Semana 3

Análisis de Datos, Business Intelligence y Herramientas No-Code

Objetivos de la semana

Comprender el ciclo de análisis de datos y su valor en la toma de decisiones Diferenciar entre BI, Machine Learning y Deep Learning Identificar herramientas No-Code para exploración y visualización de datos Aplicar análisis de datos mediante una herramienta práctica como Tableau

Ciclo de vida del análisis de datos

Recolección: sensores, encuestas, archivos, APIs Limpieza: manejo de datos faltantes, errores o duplicados Exploración: gráficas, estadísticas descriptivas, correlaciones Modelado: modelos predictivos o clasificadores Visualización e informe: dashboards, reportes, storytelling con datos

Business Intelligence (BI)

Estrategia para transformar datos en información accionable Combina herramientas, métricas y visualizaciones Enfocado en: KPIs, dashboards, reportes ejecutivos Se usa para: ventas, logística, salud, educación Ejemplos: Tableau, Power BI, Looker

Demo

Datasets públicos en Tableau Public

Machine Learning vs Deep Learning

Machine Learning: modelos que aprenden patrones de datos. Ej: regresión, árboles, SVM. Deep Learning: subcampo que usa redes neuronales profundas. Ej: CNNs, LSTMs. Deep Learning requiere más datos, más cómputo, y logra mayor complejidad.

Machine Learning

Modelos que aprenden patrones a partir de datos Usos: predicción, clasificación, segmentación, detección de anomalías Ejemplos: regresión lineal, árboles de decisión, SVM, K-means

Ejemplo 1: Regresión lineal

  • Problema: predecir precio de casas según nº de habitaciones
  • Visual: nubes de puntos + línea de mejor ajuste

Ejemplo 2: Clasificación con árboles

  • Problema: decidir si un email es spam
  • Visual: diagrama de decisiones (ej: contiene “descuento”? -> spam)

Deep Learning

Subcampo de ML que usa redes neuronales profundas Inspirado en el cerebro humano (capas de neuronas) Necesita más datos y computación que ML clásico

Ejemplo: CNNs (Convolutional Neural Networks)

  • Aplicaciones: visión por computadora (detección de rostros, diagnóstico médico, autos autónomos)
  • Aprende patrones espaciales: bordes, texturas, formas

Aplicaciones comunes del ML y DL

Clasificación de imágenes (DL) Predicción de ventas o demanda (ML) Recomendadores de productos (ML + DL) Análisis de sentimientos en redes sociales (ML)

Herramientas No-Code para análisis de datos

Tableau: dashboards interactivos y visualización Power BI: integración con Excel y herramientas de Microsoft Google Looker Studio: gratuito, ideal para datos en la nube MonkeyLearn: clasificación de texto y análisis de sentimientos

En resumen

El análisis de datos permite tomar decisiones con base en evidencia Machine Learning y Deep Learning detectan patrones complejos Hay herramientas accesibles para empezar sin saber programación

Recursos recomendados

¿Preguntas?