13 lines
1.7 KiB
Markdown
13 lines
1.7 KiB
Markdown
|
---
|
||
|
|
title: Data Science Tools
|
||
|
|
localeTitle: Herramientas de ciencia de datos
|
||
|
|
---
|
||
|
|
## Herramientas de ciencia de datos
|
||
|
|
|
||
|
|
En esta sección, tendremos guías para una amplia variedad de herramientas utilizadas por los científicos de datos.
|
||
|
|
|
||
|
|
Los científicos de datos son curiosos y, a menudo, buscan nuevas herramientas que les ayuden a encontrar respuestas. También deben ser competentes en el uso de las herramientas del oficio, aunque hay docenas y docenas de ellas. En general, los científicos de datos deben tener un conocimiento práctico de los lenguajes de programación estadística para construir sistemas de procesamiento de datos, bases de datos y herramientas de visualización. Muchos en el campo también consideran que el conocimiento de la programación es una parte integral de la ciencia de datos; sin embargo, no todos los estudiantes científicos de datos estudian la programación, por lo que es útil conocer las herramientas que evitan la programación e incluyen una interfaz gráfica fácil de usar para que el conocimiento de los científicos de los algoritmos de datos sea suficiente para ayudarlos a construir modelos predictivos.
|
||
|
|
|
||
|
|
R sigue siendo la herramienta líder, con una participación del 49%, pero Python crece más rápido y casi alcanza a R. RapidMiner sigue siendo la plataforma de ciencia de datos general más popular. Las herramientas de Big Data utilizadas por casi el 40% y el uso de Deep Learning se duplican. Data Science es OSEMN ( **O** btain, **S** crub, **M** odel, i **N** terpret) los datos. Hay un buen recurso para Data Science y Machine Learning por Open Source Data Science Masters. Sigue en github datasciencemasters !!!
|
||
|
|
|
||
|
|
* [Recursos para la ciencia de datos](https://github.com/datasciencemasters/go)
|