Тёмный

Qué se NECESITA saber de MATEMÁTICA en CIENCIA DE DATOS | Mitos y consejos 

Luigi Analytics
Подписаться 7 тыс.
Просмотров 11 тыс.
50% 1

🚀 En este vídeo quiero derribar los mitos sobre el exceso de matemáticas que algunas personas dicen que se necesita en Ciencia de Datos.
📈🔍 Basado en mi experiencia como Data Scientist, te comparto mi opinión sobre lo que considero realmente necesario saber sobre matemática y estadística para trabajar en este rubro
👨🏼‍💻 SEGUIME EN MIS REDES SOCIALES PARA MÁS CONTENIDO!
👉🏻 Instagram: / luigi_analytics
👉🏻 TikTok: / luigi_analytics
⏳ TIMELAPSE:
00:00 - Intro
01:42 - 3 temas de matemáticas fundamentales
02:46 - Diferentes requerimientos para diferentes roles
04:22 - Aplicado o investigación
06:53 - Algebra Lineal
08:36 - Cálculo
09:41 - Estadística
10:45 - Consejos resumidos: NO TE PIERDAS ESTA PARTE!
15:35 - Final

Опубликовано:

 

12 авг 2024

Поделиться:

Ссылка:

Скачать:

Готовим ссылку...

Добавить в:

Мой плейлист
Посмотреть позже
Комментарии : 28   
@marcelopatricio4704
@marcelopatricio4704 10 месяцев назад
Gracias Luigi, te has convertido en mi mentor, pues estoy solo en esto y es un mundo completamente nuevo, alucinante -y a veces atemorizante- para mí. Yo soy profesor de inglés aficionado a la programación, las matemáticas, las estadísticas y la ciencia y me surgió la posiblidad de cambiar de rubro.
@marcovidal2810
@marcovidal2810 6 месяцев назад
Si, es muy importante, sobre todo estadistica ( que para mi es una rama de las matematicas) pero creer que basta con eso es estar muy lejos, es una condicion necesaria pero no suficiente
@adrianurizar
@adrianurizar 5 месяцев назад
Está muy bueno el video. Teniendo en cuenta que en el mundo de los negocios, y también en lo que respecta a Data Science, se manejan muchos anglicismos, como ser "approach" (acercamiento), "engagement" (compromiso), "Take Away's" (cosas para que te las lleves), "forecasting" (pronóstico), etc..., estaría buenísimo hacer un video sobre la mayoría de los anglicismos, y qué es lo que se quiere decir cuando se utiliza cada uno de éstos. Igualmente, estuve mirando y hay mucha info en internet. Pero un video sobre ese tema sería genial. 😁
@nancygtec6298
@nancygtec6298 5 месяцев назад
Nueva suscriptora, me gusta la forma en que te comunicas. Gracias por el video, super útil para mi en este momento.
@ArturoDelgado-xk8qj
@ArturoDelgado-xk8qj Год назад
Muchísimas gracias por este video! Me has dejado más motivado a seguir mi camino hacía Data Scientist! Me encantan las mate y ahora tengo más razones para quererlas!! Excelente video!
@jmtoro1969
@jmtoro1969 6 месяцев назад
Excelente Luigi, mucha gracias
@futbolero8764
@futbolero8764 8 месяцев назад
Lo bueno de ser bueno en mates es que ya estás acostumbrado a solucionar problemas complejos y eso en DS es clave. Porque a veces pierden más tiempo en encontrar la solución al problema y si lo hacen mal tienen que volver a empezar.
@AlejandraSanchez-ie5sv
@AlejandraSanchez-ie5sv Год назад
Excelente vídeo!!
@luigi_analytics
@luigi_analytics Год назад
Muchas gracias, me alegra saber que resultó util! 🙌🏻
@victorjosevaldesgorte
@victorjosevaldesgorte Год назад
Muchisimas gracias por el video Luigi
@luigi_analytics
@luigi_analytics Год назад
Mi placer! 🙌🏻📚
@aleraste8911
@aleraste8911 Год назад
Esta Informacion vale oro gracias Luigi ... nos podrias recomendar algun lugar para aprender estos conceptos matematicos ?
@leandroespinoza7189
@leandroespinoza7189 11 месяцев назад
Libros. Matemáticas: " calculo de tomas I y II" Estadística:" estadística para administración y economía"
@aleraste8911
@aleraste8911 11 месяцев назад
@@leandroespinoza7189 Gracias por compartir
@cesaralexandermacaloputorr3973
@cesaralexandermacaloputorr3973 11 месяцев назад
Si eres de lo que aprende por vídeo te recomiendo Khan academy
@aleraste8911
@aleraste8911 11 месяцев назад
Gracias hno
@jsinnerx
@jsinnerx 2 месяца назад
Excelente contenido, muchas gracias. Como puntos de mejora, deberías mejorar la dicción y agregar los puntos que comentas como texto en el video, no sólo imágenes con tu voz.
@alpema80
@alpema80 6 месяцев назад
Muchas gracias por el video, la verdad lo estaba buscando. Tengo una pregunta, qué conveniente o cuánto tiempo puede tardar uno en aprender todo o relacionado para ser científico de datos? Soy analista de datos pero tengo más de 40 y alguien me dijo que esto puede tomar casi 5 años y que ya a esas edad pues que no era tan fácil buscar empleo teniendo los conocimientos pero sin experiencia. Gracias
@Felipe_Calavera
@Felipe_Calavera 7 месяцев назад
hola, entiendo entonces que si quiero dedicarme a machine learning deberia estudiar data science primero no? , saludos gracias por tu video
@Fonseca16
@Fonseca16 6 месяцев назад
Primero comprender el comportamiento de los datos, para ello necesitas saber conceptos estadísticos e interpretación, luego de ello ya puedes meterte al Machine learning un área más matemático porque trabajas con IA y algoritmos junto a simulaciones
@luiscarlosmendieta
@luiscarlosmendieta 9 месяцев назад
Luiggi crees entonces que con una Tecnicatura en Data Science se puede lograr un buen enfoque?
@isago8774
@isago8774 Год назад
Gracias por la información!!!Hay algun curso que abarque todos estos temas?
@alexislopezagustin
@alexislopezagustin 4 месяца назад
si osy malo en mate podria ?
@MarcosHernandez-ie4xd
@MarcosHernandez-ie4xd 9 месяцев назад
De calculo vectorial verdad?
@franklynsantana81
@franklynsantana81 Год назад
No detallaste los temas de calculo como lo hiciste con Algebra y el de estadistica.
@luigi_analytics
@luigi_analytics Год назад
Buenas 🙋🏼‍♂️ Supuse que al mencionar Gradient Descent y Backpropagation se iba a entender que hablo de cálculo diferencial en cuanto derivadas y regla de la cadena, por eso lo había sacado de la edición, lo tendré en cuenta en próximos videos 🙌🏻 También es importante saber sobre qué es un mínimo local y uno global, porque en algunos casos ciertos algoritmos que no tienen una función de costo convexa, pueden converger en un mínimo local al correr GD. Podés solucionarlo con un mini-batch GD o stochastic GD que, por su naturaleza de ser estocásticos, tienen más posibilidad de escapar de un mínimo local. Para entender bien estos conceptos sí se necesita entender sobre mínimos (locales/globales), qué caracteriza a cada uno, derivadas. En el caso de backpropagation se añade el entender la regla de la cadena que juega un papel muy importante cuando se recalcula el peso de las neuronas en cada layer.
@melmor3698
@melmor3698 11 месяцев назад
👍
@nahuelherrera6010
@nahuelherrera6010 Год назад
goodd
Далее
Que necesitas saber de Data Science
11:25
Просмотров 207 тыс.
Слетела прошивка на LiXiang L7
01:01
Clase abierta: Matemáticas para la Ciencia de Datos
54:06