuntos de datos, variables y
5:11
modelos, descubrimos cómo la información
5:14
puede transformarse en recursos que nos
5:16
permitan tomar decisiones inteligentes.
5:19
Continúa explorando el fascinante mundo
5:21
del análisis de datos y sigue
5:23
comprendiendo cómo trabaja la tecnología
5:26
que [música] usamos todos los días.
