¿Qué tipo de matemáticas se utiliza en la ciencia de los datos?

Estas tres ramas de las matemáticas apoyarán sus actividades diarias como analista de datos

La cantidad de matemáticas que te dicen que debes saber y la cantidad de matemáticas que usarás diariamente como analista de datos, son dos cosas muy diferentes.

Campo (y a veces proyecto) dependiente, hay sólo unas pocas pequeñas subsecciones de matemáticas que la mayoría de los analistas de datos utilizan diariamente. Mientras que la mayoría de los programas educativos discuten los tres grandes temas de matemáticas todos los analistas de datos deben saber (álgebra lineal, estadísticas y cálculo), no todos los campos o posiciones requieren un conocimiento profundo de cálculo o temas avanzados.

Mientras que el aprendizaje de los temas más avanzados en matemáticas (como el cálculo y más allá) añade herramientas valiosas a su arsenal y le enseña cómo resolver problemas, también puede ser un punto de inflexión que le puede impedir avanzar en su camino hacia convertirse en un analista de datos.

Por lo tanto, a menos que su campo o posición de destino requiera conocimientos matemáticos avanzados y entrenamiento, puede ser beneficioso centrarse en las partes esenciales que pueden cumplir el 70% o más de los requisitos diarios de la mayoría de las posiciones de analista de datos. Por suerte, es probable que ya haya estudiado los tres pilares discutidos en este artículo si ha completado algunos años de cursos universitarios o tomó cursos avanzados de matemáticas en la escuela secundaria o secundaria.

Mientras que el aprendizaje automático puede estar fuera del alcance de lo que un analista general de datos hará diariamente, los conceptos fundamentales del álgebra lineal se usarán durante preprocesamiento y transformación de datos . Además, el álgebra lineal le enseña a pensar lógicamente a través de una progresión de pasos que es beneficioso cuando se trabaja a través de un análisis que se centra en responder a una pregunta en particular o resolver un problema específico.

Conceptos en álgebra lineal incluyen vectores y espacios, transformaciones de matriz y sistemas de coordenadas alternativos. Vectores se puede utilizar en el análisis de datos para calcular cuán diferente es una predicción de un conjunto de datos de una salida esperada después de la transformación de datos. Transformaciones de matrices se utilizan para transformar un vector en otro vector que permite que los datos se representen geométricamente en un espacio bidimensional o tridimensional durante la transformación de datos. Sistemas de coordenadas alternativos puede utilizarse en el análisis de datos para cambiar la forma en que se representan visualmente los conjuntos de datos a fin de garantizar que los datos estén adecuadamente representados.

Cómo utilizar el álgebra lineal para el análisis de datos

Probabilidad es el estudio de la probabilidad de que algo suceda y es esencial para extraer conclusiones que puedan ayudar a la toma de decisiones en situaciones inciertas. Si bien la probabilidad y las estadísticas están vinculadas y a menudo se agrupan para el estudio, las dos se utilizan para determinar conclusiones diferentes.

Recursos para aprender la probabilidad

Cómo utilizar la probabilidad para el análisis de datos

Estadística es la rama de las matemáticas en torno a la recopilación, el análisis, la presentación y la interpretación de datos. Las estadísticas y la probabilidad se vinculan y a menudo se enseñan juntas, aunque dan diferentes respuestas a diferentes preguntas. Las estadísticas son la carne y las patatas de análisis de datos y proporcionan los fundamentos para entender lo que los conjuntos de datos nos dicen.

La estadística puede dividirse en dos tipos: descriptivo e inferencial. Estadísticas descriptivas describir las características de una población y subdividirla en medidas de tendencia central y medidas de variabilidad que midan diferentes aspectos de una población. Por ejemplo, las estadísticas descriptivas se pueden utilizar para concluir una gama de resultados de las pruebas recopiladas o la edad media de las personas que se inscriben en un boletín web. Estadísticas inferenciales hacer predicciones sobre una población basada en datos de muestra. Por ejemplo, Ensayo de hipótesis , un tipo de estadística inferencial, se puede utilizar para determinar si una hipótesis sobre una población puede ser aceptada o rechazada sobre la base de una muestra del estudio.

Cómo utilizar las estadísticas para el análisis de datos

Para llevar:

Los pilares fundamentales de las matemáticas que usted utilizará diariamente como analista de datos es el álgebra lineal, la probabilidad y las estadísticas.
La probabilidad y las estadísticas son la columna vertebral del análisis de datos y le permitirán completar más del 70% de las necesidades diarias de un analista de datos (posición y dependencia de la industria).
Convertirse en un analista de datos es posible conocer sólo estas tres divisiones de las matemáticas, pero el conocimiento matemático no debe limitarse a garantizar la relevancia y el avance continuos como analista de datos.

Mientras que este artículo cubre los fundamentos de las matemáticas que apoyan la mayoría de trabajo diario analista de datos, no es decir que su aprendizaje de matemáticas debe parar allí.

Los analistas de datos siguen siendo pertinentes y avanzan en sus carreras al seguir aprendiendo. Esto significa expandir su conocimiento más allá de los fundamentos y tomar inmersiones más profundas en matemáticas más complejas que, como se mencionó anteriormente, le dará más herramientas en su arsenal y afinará sus habilidades de resolución de problemas.

La matemática es la manera de entender lo que los datos nos dicen y nos ayuda a sacar conclusiones que nos permiten tomar decisiones en el futuro. Al promover su conocimiento usted se da a sí mismo la capacidad de mirar los conjuntos de datos y los resultados desde diferentes puntos de vista y para resolver los problemas de diferentes maneras. Por lo tanto, no te detengas en los fundamentos, pero sigue construyendo tu caja de herramientas matemáticas a medida que continúas a lo largo de tu carrera.