La ciencia de los datos es una rama de la informática que se ocupa de capturar, procesar y analizar datos para obtener nuevos conocimientos sobre los sistemas que se estudian.
[scriptless]
Los científicos de datos trabajan con grandes cantidades de información procedente de distintas fuentes y en diferentes contextos, por lo que el procesamiento que deben realizar suele ser único para cada estudio, utilizando algoritmos personalizados, inteligencia artificial (IA), aprendizaje automático e interpretación humana.
Es un campo muy amplio que se está expandiendo rápidamente en muchos sectores, como la medicina, la astronomía, la meteorología, el marketing, la sociología, los efectos visuales y muchos más.
[lwptoc min=»1″ backgroundColor=»»]
¿Por qué es importante la ciencia de datos?
La ciencia se basa en la recopilación de pruebas y la interpretación de las mismas para sacar conclusiones lógicas.
Este principio ha servido a la civilización para hacer posible los vuelos transatlánticos, la telefonía, el tratamiento de enfermedades, el aterrizaje de robots en la superficie de Marte y mucho más.
En el mundo moderno, la recopilación de datos es cada vez mayor:
- Datos sobre los hábitos de vida
- Las preferencias dietéticas
- Las elecciones musicales
- Hábitos de compra
- Consumo de energía
- Los sistemas meteorológicos
- Patrones migratorios
- La actividad sísmica
- Los tiempos de vuelo y mucho más.
Los ordenadores están en todas partes, por lo que la entrada de datos en un fondo de big data es casi constante.
Se trata de más información sobre el mundo que nos rodea de la que nunca hemos tenido acceso, y está repartida en un conjunto de muestras más amplio que nunca.
El análisis de grandes conjuntos de datos puede dar lugar a revelaciones sorprendentes. A veces se encuentran patrones y correlaciones en lugares que no se esperaban o que sólo se habían teorizado antes. Observar y analizar el entorno es importante para que los humanos aprendan, crezcan y se conviertan en una especie mejor informada.
Gran parte de la ciencia de los datos se aplica a objetivos frívolos y a veces éticamente cuestionables, pero también se realizan muchos análisis en torno a causas valiosas, saludables y útiles que el código abierto debería estar orgulloso de apoyar.
Y resulta que el software de código abierto es vital para el crecimiento y el desarrollo de la ciencia de datos.
Infraestructura
Debido a la gran cantidad de datos que analiza la ciencia de los datos, este campo requiere una sólida infraestructura informática.
Los conjuntos de datos implicados en la ciencia de datos seria son a menudo demasiado grandes para procesarlos en una sola máquina o incluso en un pequeño clúster, por lo que se utilizan nubes híbridas para almacenar y procesar la información y para hacer correlaciones entre lo que se ha analizado.
Esto significa que la caja de herramientas de un científico de datos incluye una plataforma como OpenShift para ejecutar servicios de procesamiento, software de computación distribuida como Apache Hadoop o Apache Spark, un sistema de archivos distribuido como Ceph o Gluster para el almacenamiento escalable y altamente disponible, etc.
El trabajo de un científico de datos tiene tanto que ver con la estadística y las matemáticas como con la programación y la ingeniería informática.
¿Qué hace un científico de datos?
Un científico de datos recopila datos, los analiza y normaliza, y luego crea rutinas para que un ordenador las ejecute en busca de un patrón, una tendencia o simplemente una visualización útil. Por ejemplo, si alguna vez has creado un gráfico circular o de barras a partir de los campos de una hoja de cálculo, has actuado como un científico de datos de bajo nivel al interpretar un conjunto de datos y visualizarlos para ayudar a otros a entenderlos.
Cuando se analizan los datos en busca de patrones, no hay forma de decirle a un ordenador lo que debe buscar (porque «lo que debe buscar» aún no se ha encontrado). Mientras que la IA y el aprendizaje automático pueden examinar vastos conjuntos de datos para encontrar patrones arbitrarios, se necesita el ingenio humano para buscar lo irracional e interpretar lo que se encuentra.
Esto significa que los científicos de datos deben ser capaces de diseñar rutinas personalizadas con lenguajes de programación como Python, R, Scala y Julia. Deben estar familiarizados con librerías importantes, como Beautiful Soup, NumPy y Pandas, para poder raspar, sanear y organizar los datos.
Deben ser capaces de controlar las versiones y de iterar sobre su código para poder madurar y desarrollar la forma de ver los datos a medida que continúan entendiendo las relaciones que descubren.
Cómo empezar a aprender ciencia de datos
La ciencia de los datos es una carrera, así que no puedes aprender todo lo que necesitas saber en un año o dos de estudio y llamarte a ti mismo científico de datos. En lugar de eso, empieza a estudiar ahora, quizás por tu cuenta o quizás a través de una formación formalizada, y luego aplica lo que has aprendido en una situación del mundo real. Repite ese proceso hasta que hayas resuelto todos los problemas del mundo o te jubiles.
Afortunadamente, la ciencia de los datos está impulsada en gran medida por el software de código abierto que está a disposición de todo el mundo. Un buen primer paso es probar una distribución de Linux, ya que puede servir como una buena plataforma para tu trabajo.
Linux es un sistema operativo de código abierto, por lo que no sólo es gratuito, sino que es extraordinariamente flexible, lo que lo hace ideal para un campo conocido por su constante necesidad de adaptación. Linux también incluye Python, que es un lenguaje líder en la ciencia de los datos hoy en día. Las bibliotecas NumPy y Pandas están diseñadas específicamente para el cálculo de números y el análisis de datos, y su documentación es muy completa.
Sin embargo, como suele ocurrir, una de las mayores dificultades cuando se aprende un nuevo lenguaje o biblioteca es encontrar la manera de aplicar las herramientas a algo en la vida. A diferencia de muchas otras disciplinas, en la ciencia de los datos no hay respuestas incorrectas.
Puedes aplicar los principios de la ciencia de datos a cualquier conjunto de datos. En el peor de los casos, descubrirás que no hay correlación entre dos conjuntos de datos o que no hay un patrón en un evento aparentemente aleatorio. Pero eso es una investigación válida, por lo que no sólo habrás aprendido sobre ciencia de datos, sino que también habrás demostrado o refutado una hipótesis.
Gracias a la influencia del código abierto, es fácil encontrar conjuntos de datos abiertos. Hay conjuntos de datos disponibles en Data.gov, el Banco Mundial, Google (incluyendo datos de la NASA, GitHub, el Censo de los Estados Unidos, etc.), y muchos más. Se trata de excelentes recursos que puedes utilizar para aprender a buscar datos en la web, convertirlos en un formato que puedas procesar fácilmente y analizarlos con bibliotecas especializadas.
¿Por qué utilizar Python para la ciencia de datos?
Se pueden utilizar varios lenguajes diferentes para la ciencia de datos, pero Python es uno de los más populares. Casi cualquier lenguaje es capaz de analizar datos, pero algunos lenguajes y bibliotecas están diseñados con ciertas expectativas; por ejemplo, la biblioteca NumPy proporciona herramientas para el procesamiento de matrices para que no tengas que escribir una biblioteca de matrices por tu cuenta.
Python, como lenguaje, tiene algunas ventajas sobre muchos otros. En primer lugar, es famoso por ser relativamente fácil de leer. Aunque el código de Python puede no tener sentido para alguien que no esté familiarizado con la programación informática, tiende a ser más fácil de analizar que, por ejemplo, C o C++.
Eso significa que Python es más fácil de reutilizar para otras personas, porque pueden leer tu código y entender lo que pretende hacer, e incluso pueden ser capaces de añadir algo. Además, Python cuenta con varias bibliotecas sólidas creadas específicamente para la ciencia de datos. Dado que las bibliotecas existentes de Python para la ciencia de datos ya proporcionan muchas de las cosas que los científicos de datos necesitan hacer a menudo, Python se ha ganado un lugar legítimo como lenguaje líder en este campo.
Se aplican todas las demás ventajas de Python, como la comodidad del gestor de paquetes pip, la sólida interfaz del entorno virtual venv, un shell interactivo, etc.
Julia y Jupyter
Python no es el único lenguaje capaz de analizar datos, y de hecho hay muchos otros por ahí que podrían superarlo. El lenguaje Julia es popular entre los científicos de datos por su enfoque en el rendimiento y la visualización de datos. La popularidad de Julia fue percibida por los desarrolladores de iPython, un entorno de desarrollo interactivo, lo que les inspiró a cambiar el nombre del proyecto a Jupyter, una amalgama intencionada de Julia/Python/R.
Hoy en día, los cuadernos Jupyter se utilizan para la computación interactiva, que permite a los científicos de datos obtener información instantánea (tanto en el código como visualmente) mientras codifican. Ver el cuaderno Jupyter de alguien puede ser una experiencia multimedia, con documentación, además del código fuente, todo en el mismo lugar. Es una herramienta poderosa, pero lo suficientemente fácil como para empezar a usarla incluso si estás aprendiendo a codificar.
La ciencia de los datos y el futuro
A medida que los ordenadores siguen proliferando, los datos disponibles aumentan. Si eres de los que quieren entender cómo funciona el mundo, no hay mejor manera de empezar que la ciencia de los datos. Y hagas lo que hagas en la ciencia de datos, recuerda mantenerla abierta para que todo el mundo se beneficie.
[scriptless]
