LAS 5 VISUALIZACIONES DE DATOS MÁS INFLUYENTES DE LA HISTORIA

LAS 5 VISUALIZACIONES DE DATOS MÁS INFLUYENTES DE LA HISTORIA

La visualización de datos permite realizar una compresión más profunda de la información. Sin ese análisis exhaustivo, podemos errar y perder oportunidades. En la siguiente entrada, hablaremos de 5 poderosas visualizaciones que fueron un hito en su época y vitales en el transcurso de la historia.

 

5. EL MAPA DEL CÓLERA DE JOHN SNOW

    A mediados del siglo XIX, la creencia general presuponía que el cólera se propagaba a través del miasma en el aire y los brotes de cólera que asolaban Londres hacia 1850 eran, para todos, un misterio. Pero un gráfico y una recopilación de datos, iba a cambiar aquella situación:

La red de suministros de agua de Londres estaba formada por numerosos pozos superficiales donde la gente podía bombear agua y llevarla a su casa. Un médico, John Snow, pensó que el cólera no era causado por los miasmas, sino que era algo que se reproducía en el cuerpo y se contagiaba y extendía a través de agua contaminada, todo ello debido a que las aguas de consumo y las aguas residuales se mezclaban en el alcantarillado.

En septiembre de 1854 hubo un nuevo brote de cólera en el distrito del Soho, y Snow, para demostrar su teoría, realizó un mapa donde fue dibujando la situación de los trece pozos públicos de esa zona y los casos de cólera que iban falleciendo alrededor, se comprobó entonces, que los muertos eran mucho más numerosos cerca de una bomba de agua que estaba situada en la intersección entre Broad Street y Cambridge Street. Examinó muestras de agua obtenidas de esa bomba al microscopio y descubrió una bacteria hasta entonces desconocida. A pesar del escepticismo de las autoridades locales, consiguió que clausuraran la bomba de Broad Street y el brote de cólera empezó a remitir, salvando a miles de personas, Hoy en día, su mapa se sigue utilizando como método geográfico para estudiar una epidemia y además, nos encontramos ante uno de los ejemplos más tempranos de la visualización de datos.

 

 

4. GAPMINDER

Gapminder es una fundación sin fines de lucro con sede en Estocolmo, fundada por el médico y estadístico, Hans Rosling, experto en salud pública, cuya finalidad es la de poder analizar datos y graficarlos de forma interesante y comprensible convirtiéndo, la información en accesible para todos. Los datos que podemos encontrar dentro de Gapminder van desde la esperanza de vida, la malnutrición infantil, el número de hijos que ha tenido una mujer, las emisiones de CO2, la edad del primer matrimonio, renta per capita, el producto interior bruto… En total, cuenta con 503 indicadores que podemos analizar.

La herramienta nos permite correlacionar de forma sencilla cualquiera de los indicadores y mediante una animación temporal tener la posibilidad de analizar su evolución a lo largo de los años, ir a un año concreto, o hacer una comparativa en la evolución de uno o varios países. Por ejemplo, podemos analizar la relación existente entre la edad del primer matrimonio y el número de niños por mujer (fertilidad) en España y en Angola.

Gapminder transformó la forma de presentar los datos al ofrecer datos numéricos, gráficos y estadísticas, directamente relacionadas con la realidad. Posibilita la creación de hipótesis, de plantear problemas y de sintetizar ideas y otorga un análisis profundo de la realidad.

 

3. MARCHA SOBRE MOSCÚ – CHARLES MINARD

 

 

 

“Carta figurativa de las sucesivas pérdidas de hombres de la armada francesa en la campaña de Rusia de Napoleón en 1812″ de Charles Minard (1869)”

 

 

 

 

 

La Mona Lisa de la Visualización de datos. El mapa es una litografía de 62 x 30 cm y refleja las diferentes variables que afectaron a  la enorme pérdida de vidas en la terrible campaña rusa del ejército napoleónico. De 422.000 hombres que comenzaron la invasión, sólo unos 10.000 regresaron con vida.

Retrata con precisión y sencillez la historia de esta campaña militar, en la que la banda beige designa los hombres que partieron hacia Rusia y la negra los que regresaron. Cada milímetro de ancho representa a 10 000 hombres. En el gráfico se muestran, 5 variables: la fecha, su dirección y localización geográfica, el descenso de las temperaturas, la dirección del ejército y la pérdida de vidas humanas. Este gráfico, todavía inspira a aquellos que la ven, a reflexionar sobre el verdadero costo de la guerra.

 

2. LAS FLORES – FLORENCE NIGHTINGALE

 

 

En la gráfica podemos observar como la mayoría de las muertes se producían debido a enfermedades prevenibles, a consecuencia de las malas condiciones de higiene de los hospitales.

 

 

 

 

Entre octubre de 1853 y febrero de 1856, Gran Bretaña estaba librando una batalla tanto con Rusia como con la enfermedad, en Crimea.

Florence Nightingale, una famosa enfermera británica, y un equipo de treinta y ocho enfermeras voluntarias partieron hacia el frente. Encontraron un panorama desolador: Una gran parte de los soldados no morían por las heridas recibidas en el campo de batalla sino por las condiciones de higiene que soportaban en el barracón. En su famoso informe “Notas sobre la salud, eficiencia y administración de la armada británica”, dividió las pérdidas en tres clases: en rojo, muerte por heridas; en azul, “enfermedades prevenibles o mitigables” (enfermedades infeccionas como el cólera y la disentería); en negro, todas las demás causas.

Cada porción de la tarta es relativo al número de incidencias; cuantas más muertes, más grande el pétalo correspondiente. Las flores de Nightingale salvaron miles de vidas inglesas porque su minuciosa recabación de datos convenció a la reina Victoria de la necesidad de poner en marcha drásticas reformas higiénicas en los centros hospitalarios. Lo que ocurrió en el frente era extrapolable a cada hospital inglés y se puso en marcha una revolucionaria reforma sanitaria en todo el país.

 

1. GRÁFICO BIOGRÁFICO – JOSEPH PRIESTLEY

El educador y polimatemático inglés del siglo XVIII Joseph Priestley tenía un objetivo ambicioso: enseñar a sus estudiantes la relación entre las naciones del pasado y las personas que las definieron. Su creación terminó convirtiéndose en dos visualizaciones de datos separados pero relacionados estrechamente entre sí:

 

 

 

Esta gráfica, representaba el nacimiento y la muerte de figuras históricas desde el 1200 a.C. hasta 1800 D.C. agrupadas en categorías: historiadores, matemáticos, políticos, etc.

 

 

 

 

 

 

Usando el mismo eje X que en la anterior gráfica, en esta tabla, se muestran las mayores civilizaciones del mundo y su extensión geográfica.

 

 

 

 

Ambas gráficas, tejen una historia intrincada. Explican y documentan tanto el ascenso como la caída de los grandes imperios de la historia y de pensadores únicos que definieron esas naciones.  Se observa, por ejemplo, como grandes Científicos coincidieron en el tiempo con los principales momentos de la historia de la humanidad, como los griegos, los romanos, o la ilustración.

Data Science y freelancing, la revolución del mercado laboral digital

Data Science y freelancing, la revolución del mercado laboral digital

En la actualidad, la capacidad de las empresas y profesionales del universo Tech para adaptarse a los cambios y explotar el potencial de la innovación es un factor fundamental para todos aquellos que desean aumentar o mantener su competitividad. Es clave entender los cambios de estas nuevas profesiones para anticipar la escasez de talento.

Si entramos en más en detalle y analizamos las tendencias, es ‘fácil’ identificar el auge de ciertas ramas como los entornos cloud o, sobre todo, el Data Science. Las empresas son conscientes de que los mastodontes económicos de nuestra era, las llamadas GAFA (Google, Apple, Facebook y Amazon) cimientan su poder y estabilidad en la explotación de sus datos. Esto no pasa desapercibido para nadie. Por eso, cada vez son más las empresas que cuidan sus datos y las profesiones relacionadas con el Data Science. Además, experimentan una clara evolución, como hemos podido observar en el último estudio Malt Tech Trends, que puedes descargarte aquí, un informe elaborado con más de dos millones de búsquedas anuales y 33 mil perfiles de profesionales freelance de la plataforma Malt.

Es una dinámica que se refleja claramente con el ejemplo de Python, catalogado tanto a nivel español como europeo en el top 5 de tecnologías más demandadas y en continuo crecimiento, un lenguaje de programación fundamental para extraer valor del dato. Aunque la sencillez y versatilidad de este lenguaje, utilizado también para desarrollos Back-End, sin duda ha colaborado en su posición actual, podemos observar que otras tecnologías relacionadas con el Data Science como Scikit, MATLAB y Haskell, se encuentran también en pleno ascenso con una variación, por ejemplo, del +438% con respecto al año pasado en el caso de Scikit. Crecen también otras tecnologías como TensorFlow que nos reflejan que la ciencia de datos no solo crece, sino que también evoluciona hacia técnicas complejas de Deep Learning.

La gran demanda de estos perfiles, unida a la escasez de profesionales altamente cualificados capaces de satisfacer las necesidades actuales, ha provocado un cambio en el propio paradigma laboral. Cada vez son más los profesionales que deciden dar el paso al universo freelance, elegir sus condiciones de trabajo, su propio salario o qué proyectos son los más desafiantes para sus habilidades.

A estas alturas, está claro que ser tu propio jefe no significa no tener horarios o hacer lo que quieras. Ser freelance es representar a tu propia marca. Cada proyecto refleja lo que eres como profesional. Por eso, los trabajadores independientes son personas en constante aprendizaje, profesionales curiosos por las últimas novedades de su sector y formas de trabajo. Expertos orgullosos de su trabajo, como indicaba la última encuesta sobre el sector freelance en 2019, según la cual, el 95,5% de los perfiles Tech son freelance por elección propia.

El sector freelance se ha convertido en esta era digital en la fuerza laboral en auge. Un movimiento sostenido e impulsado por plataforma digitales como Malt, principal comunidad de Freelance de España, con más de 20.000 perfiles y con base en otros países de Europa como Francia y Alemania. Esta plataforma conecta expertos freelance con empresas y su cartera de clientes cuenta tanto con pymes y startups, como con grandes compañías del IBEX 35.

Un éxito cimentado en un paquete de servicios integrales para toda su comunidad freelance: pagos seguros en menos de 48 horas una vez finalizado el proyecto; seguro para cada proyecto de hasta 9 millones de euros gracias a AXA; facilidad de tener todas tus facturas en una misma herramienta; una serie de partners estratégicos en servicios fundamentales como asesoría, banking, espacios de trabajos o escuelas de formación. Pero, si por algo destaca, es por el apoyo de un equipo dedicado únicamente a esta comunidad, encargado de aconsejarles y asesorarles, antes, durante y después de cada proyecto.

La plataforma trabaja de forma local, por lo que su comunidad de freelance factura en España. Una iniciativa que tiene por objetivo mantener la competitividad del mercado, tu experiencia y habilidades serán tus mejores armas. Además, aquí serán los clientes los que te contacten para proponerte un proyecto, se acabó eso de postularte constantemente a ofertas con cientos de candidatos y la puja por el precio más económico.

Crear tu perfil es tan sencillo como registrarse en su página web y exponer tus habilidades y experiencias. El perfil es tu carta de presentación y currículum de cara a las empresas. Cuanto más completo, más oportunidades de tener un nuevo proyecto. Si tienes dudas, Malt organiza todos los meses webinars y encuentros con trucos y consejos para lograr el perfil más atractivo. Además, su equipo de comunidad tratará de ponerse en contacto contigo para conocerte y ayudarte en lo que necesites.

Fórmate con MIOTI y nuestros nuevos cursos y da el salto profesional con Malt y crea tu perfil profesional.

Data Science para predecir el COVID-19

Data Science para predecir el COVID-19

Hace unos días, Mario López, profesor de Data Science with Python en MIOTI, PhD en Ingeniería de Telecomunicaciones y experto en Data Engineering y Data Science, fue el encargado dirigir nuestro webinar sobre cómo el Data Science puede ayudar en la predicción de pandemias como la del COVID19. El evento tuvo como objetivo principal responder a la pregunta sobre cómo esta disciplina se puede utilizar en diferentes ámbitos para visualizar, predecir y solucionar problemas, pero también para dejar claro a los interesados que la barrera de entrada a esta tecnología es mínima y que a ella se pueden incorporar perfiles muy diversos.

Lo realmente atrayente para la mayoría es conocer las claves que maneja el Data Science para hace frente a una situación tan delicada como la actual. Es algo que, por fuerza, genera un interés indiscutible, y prueba de ello son las muchas acciones que se están llevando a cabo para combatir esta crisis sanitaria. Solo en Kaggle, una de las comunidades para data scientists más importantes del mundo, se han llegado a publicar más de 44.000 investigaciones profesionales relacionadas con el coronavirus. La comunidad amateur también se ha volcado publicando más de 5000 notebooks. Y las cifras, en pocas semanas, no hacen más que aumentar.

Visualizar el problema (Data Analysis)

Instituciones, universidades y compañías de primer nivel, han creado decenas de dashboards que ofrecen representaciones visuales de datos sobre la situación actual de la pandemia. Adicionalmente, también usuarios y comunidades cuyo único interés es participar y contribuir, han sido capaces de crear estas útiles herramientas.

Algunos de los dashboards que pueden consultarse en la actualidad

Esto solo es una pequeña muestra de lo que en Data Science se conoce como data analysis. Para entender un problema, primero debemos ser capaces de visualizarlo. Solo así conoceremos su magnitud. Por eso resultan tan útiles los dashboards, y por eso la representación visual de datos se torna esencial.

Además, tras la aparente complejidad de estas representaciones, no se esconde una disciplina solo apta para unos pocos. Cualquiera con unos mínimos conocimientos y mucho interés, puede crear la suya (de hecho, los alumnos de MIOTI, tras solo 4 semanas de clases, son capaces de elaborar un dashboard perfectamente funcional). Unos pequeños bloques de código realizados en Python, uno de los lenguajes de programación más populares de la actualidad y el preferido por buena parte de la comunidad de data scientists, son suficientes para crear un dashboard que ayude a entender la dimensión de un problema.

A continuacón, y a modo de ejemplo, hemos destacado los siguientes por su calidad y utilidad.

Predecir su evolución (Forecasting)

Una vez que vemos y entendemos qué es lo que está pasando, llega el momento de ‘predecir’ qué va a suceder a continuación. En data sciente, esta es la fase de forecasting. Siguiendo con el caso del COVID-19, cualquiera puede llegar a pensar que, para realizar una predicción sobre su evolución, será necesario recurrir a complejas técnicas de Machine Learning, Deep Learning, redes neuronales o algoritmos complejos. La realidad es bien distinta, puesto que la mayoría de los modelos de predicción que podemos encontrar y que, en muchos casos, son los mismos que han utilizado las administraciones gubernamentales para intentar adelantarse al virus, se corresponden con el conocido modelo “SIR”. Se trata de un modelo matemático utilizado para enfermedades contagiosas creado a principios del siglo XX por Ronald Ross y William Hammer y que forma parte de un conjunto de modelos conocidos como compartamental models.

Un ejemplo de modelo SIR: (Verde = población susceptible; Amarillo= población infectada; Azul = población recuperada).

SIR, en su ramificación más sencilla, se basa en clasificar a la población en tres bloques diferenciados: aquellos susceptibles de contraer una infección, aquellos que ya están infectados, y aquellos que ya se han recuperado, englobando en este último caso tanto a los que sobreviven a la enfermedad, como a los que fallecen por ella.

Una vez hecha la clasificación, lo primero es definir las probabilidades de pasar de un estado a otro. Si, por ejemplo, un sujeto se encuentra en el bloque de infectados en un determinado día, pasará al bloque de recuperados en función de lo que dure la enfermedad. Si ésta dura 14 días, diríamos que cada persona infectada tiene, cada día, 1/14 probabilidades de recuperarse.

En el caso de querer saber las probabilidades de pasar del bloque de susceptibles al bloque de infectados, deberíamos tener en cuenta 3 factores:

  • La probabilidad de encontrase con alguien
  • La probabilidad de que esa persona estuviera infectada
  • La probabilidad de que esa persona infecte a otra

La probabilidad de que una persona esté infectada dependerá de la cantidad de infectados que existen sobre el total de la población. Por otra parte, la probabilidad de encontrase con alguien y la probabilidad de que, si esa persona está enferma, contagie la enfermedad, implica dos factores distintos que, matemáticamente, se modelan en uno solo. Así, podemos crear un sistema de ecuaciones diferenciales para establecer cuál es la probabilidad de pasar de un estado a otro. Como hemos dicho, muchos de los modelos y sus correspondientes variaciones tienen como base el modelo SIR.

Como ejemplo actual y cercano, tenemos el creado por Myriam Barnés, data scientist de K-Fund que, utilizando un modelo similar al SIR, pero teniendo en cuenta además variaciones por las necesidades hospitalarias, nos permite prever el pico de hospitalizaciones que habrá en diferentes países del mundo. Puedes consultar la herramienta en este enlace.

Otro ejemplo es el creado por Gabriel Goh, Machine Learning Researcher en OpenAI, que, en este caso, se basa en el modelo SEIR y que también nos permite prever el pico. Consulta la herramienta aquí.

De cualquier forma, esta es la parte más compleja. Diferentes modelos basados en distintas variables y datos arrojarán predicciones alternativas. Por eso George Box dijo aquello de que ‘todos los modelos son incorrectos, pero algunos de ellos resultan útiles’.

Solucionar el problema

Una vez que hemos logrado realizar ciertas predicciones, ¿puede aportar algo Data Science para llegar a solucionar el problema? Por supuesto. En el webinar, Mario López destacó algunas de las iniciativas que, basándose en esta tecnología, ayudan de forma determinante a la lucha contra la pandemia.

En Kaggle existe un reto que intenta contestar a 10 preguntas clave sobre el coronavirus. Para ello, se va a utilizar el datasheet leíble por una máquina más grande elaborado hasta el momento. Esto es, las más de 44.000 investigaciones y los más de 5000 notebooks publicados en la propia comunidad de Kaggle. Evidentemente, si un investigador necesita información, por muy estructurada y organizada que esté, será complicado que la encuentre entre semejante cantidad de recursos. Gracias a sistemas de procesamiento de lenguaje natural, se espera poder encontrar el trabajo o investigación que de la respuesta adecuada a cada pregunta.

https://www.kaggle.com/covid19

Otra aplicación recurrente en estos momentos, es la de es utilizar Computer Vision para ayudar en el diagnóstico de pacientes con coronavirus. Con acceso a una serie de imágenes médicas, como escáneres y radiografías de pacientes con y sin coronavirus, se crean patrones que sirven para identificar y diferenciar a personas que hayan desarrollado síntomas provocados por el virus, de aquellas que hayan desarrollado síntomas por otra causa.

Siendo posible que aún tardemos bastante tiempo en encontrar un remedio efectivo contra el COVID-19, existe un campo de estudio que utiliza Machine Learning denominado Drug Repurposing y que busca compuestos químicos comercialmente disponibles, como los que se pueden encontrar en farmacias y hospitales, que tengan potencial para resultar efectivos contra la infección. Se busca que esos compuestos puedan anexionarse a algunas de las proteínas del coronavirus, cambiando su estructura y logrando que sea menos efectivo. Para ello, existen bancos y bases de datos en las que se encuentran registradas tanto los químicos como las proteínas con sus características codificadas. Gracias a algoritmos de aprendizaje supervisado y no supervisado, se pueden cruzar dichas características e inferir qué combinaciones pueden resultar efectivas y cuáles no.

Drug Repurposing

 

El Data Science se ha desmarcado como una de las disciplinas más determinantes en la lucha contra las pandemias. Nos encontramos ante una tecnología cuya curva de aprendizaje es muy suave y que, lejos de requerir la intervención de perfiles excesivamente técnicos, puede ser aprendida y aprovechada por profesionales de áreas muy diversas. La mayoría de los programas de MIOTI tratan en menor o mayor profundidad esta especialización. Y es que los datos nos respaldan: los profesionales que optan por Data Science, son los más demandados del mercado laboral.

¿Quieres formarte en Data Science? Apúntate ya

Máster en Data Science

Formato: Presencial

Data Science Fundamentals

Formato: Presencial

Data Science Advanced

Formato: Presencial

Machine Learning Online

Formato: 100% Online

¿TIENES ALGUNA DUDA? LLÁMANOS CUANDO QUIERAS

Los 6 trabajos del futuro van sobre Datos

Los 6 trabajos del futuro van sobre Datos

Dentro de varios años, cuando se hable sobre la Cuarta Revolución Industrial o la Transformación Digital, los estudiantes del futuro lo percibirán como un breve periodo en el que todo cambió mucho y muy rápido. Aquellos que estamos inmersos en dicho cambio, sabemos que el proceso está lejos de ser inmediato, pero también somos conscientes de que su avance es inexorable y que, para mantener el tipo, sobre todo en el ámbito profesional, lo mejor es no quedarse descolgado. Por eso es tan importante entender cómo los movimientos macro y microeconómicos impactarán en el mundo laboral y reconfigurarán los trabajos del futuro. En MIOTI nos esforzamos en entender y transmitir estas nuevas corrientes a la hora de ofrecer una formación de calidad que sea consecuente con las nuevas demandas del mercado laboral.

Impulsores de la transformación del mercado laboral

Buena parte del cambio en el mercado laborar viene impulsado por la tecnología, la digitalización y las recientes, aunque todavía insuficientes, reformas de los marcos que rigen las nuevas relaciones y situaciones laborales. Esto implica la aparición de nuevas oportunidades y perfiles profesionales, así como la desaparición de otros. Lo que queda claro es que las profesiones más demandados de la actualidad no estaban en el imaginario colectivo de hace unos años. Bien merecido tienen que nos refiramos a ellas como los ‘trabajos del Futuro’.

La tecnología siempre ha sido un agente de cambio determinante, y el mercado laboral no es ajeno a su influencia. En MIOTI hemos detectado que Internet de las Cosas, la Inteligencia Artificial, Data Science, Blockchain o la robótica, son algunas de las tecnologías que más focos acaparan en la actualidad. Su evolución ha sido exponencial y, como es de esperar, nuevas tecnologías demandan nuevos profesionales. Aquellos que quieran progresar en estas áreas deben ser resilientes y estar dispuestos a mantener un proceso de aprendizaje constante. La evolución de estas tecnologías es continua, como también deben serlo las propias capacidades actitudinales de quienes decidan trabajar con ellas.

Cada vez más, los perfiles serán tan competentes como exigentes. El trabajador que mantiene un interés constante por ser un profesional cualificado también es, por naturaleza, más ambicioso. Por lo tanto, demandará una mayor participación en la toma de decisiones de la empresa, transparencia en sus procesos, un modelo que valore las ideas por encima de la jerarquía y que, además de por el cumplimiento de los objetivos, vele también por la felicidad y el bienestar de sus empleados. Estas son algunas de las necesidades que los trabajos del futuro deberán ser capaces de cubrir.

Los trabajos del futuro apostarán por la movilidad geográfica y el teletrabajo

Dos tendencias consecuencia de la tecnología y la digitalización. El puesto de trabajo ‘fijo’ que conocemos y que todavía está tan arraigado en muchos entornos laborales, cada vez lo estará menos debido a la globalización y la digitalización. Por una parte, la movilidad geográfica se torna imprescindible, sobre todo en corporaciones multinacionales, pero también en startups que nacen con el proceso de internacionalización marcado en su hoja de ruta. Por otra, el teletrabajo, impulsado por las tecnologías y la digitalización de los procesos, indica que cada vez más empresas comienzan a valorar la productividad y la eficiencia por encima del simple presentismo.

Trabajos del Futuro

En 2017, Capgemini y LinkedIn elaboraron un informe con el objetivo de analizar la oferta y la demanda de talento con competencias digitales específicas. En él se reflejan muchos datos interesantes, pero hemos querido destacar dos:

  • El 50% de los empleados (cerca del 60% si hablamos de aquellos catalogados como ‘digitales’) invierte su propio dinero y tiempo en el aprendizaje y desarrollo de sus capacidades digitales.
  • De los 10 perfiles digitales con más futuro que se recogen en el informe, 5 están directamente relacionados con los datos. Por eso, los programas formativos de MIOTI pivotan sobre esta tendencia.

El primer apunte no hace más que ratificar la existencia del perfil de trabajador flexible y adaptable que nunca deja de formarse, ya sea por necesidad o por gusto. El segundo habla sobre la importancia de los datos en la actualidad. Arquitectos de datos, ingenieros de datos, científicos de datos, datos y ciberseguridad, IoT y su estrecha relación con, efectivamente, los datos. Desde el Big Data hasta el Data Science. Diferentes engranajes de una máquina imponente y compleja que requiere profesionales cualificados para su correcto funcionamiento. Un aspecto que define la tipología de muchos de los trabajos del futuro que tanto interesan a empresas y profesionales.

De hecho, algunas de las profesiones consideradas más ‘sexys’ del futuro (y también del presente), dependen directamente de los datos, uno de los recursos más valiosos para las empresas del siglo XXI. Los alumnos de MIOTI demandan formación específica en estos campos conscientes de su importancia.

Algunos de los trabajos del futuro que destacan por su importancia, alta valoración y creciente demanda, son:

 

  • Big Data Architect

    El responsable de diseñar y crear una estructura virtual cuya función sea almacenar grandes volúmenes de datos que no pueden ser gestionados de manera convencional debido a las limitaciones de gestión y procesamiento de las plataformas de software convencionales. Está en contacto directo con el cliente para diseñar los sistemas a medida en función de sus necesidades.

  • Data Analyst

    Profesional capacitado para procesar y realizar análisis estadísticos de datos. Su trabajo le permite descubrir cómo se pueden usar los datos para sacar conclusiones y resolver problemas que se presentan en una organización. Entre sus tareas está la extracción, limpieza, análisis y visualización de los datos.

  • Data Scientists

    Se centran en la minería de grandes cantidades de datos, estructuradas y no estructuradas, con el objetivo de identificar patrones. Para cumplir sus tareas utilizan una mezcla de programación, habilidades estadísticas, aprendizaje automático y algoritmos. También deberán conocer y entender el negocio o la industria en la que trabajan.

  • Expertos en Ciberseguridad

    Detectan fallos de seguridad que pueden afectar a una empresa en el ámbito digital utilizando herramientas y tecnologías diseñadas para proteger sus activos. Uno de sus principales objetivos es evitar accesos no autorizados a información sensible. Hace años, solo grandes corporaciones invertían en este ámbito, pero ya es habitual que pequeñas y medianas empresas también lo hagan. En empresas que trabajan con datos, es una parte esencial.

  • Customer Intelligence Specialist

    En Business Intelligence, el experto en Customer Intelligence procura aprovechar la información generada por los clientes y, en base a esta, ayudar a entender cómo reaccionan a la comercialización de ciertos productos o servicios.

  • Expertos en Internet de las Cosas (IoT)

    Todos aquellos profesionales capacitados para encabezar y liderar proyectos “smart” aplicados al mundo de las ciudades, de la salud, del hogar o de la industria, cuyo expertise incluirá entender el ciclo completo que va desde el hardware de los sensores hasta el software y las plataformas necesarias para almacenar y explotar el dato.

Algunas de las profesiones del futuro (y también del presente), dependen directamente de los datos, uno de los recursos más valiosos para las empresas del siglo XXI

Fórmate en las profesiones del futuro con el Máster Data Science y el Máster de IoT de MIOTI

Trabajos del futuro

Siendo conscientes del nuevo paradigma, en MIOTI hemos puesto en marcha nuestro propio Máster en Data Science y el Máster en IoT. Somos el primer centro de formación especializado en Internet de las Cosas y Data Science, las tecnologías disruptivas e innovadoras que más demanda el mercado laboral.

Si quieres liderar proyectos de innovación en un mundo cada vez más “smart”, el Máster en Internet de las Cosas te dará todas las herramientas para identificar oportunidades de negocio y plantear la arquitectura tecnológica para capturar dicha oportunidad. Sin embargo, si estás buscando centrarte en el mundo de los datos, el Máster en Data Science de MIOTI es la mejor opción.

Contamos con un profesorado con amplia experiencia profesional en las materias que imparten (todos actualmente en activo) y con un contenido diseñado para responder a los retos a los que se enfrentan las empresas en la actualidad. Nuestra sede se encuentra en THECUBE Madrid, uno de los principales hub tecnológicos de innovación de Madrid, principal punto de encuentro en la capital para corporaciones, startups y stakeholders del panorama emprendedor. Ponte en contacto con nosotros y solicita toda la información que necesites. ¡Te esperamos!

Razones para estudiar un máster en Data Science

Razones para estudiar un Máster en Data Science

¿Sabes que es el Data Science? ¿Para que sirve? ¿Quieres saber a que salidas profesionales puedes optar? Te contamos varias razones para estudiar un Máster en Data Science.

El manejo de grandes cantidades de datos es una de las tendencias que más está impactando en los últimos años, tanto en las empresas como en las aplicaciones en la vida diaria.

Por este motivo cada vez son más las personas que se suben al carro de optar por una formación específica en materia de manejo de datos, tanto para conseguir una mejora profesional como para poder dar un giro a su trabajo actual.

Data Science: qué es y para qué sirve

En primer lugar aclaremos que el Data Science es un campo de estudio que se basa en extraer información de valor de una gran cantidad de datos. Es una combinación de uso de la estadística, informática y las matemáticas.

El Data Science sirve en primer lugar para tomar decisiones basadas en esa extracción de datos. Además de esto existen conceptos básicos que siempre acompañan a la definición de data Science, como machine learning, data mining, big data o data analytics, los cuales explicaremos en profundidad más adelante.

Aclarados estos primeros conceptos pasamos a detallar las razones por las que estudiar un máster en Data Science es una buena idea.

¿Para que estudiar un máster en Data Science?

Trabaja en un sector continuamente actualizado

A la hora de elegir un puesto de trabajo una de las razones por las que los trabajadores lo hacen es por contar con la posibilidad de trabajar en un entorno dinámico, que permita la constante actualización de conocimientos y herramientas en el trabajo que realizamos día a día, ya que resulta mucho más interesante trabajar en algo que nos garantice hacer interesante nuestro trabajo del día a día sin que llegue a convertirse en algo monótono y repetitivo.

Salidas profesionales

Uno de los motivos por los que estudiar un máster en data science es una buena idea es por supuesto las salidas profesionales y el perfil de Data Scientist es uno de los más demandados en la actualidad laboral. Formarte en el análisis de datos te asegura el acceso a un sector profesional en el que la demanda de profesionales es mucho mayor que la oferta, por lo que será realmente fácil la búsqueda de empleo e incluso podrás tener la posibilidad de elegir entre varias ofertas de trabajo y no requiere años de experiencia profesional.

Satisfacción personal

Convertirse en  un activo de valor para la empresa en la que trabajamos es un aspecto muy importante en nuestra vida, tanto profesional como personal.
Al adquirir los conocimientos en Data Science podrás convertirte en un elemento clave a imprescindible en tu puesto de trabajo, por lo que podrás llegar a ser una persona de alto valor en tu carrera profesional.

Acceso al mercado internacional

Es cierto que en España cada vez son mayores los puestos de trabajo y las empresas en las que se implementa el uso de las tecnologías en Data Science y la incorporación de los profesionales Data Scientist. También es cierto que en las empresas norteamericanas e indias llevan años en cabeza en el uso de estas tecnologías por lo que si tienes expectativas de trabajar en el extranjero o empresas internacionales estudiar el máster en Data Science es una idea excelente para lograrlo.

Remuneración profesional

No solo nos motivamos por un salario competitivo a la hora de buscar un trabajo pero una remuneración económica por encima de la media puede ser un gran incentivo para levantarnos temprano por las mañana todos los días y hacer la rutina mucho más llevadera.

Transformar la realidad

Cada día y a medida que pasa el tiempo es más sencillo convertir los datos en algo tangible y a través del Data Science tendrás la posibilidad de transformar la realidad basándose en decisiones tomadas a través de la extracción de un gran volumen de datos.

Aprovechar el valor de la tecnología

Los tiempos están cambiando y cada día nuevos recursos y tecnologías están al alcance de nuestra mano. Según datos recogidos por IDC, en 2020 las empresas gastarán 70 mil millones de dólares en software de big data.

Cada vez es mayor la utilización del Data Science para el tratamiento de bases de datos, análisis de datos y la extracción de datos en todo tipo de empresas.

Visión global

El análisis y tratamiento de los datos te permite una visión mucho más global y a valorar la importancia de poder optimizar estos datos para obtener unos resultados específicos.

Trabajar en un entorno en constante evolución

El uso de Data Science está en constante cambio y crecimiento y las compañías y empresas actuales tienen la posibilidad de evolucionar al mismo ritmo. Trabajando como Data Scientist podrás ser partícipe de este cambio en las empresas y conseguir más rentabilidad y beneficios que se pueden conseguir implementando el uso del Data Science.

Para estudiar un máster en Data Science no necesitas tener conocimientos previos, en MIOTI te asesoramos y te ayudamos a formarte para conseguir tus objetivos profesionales.

Para ello contamos con diferentes programas 100% prácticos y totalmente a medida, dependiendo de tu nivel de formación y conocimientos.

Con nuestro primer programa Data Science Fundamentals podrás iniciarte en el mundo del Data Science y el procesamiento de datos y dominar herramientas como Python, predictive analytics y aprender machine learning.

Con nuestro programa Data Science Advanced podrás continuar la formación adquirida en Data Scinece Fundamentals y convertirte en un Data Scientist.

Con el Máster en Data Science conseguirás una formación completa combinando los programas Data Science Fundamentals y Data Science Advanced.
Si estás pensando en estudiar un máster de Data Science no lo dudes y contacta con nosotros para informarte de todo lo necesario.

 

Qué es Data Science y por qué es tan importante en la actualidad

Qué es Data Science y por qué es tan importante en la actualidad

Qué es Data Science y por qué es tan importante en la actualidad

Haz la prueba. Abre tu navegador, entra en Google y busca el término ‘data science’. Hoy, esa búsqueda arroja 3.410.000.000 resultados en el buscador por antonomasia. ¿Está el data science de moda? Realmente no es algo tan novedoso como cabría esperar, pero sí parece que quienes se dedican a la ciencia de datos viven un momento dulce. De hecho, todo indica que la situación, lejos de normalizarse o perder fuelle, irá a más durante los próximos años. Pero ¿por qué goza de tan buena salud todo lo que esté relacionados con ‘el dato’? Para saberlo, en primer lugar, habría que entender el motivo por el que las grandes corporaciones lo han convertido en uno de los pilares básicos de su estrategia, o el motivo por el cual las startups emergentes nacen con el objetivo de explotarlo. Quizás habría que considerar por qué buena parte de los productos y servicios que consumimos son tan dependientes de esta tendencia. O, quizás… simplemente habría que empezar preguntándose qué es data science; qué es REALMENTE data science.

Entonces, ¿qué es Data Science?

Qué es Data ScienceResulta muy fácil perderse entre todo un glosario de términos cuando queremos saber qué es data science. Sería muy sencillo (y tentador) conformarse solo con el concepto general: data science es la ciencia que estudia los datos. Obviamente, y aunque sea estrictamente correcto, sería simplificar las cosas en exceso.

Data Science no es un único concepto o una única disciplina que lo comprende todo. Data Science es un conjunto de subdisciplinas que abarcan un proceso formado por distintas fases: obtención de datos, tratamiento, entrenamiento mediante Machine Learning, testeo y visualización. Cada área se nutre de unas tecnologías y metodologías únicas, así como de un tipo de perfil profesional adaptado y cualificado.

Para definir lo que es Data Science, hay que tener muy claro que todo empieza con el estudio del origen de la información, lo que representa y cómo se puede transformar en un recurso tan valioso que resulte decisivo en la toma de decisiones de cualquier empresa. A través de la localización de modelos y patrones en grandes volúmenes de datos, se pueden sacar conclusiones esclarecedoras sobre cuestiones como los costes, las nuevas oportunidades de negocio o el comportamiento y la reacción de los clientes ante un nuevo producto.

Para saber lo que es Data Science, primero conoce sus fases

La primera, la recogida de la información, se realiza a través de todos aquellos procesos y sistemas ideados para obtener datos: sensores IoT, dispositivos móviles, aplicaciones, scrapeo, formularios, etc. En bruto no sirven de mucho, pero debidamente ordenados y filtrados, están listos para la siguiente fase de la cadena. La recogida de datos es la parte en la que el Big Data cobra relevancia, por supuesto, pero existe otro término que es igual de importante y que suele obviarse: el data mining, que no es más que el proceso de identifiación de toda la información que es relevante y extraída de esas grandes cantidades de datos (Big Data). Se estima que, para hablar de Big Data, la cantidad mínima de datos se correspondería con 1 Terabyte.

El siguiente paso es el tratamiento de datos o preprocesado, que se encarga de presentar la información en un formato adecuado para que los algoritmos puedan trabajar con ella de forma más eficiente. Esta fase incluye diferentes técnicas como son las de normalización, cuantificación, saneamiento, anonimización y balanceo de clases, y suele considerarse como una de las más relevantes. De hecho, dentro de un proyecto de Data Science, se invierte entre un 50% y un 60% del tiempo en el preprocesado de los datos, y sus resultados a menudo son críticos, determinado su éxito o fracaso.

En la posterior fase de entrenamiento, se utilizarán algoritmos de Machine Learning que predicen y clasifican la nueva información utilizando aprendizaje supervisado o aprendizaje no supervisado. En el primer caso, los algoritmos hallan respuestas en función de casos y respuestas pasadas ya conocidas. En el segundo, intentan aprender sin depender de ningún tipo de respuesta previa.

La fase de testing servirá para probar diferentes configuraciones de algoritmos con una metodología pura de prueba y error. El objetivo es saber qué algoritmo funcionará mejor con un determinado set de datos.

Por último, la visualización de datos, que servirá para encontrar la forma más sencilla, limpia e intuitiva de representar los resultados obtenidos. Lo mejor en cualquier caso es mostrar la información de forma visual ayudándose de diferentes herramientas de software especialmente diseñadas para ello. La importancia de esta parte se deriva del propio paradigma que vivimos en la actualidad. Tenemos mucha información a nuestro alcance y muy poco tiempo para analizarla y procesarla, por lo que requerimos que dicha información sea lo más clara y concisa posible, y eso se consigue plasmándola visualmente. Uno de los mejores ejemplos se ha visto impulsado por la actual crisis sanitaria provocada por la COVID-19. A raíz de esta, se han creado decenas de dashboards que muestran de forma muy visual todos los datos importantes sobre la pandemia y su expansión. Solo con un rápido vistazo se puede entender la magnitud del problema, aunque siempre será necesario entrar en detalles para comprender sus verdaderas implicaciones, por lo que se debe encontrar un equilibrio entre lo que resulta visualmente atractivo, y la información útil que arroja.

Dashboard sobre la situación de la pandemia elaborado por la Universidad Johns Hopkins

Los alumnos de MIOTI que opten por formarse en Data Science, serán capaces de elaborar su propio dashboard funcional básico tras solo unas semanas de clase.

Perfiles profesionales implicados en Data Science

Casi a cada una de las fases anteriormente mencionadas se le podría asignar un perfil específico. En el ámbito del Data Science se pueden encontrar numerosos tipos de profesionales, pero hemos querido destacar los siguientes:

  • Científico de Datos

Aúna, o al menos debería, conocimientos en programación, matemáticas y estadística. Especialista en la minería de datos, dedicará buena parte de su trabajo a identificar patrones. Creará algoritmos que faciliten la obtención y organización de los datos.

  • Arquitecto Big Data

Dentro de la complejidad intrínseca de un proceso que implique el uso de un gran volumen de datos, existe un área que es especialmente importante. Para que estos datos puedan ser procesados, almacenados y tratados de una forma eficiente, deben existir estructuras virtuales específicas para ello. El arquitecto Big Data es el encargado de diseñar y poner en marcha estas estructuras. Hay que tener en cuenta que, cuando hablamos de cantidades ingentes de datos, las plataformas convencionales están muy limitadas respecto a lo que puede ofrecer una solución a medida, por lo que la existencia de este perfil es fundamental.

  • Analista de datos

Sus tareas más comunes incluyen la extracción, la limpieza, el análisis y la visualización de datos. Realiza, además, análisis estadísticos e investiga cómo pueden utilizarse para sacar conclusiones y resolver problemas.

Data Science y su estrecha relación con IoT

Si hablamos de recolección de datos, es inevitable hablar de Internet de las Cosas y relacionarlo con Big Data. Esta tecnología, en pleno auge, conecta literalmente millones de dispositivos ideados para obtener datos en tiempo real a Internet. Ya en la actualidad, una importante cantidad de objetos inteligentes están preparados para ser ‘conscientes’ del entorno en que se encuentran y para interactuar tanto con personas como con otros objetos, con o sin supervisión humana. Los datos obtenidos pasan a formar parte de lo que comienza a ser el mayor flujo de información que haya existido y, en consecuencia, el principal pilar sobre el que se asentarán los sistemas de Big Data.

Prepárate con el Máster en Data Science de MIOTI 

MIOTI es el primer centro de formación especializado en IoT que ofrece un completo Máster en Data Science en Madrid para que te sumes a esta tendencia. y que pone el foco en tecnologías como data science. La sede de MIOTI, situada en THECUBE Madrid, es el lugar perfecto para formarse y estar en contacto con todos los implicados en el panorama tecnológico y emprendedor.

Para obtener más información sobre el Master Data Science de Madrid de MIOTI, solo tienes que ponerte en contacto con nosotros a través de nuestra web, de nuestro teléfono o correo electrónico, y te contaremos todo lo que necesites saber sobre nuestro Máster en Data Science.

;