Data Science
Tu foto
psykohack
Carlos Toxtli Hernández
Maestro en Innovación Empresarial y
Tecnológica
TPM
carlos.toxtli.com/url
[email protected]
Presentación
Carlos Toxtli Hernández
15 años de experiencia en TI
Maestro en Innovación Empresarial y
Tecnológica
CV
Introducción
Esta plática pretende formar científicos de
datos enseñando muchas de las herramientas
empleadas y tutoriales para poner en práctica
cada técnica.
Data
Datos: Representación simbólica (numérica,
alfabética, algorítmica, espacial, etc) de un
atributo o variable cuantitativa o cualitativa.
Sólo cuando un conjunto de datos se examina
conjuntamente a la luz de un enfoque,
hipótesis o teoría se puede apreciar la
información contenida en dichos datos.
Science
Ciencia: Conjunto de conocimientos
estructurados sistemáticamente. Conocimiento
obtenido mediante la observación de patrones
regulares, de razonamientos y de
experimentación generando preguntas, se
construyen hipótesis, se deducen principios y
se elaboran leyes y sistemas organizados por
medio de un método científico.
Data Science
Conjunto de prácticas sobre almacenamiento,
gestión y análisis de conjuntos de datos lo
suficientemente grandes que requieren de
computación distribuida y los recursos de
almacenamiento. Su fin último es extraer
conocimiento de los datos.
Data Science
Algunas de las áreas relacionadas son:
Matemáticas, estadísticas, tecnologías de la
información, proceso de señales, probabilidad,
aprendizaje máquina, aprendizaje estadístico,
programación de computadoras, ingeniería de
datos, reconocimiento de patrones,
visualización, cómputo de alto desempeño,
data warehousing, entre otras.
Data Scientist
Alguien que puede obtener, depurar, explorar,
modelar e interpretar los datos.
Data Scientist
En promedio $130,000 MXN al mes
Data Scientist
Implicaciones de Data Science
Suele involucrar conocimientos de uno o más
dominios (por ejemplo finanzas, medicina o
geología).
Debe tomar en cuenta aspectos
computacionales.
Incluye prueba de hipótesis y la validación de
resultados.
Implicaciones de Data Science
Los resultados deben ser confiables.
Suele incluir el aprendizaje automatizado
(machine learning), inteligencia artificial o
algoritmos de descubrimiento de conocimiento
(knowledge discovery).
Implicar la visualización y creación rápida de
prototipos
Big Data
Término que hace referencia a una cantidad de
datos tal que supera la capacidad del software
habitual para ser capturados, gestionados y
procesados en un tiempo razonable. Deben
garantizarse las 3 Vs (volumen, variedad y
velocidad).
Big Data
Suele involucrar cómputo distribuido en
múltiples servidores.
Implica gestión y procesamiento de datos.
Suele ir más allá de las bases de datos
relacionales y data warehouses.
Mejora el tiempo de ejecución o latencia.
Big Data tools
Big Data resources
http://www.slideshare.net/carlostoxtli/big-datapara-principiantes
http://www.ibm.com/developerworks/ssa/data/li
brary/techarticle/dm-1209hadoopbigdata/
http://searchstorage.techtarget.com/guides/Bigdata-tutorial-Everything-you-need-to-know
http://www.lynda.com/Big-Data-trainingtutorials/2061-0.html
Los infaltables
Es importante saber las siguientes tecnologías:
R
Python
Java
Matlab
Octave
C++, entre otros
Small Data
Radica en mostrar la información suficiente
para que los humanos la podamos
comprender. Se utilizan técnicas visuales para
mostrar sólo los insights que sean relevantes y
sean sencillos de entender y aplicar en la vida
cotidiana.
Small Data resources
Forget Big Data, Small Data is the Real
Revolution
What the “Small Data” Revolution Means for
Marketers
In Praise of ‘Small Data': How Targeted
Analytics— Are Transforming Education Today
How To Create Incredible Customer Service
Through The ‘Small Data’ Advantage
High Quality data
Se refiere a los procesos, técnicas, algoritmos
y operaciones encaminados a mejorar la
calidad de los datos existentes en empresas y
organismos.
Beneficios de la calidad de datos
Evitando tener información duplicada.
La normalización de archivos mejora el análisis
de datos y permite segmentaciones precisas.
Optimizar la captación y la fidelización.
Información focalizada y correcta.
Identificación más rápidamente del usuario
reduciendo los tiempos de espera.
Data Quality tools
Talend
DQ Analyzer
EasyDQ
Gartner
Data Quality resources
http://www.ocdqblog.com/home/alternatives-toenterprise-data-quality-tools.html
http://searchdatamanagement.techtarget.com/n
ews/2240025847/Buyers-Guide-Choosingdata-quality-tools-and-software
Behavioral targeting
Consiste en analizar el comportamiento que
sigue un usuario al navegar por ejemplo entre
sitios y detectando patrones de conducta es
posible asociar un perfil al mismo. Es muy
usado para empresas de advertisement.
Behavioral targeting tools
intlock
btbuckets
Personyze
audiencescience
brainsins
Behavioral targeting resources
http://adsolutions.yp.com/small-businessmarketing-center/integrated-marketingarticles/best-behavioral-targeting-tools
http://searchengineland.com/behavioraltargeting-is-easier-than-you-think-33840
Machine Learning
Rama de la inteligencia artificial cuyo objetivo
es desarrollar técnicas que permitan a las
computadoras aprender. Crear programas
capaces de generalizar comportamientos a
partir de una información no estructurada
suministrada en forma de ejemplos.
Machine learning tools
Weka
Waffles
PredictionIO
scikit-learn
accord
shogun
Machine Learning resources
http://scikitlearn.org/stable/tutorial/basic/tutorial.html
http://jmlr.org/mloss/
http://sourceforge.net/directory/scienceengineering/ai/machinelearning/os:mac/freshne
ss:recently-updated/
Reality mining
A través de equipos censados estudia la
interacción de los humanos y detectar patrones
de comportamiento entre los individuos.
Reality mining resources
http://realitycommons.media.mit.edu/
http://www.forbes.com/forbes/2010/0830/egang-mit-sandy-pentland-darpa-sociometersmining-reality.html
http://mitpress.mit.edu/books/reality-mining
http://www.sciencechannel.com/videotopics/gadgets-and-tech/brave-new-worldreality-mining.htm
Information Extraction (IE)
Creación de conocimiento de datos
estructurados (relational databases, XML) y no
estructurados (text, documents, images). El
conocimiento generado debe estar en un
formato machine-readable y machineinterpretable para facilitar inferencia. El
resultado debe estar en un formato de formal
knowledge (identifiers o ontologies).
IE tools
LingPipe
GATE
Carrot2
IE resources
http://www.dfki.de/~neumann/esslli04/reader/ov
erview/IJCAI99.pdf
http://www.ecmlpkdd2013.org/wpcontent/uploads/2013/09/Web-ScaleInformation-Extraction.pdf
http://www.isweb.unikoblenz.de/files/ssms09/SSMS_Slides/ciravegn
a-IE%20text.pdf
Knowledge discovery
Describe el proceso de automáticamente
buscar en grandes volúmenes de datos para
encontrar patrones que puedan ser
considerados conocimiento. Esta rama engloba
al Data Mining en la etapa de analisis.
Knowledge discovery tools
keel
rapidminer
miningmart
ELKI
angoss
blasoft
knowledgeminer
Knowledge discovery resources
http://www.tutorialspoint.com/data_mining/dm_
knowledge_discovery.htm
https://www.linkedin.com/pulse/article/2014111
4094203-52688293-tutorials-from-knowledgediscovery-and-data-mining-2014
Knowledge base
Una Base de Conocimiento es un tipo especial
de base de datos para la gestión del
conocimiento. Provee los medios para la
recolección, organización y recuperación
computarizada de conocimiento. Existen las
comprensibles por máquinas y por humanos.
Knowledge base tools
freebase
dbpedia
wikidata
opencyc
wolfram-alpha
classora
yago
Knowledge base resources
http://semanticweb.org/wiki/Getting_data_from_
the_Semantic_Web
http://rdflib.github.io/sparqlwrapper/
http://wiki.freebase.com/wiki/Python
https://developers.google.com/freebase/
https://github.com/dbpedia-spotlight/dbpediaspotlight/wiki/User's-manual
Data Mining
Intenta descubrir patrones en grandes
volúmenes de conjuntos de datos. Utiliza los
métodos de la inteligencia artificial, aprendizaje
automático, estadística y sistemas de bases de
datos.
Data mining tools
orange
jhepwork
knime
rattle
mahout
mlflex
databionic
Data mining resources
http://www.tutorialspoint.com/data_mining/
http://www.autonlab.org/tutorials/
http://msdn.microsoft.com/enus/library/ms167167.aspx
http://www.rdatamining.com/
http://data-mining-tutorials.blogspot.mx/
Ontologies
Las ontologías son la formulación de un
exhaustivo y riguroso esquema conceptual
dentro de uno o varios dominios dados; con la
finalidad de facilitar la comunicación y el
intercambio de información entre diferentes
sistemas y entidades.
Lenguajes de ontologías
RDF
OWL
DAML
OIL
SKOS
EARL
GLD
Ontology-based IE
Por medio de por lo menos una ontología,
OBIE utiliza métodos para identificar
conceptos, instancias y relaciones entre las
ontologías dando como salida una ontología.
Ontology learning (OL)
Forma automática de creación de ontologías a
través de sus relaciones entre sus conceptos
para ser usado en lenguaje natural.
Ontology tools
protégé
oboedit
opensemanticframework
neontoolkit
kaon
hozo
fluenteditor
Semantic Annotation (SA)
Utiliza análisis semántico en la información
machine-understandable y hace uso de
Terminology extraction y entity linking. Esto se
consigue por medio de metadata.
Semantic Annotation tools
ehost
domeo
annozilla
knoodl
insemtives
autometa
Semantic Annotation resources
https://gate.ac.uk/sale/talks/gate-coursemay10/track-3/module-10ontologies/ontologies.pdf
https://gate.ac.uk/tutorials/iswc2014-socialmedia-tutorial.html
http://teaching-wiki.sti2.at/uploads/5/55/05_SWSemanticAnnotation.pdf
Terminology extraction
Su función principal es extraer los términos
relevantes en el cuerpo de un texto. Esto
ayuda a entender el tema de que se esta
hablando, todo esto gracias a procesadores
lingüísticos que extraen a las palabras o frases
candidatas.
Terminology extraction tools
wordfast
translated
TerMine
fivefilters
keywordextraction
maui
vocabgrabber
Terminology extraction resources
http://linguistech.ca/MultiTrans_Prism_TermExt
ractor_E_TUTCERTT_I
https://www.airpair.com/nlp/keyword-extractiontutorial
http://recremisi.blogspot.mx/p/online-termextractors.html
Data Archaeology
Es el arte y ciencia de recuperar datos
codificados en formatos que ahora son
obsoletos. Se ha dado el caso de recuperar
información en cintas de los 60’s siendo
importante esta área para poder entender la
información almacenada.
Data Archaeology tools
ads
opencontext
intrasis
Data Archaeology resources
https://www.youtube.com/watch?v=Ak9Mudwf0
EU
http://en.wikipedia.org/wiki/Computational_arch
aeology
Semantic Web
Tecnologías para publicar datos legibles por
aplicaciones informáticas (máquinas en la
terminología de la Web semántica). Se basa en
la idea de añadir metadatos semánticos y
ontológicos (describen el contenido, el
significado y la relación) se deben proporcionar
de manera formal, para que así sea posible
evaluarlas automáticamente.
Semantic Web tools
semantic-measures-library
hermit
openlinksw
mashql
sparql2xquery
kiwi
internetbusinesslogic
Semantic Web resources
http://www.w3.org/2001/sw/BestPractices/Tutor
ials
http://www.w3.org/People/Ivan/CorePresentatio
ns/SWTutorial/
http://www.linkeddatatools.com/semantic-webbasics
http://obitko.com/tutorials/ontologies-semanticweb/
Sentiment analysis
Interpretación de la actitud por medio de un
texto analizado, esto ayuda a medir la
respuesta emocional de los usuarios que han
interactuado.
Sentiment analysis tools
sentiment-analysis-for-social-media
semantria
humanele
sentiment-analisys-api
predition-api
sentiment-analisys-spanish
tweetsentiments
Sentiment analysis resources
http://brnrd.me/social-sentiment-sentimentanalysis/
http://www.bitext.com/bitext-api-2/sentimentanalysis-2.html
https://cloud.google.com/prediction/docs/sentim
ent_analysis
Opinion Extraction
Es parte del análisis de sentimientos enfocado
a dar seguimiento al proceso de recolectar
opiniones. Implica la extracción de una posible
opinión en el cuerpo de un mensaje.
Opinion Extraction tools
opinion-extraction-tool
TwitIE
open-information-extraction
Opinion Extraction resources
http://alaginrc.nict.go.jp/opinion/index_e.html
http://www.cs.uic.edu/~liub/FBS/sentimentanalysis.html
http://citeseerx.ist.psu.edu/viewdoc/summary?d
oi=10.1.1.130.2832
https://www.textrazor.com/tutorials#properties
Opinion Mining
Extrae el significado de la opinión y se se
puede categorizar respecto a parámetros. Esto
es muy usado para medir su impacto en los
medios sociales y obtener información
relevante que nos indica si un contenido le
gusta o qué no le gusta al usuario.
Opinion Mining tools
sentic
trackur
repustate
nlptools
speech2topics
sentiment
textalytics
Opinion Mining references
http://kmandcomputing.blogspot.mx/2008/06/op
inion-mining-with-rapidminer-quick.html
http://www.slideshare.net/KavitaGanesan/opini
on-mining-kavitahyunduk00
http://jmgomezhidalgo.blogspot.mx/2009/04/opi
nion-mining-tutorial-by-bing-liu-at.html
Text Mining
Área multidisciplinaria basada en la
recuperación de información, minería de datos,
aprendizaje automático, estadísticas y la
lingüística computacional. La mayor parte de la
información (más de un 80%) se encuentra
actualmente almacenada como texto. Gran
desarrollo en la minería de textos multilingual.
Text Mining tools
skyttle
plos
kh-coder
lpu
lqda-miner
tams
cat
Text Mining resources
http://www.predictiveanalyticstoday.com/top11-free-software-for-text-analysistext-miningtext-analytics/
http://www.cis.upenn.edu/~ungar/KDD/textmining.html
http://sentimentmining.net/weka/
https://www.youtube.com/watch?v=ziBRRStPIt
k
Corpus linguistics
Un corpus lingüístico es un conjunto,
habitualmente muy amplio, de ejemplos reales
de uso de una lengua. Estos ejemplos pueden
ser textos (lo más común) o muestras orales
(generalmente transcritas). Tambien conocido
como corpora.
Corpus linguistics tools
corpus-of-contemporary-american-english
american-corpus
webcorp
spanish-framenet
spanish-oral-corpora
british-national-corpus
spanish-corpora
Corpus linguistics resources
http://wwwnlp.stanford.edu/manning/courses/corpcourse.p
s
http://www.york.ac.uk/language/current/resourc
es/corpora/
http://www-01.sil.org/linguistics/etext.html
http://radimrehurek.com/gensim/tutorial.html
https://gate.ac.uk/demos/movies.html#section1.2.2.
Computational Linguistics
Rama interdisciplinaria que modela el lenguaje
natural en términos computacionales. Reúne
expertos en lingüística, lenguaje, computer
scientists, inteligencia, matemáticas, lógica,
filosofía, ciencia cognitiva, psicología cognitiva,
psicolingüística, antropólogos, neurociencia,
por mencionar lo más involucrados.
Computational Psycholinguistics
Estudia la comprensión, producción,
adquisición y representación del lenguaje
humano por medio de modelos
computacionales resultados de experimentos
psicolingüísticos y análisis del corpus.
Computational Linguistics resource
http://www.coli.uni-sb.de/~krenn/edu.html
http://linguistlist.org/sp/GetWRListings.cfm?WR
Abbrev=Software
Natural language processing
Campo de las ciencias de la computación,
inteligencia artificial y lingüística que estudia
las interacciones entre las computadoras y el
lenguaje humano. El PLN se ocupa de
mecanismos para la comunicación entre
personas y máquinas por medio de lenguajes
naturales. Programas que ejecutan o simulan
la comunicación.
NLP Tools
NLTK
OpenNLP
clarabridge
taste-analitycs
corenlp
sharpnlp
classias
NLP resources
https://www.youtube.com/playlist?list=PLEC36
CC787EA50D7C
http://vikparuchuri.com/blog/natural-languageprocessing-tutorial/
http://research.microsoft.com/apps/pubs/?id=21
7165
http://idibon.com/natural-language-processingtutorial-with-ebert/
Automatic summarization
Proceso de reducir un documento de texto con
un programa de cómputo con el fin de obtener
un resumen que conserve los puntos más
importantes del documento original. Son
tomadas en cuenta variables como longitud,
estilo de escritura y sintaxis. Los 2 enfoques
principales son extracción y abstracción.
Automatic summarization tools
SystemQ
MEAD
textteaser
Coreference resolution
Estudia la correcta interpretación de un texto,
la importancia de cada tema mencionado, la
correcta asociación de ideas individuos.
Los resultados están representados en
términos de porcentajes de correlación.
Coreference resolution tools
dcoref
reconcile
cogcomp
coref
bart
guitar
Discourse analysis
Analiza lenguaje escrito, hablado, en señas o
cualquier tipo de expresión. Se analiza la
secuencia de oraciones coherentes,
proposiciones, mensaje entre otras. Analiza
también las características socio psicológicas
del discurso. Es un área multidisciplinaria.
Discourse analysis tools
discourse-analisys
Machine translation
La traducción automática es un área de la
lingüística computacional que investiga el uso
de software para traducir texto o habla de un
lenguaje natural a otro. Permite un manejo más
apropiado de las diferencias en la Tipología
lingüística, el reconocimiento de frases, la
traducción de expresiones idiomáticas y el
aislamiento de anomalías.
Machine translation tools
moses
phrasal
joshua
jane
odec
giza++
Data warehouse
Entre otras cosas contempla los medios para
obtener esos datos, para extraerlos,
transformarlos y cargarlos, las técnicas para
analizarlos y generar información, herramientas
para extraer, transformar y cargar datos,
herramientas para el análisis (inteligencia
empresarial) y herramientas para gestionar y
recuperar los metadatos.
Morphological segmentation
Estudia la estructura interna de las palabras
para delimitar, definir y clasificar sus unidades.
Un morfema se analiza en términos de
lexemas y gramemas.
Lexema: niños lexema: niñ
Gramema: niños
morfemas flexivos:
-o, género masculino
-s, número plural
Morphological segmentation source
http://perso.limsi.fr/anne/coursM2R/morphology
.pdf
Deep Learning
Conjunto de algoritmos en aprendizaje
automático que intenta modelar abstracciones
de alto nivel en datos usando arquitecturas
compuestas de transformaciones no-lineales
múltiples. Una observación (por ejemplo, una
imagen) puede ser representada en muchas
formas (por ejemplo, un vector de píxeles).
Deep Learning tools
ConvNetJS
DL4J
H2O
Caffe
Deep Learning resources
http://www.deeplearning.net/tutorial/
http://deeplearning.net/tutorial/deeplearning.pdf
http://es.wikipedia.org/wiki/Aprendizaje_profund
o
http://ufldl.stanford.edu/wiki/index.php/UFLDL_
Tutorial
https://github.com/lisalab/DeepLearningTutorials
Signal processing
Es la manipulación matemática de una señal
de información para modificarla o mejorarla en
algún sentido. Por medio del muestreo se
toman muestras de una señal a una frecuencia
o tasa de muestreo constante, para
cuantificarlas posteriormente.
Pattern recognition
El reconocimiento de patrones es la ciencia
que se ocupa de los procesos sobre ingeniería,
computación y matemáticas relacionados con
objetos físicos o abstractos, con el propósito de
extraer información que permita establecer
propiedades de entre conjuntos de dichos
objetos.
Pattern recognition tools
OpenPR
prtools
SVM
pattern-recognition-toolbox
wnd-charm
simphile
PRT
Pattern recognition resources
http://www.cedar.buffalo.edu/~srihari/CSE555/
http://research.microsoft.com/pubs/67119/svmt
utorial.pdf
http://homepages.inf.ed.ac.uk/rbf/IAPR/researc
hers/PPRPAGES/pprtut.htm
http://en.wikipedia.org/wiki/Pattern_recognition
Stochastic
Sistema cuyo comportamiento es
intrínsecamente no determinista. Cualquier
comportamiento que pueda ser analizable en
términos de probabilidad merece ser
denominado como un proceso estocástico.
Data processing
"Validación" - Asegurar que los datos
suministrados son "limpio, correcto y útil."
Clasificación- "Ordena elementos de cierta
secuencia y / o en diferentes conjuntos."
Recapitulación - reducir los detalles de los
datos a sus principales puntos.
Data processing
Agregación - combinación de múltiples piezas
de datos .
" Análisis"- la "colección, organización ,
análisis, interpretación y presentación de
datos.".
Información- lista detallada o resumen de los
datos de información computarizada.
Data processing tools
MDP
datafloq
pig
ECL
sqoop
flume
chukwa
Data processing resources
http://en.wikipedia.org/wiki/Data_processing
Data management
Modelado de datos, Administración de base de
datos, Data warehousing, Migración de datos,
Minería de datos, Calidad de datos, Seguridad
de datos, Gestión de meta-datos (repositorios
de datos, y su gestión) y Arquitectura de datos
Data management
infobright
talend
jaspersoft
jedox
pentaho
actuate
Data management resources
http://www.tutorialspoint.com/dbms/
https://www.youtube.com/watch?v=R5BN1Llhcw
http://www.sqlcourse.com/intro.html
http://searchdatamanagement.techtarget.com/g
uide/Master-data-management-tutorial
Latent Dirichlet Allocation
Usando palabras en documentos, presupone
que cada documento es una mezcla de un
pequeño número de categorías y la aparición
de cada palabra en un documento se debe a
una de las categorías a las que el documento
pertenece. LDA es un ejemplo de modelo de
categorías y es un modelo en grafo para
descubrir categorías
Latent Dirichlet Allocation tools
lda
pylda
Topic Modeling
Técnica empleada en ML y PLN para descubrir
temas contenidos en una colección de
documentos. Analiza la concentración de una
palabras ligadas a un tema por ejemplo si hay
más palabras como “dog” o “bone” y menos
como “cat” o “meow” entonces el documento
está por ejemplo inclida 90% perro y 10% gato.
Topic modeling Tools
Gensim
mallet
Data visualization
La visualización de datos no es solo una
manera de presentar los datos, sino una
manera de explorar y comprender los datos.
Los elementos de la visualización como
tamaño, forma, color, orden y encapsulamiento
ayudan a mostrar de una forma más clara y
comprensible.
Data visualization tools
d3js
processing
visual.ly
gephi
tableau
qlik view
scavis
Data visualization resources
https://www.dashingd3js.com/table-of-contents
https://www.processing.org/tutorials/
http://www.lynda.com/Design-Infographicstutorials/Data-VisualizationFundamentals/153776-2.html
Conclusión
Lo importante no es saberlo todo, sino saber
que utilizar en cada caso. Es importante que
desarrolles proyectos con varias de estas
tecnologías para comprobar tu experiencia
como data scientist. También es buena
práctica estructurar información para que sea
accesible por la comunidad. Te invito a
volverte un científico de datos.
Para descargarla
La presentación la subiré a mis redes sociales,
cualquier duda estoy a sus órdenes en las
mismas:
+CarlosToxtli
http://facebook.com/carlos.toxtli
http://google.com/
Gracias
Carlos Toxtli Hernández
psykohack
carlos.toxtli
[email protected]
Descargar

www.bigdataconf.mx