1. Dato vs. Información
1.1. Importancia de la precisión en los datos
1.1.1. Calidad de la información. Toma de decisiones. Reducción de errores. Confianza en los sistemas.
1.2. Dato
1.2.1. Representación simbólica (números, letras, signos). Características: crudeza, estructura, formato, fuente, volumen.
1.3. Información
1.3.1. Resultado del procesamiento y contextualización de los datos. Características: procesamiento, contextualización, interpretación, valor, temporalidad.
1.4. Diferencias clave
1.4.1. Nivel de procesamiento. Contexto. Significado. Uso. Valor.
2. Análisis de Datos
2.1. Tipos de análisis
2.1.1. Descriptivo: Resumen de datos (medias, gráficos). Diagnóstico: Causas de eventos (correlación, regresión). Predictivo: Predicción de eventos futuros (machine learning). Prescriptivo: Recomendaciones (optimización, simulación).
2.2. Herramientas
2.2.1. Lenguajes de programación: Python, R. Software de BI: Tableau, Power BI. Bases de datos: SQL, NoSQL. Big data: Hadoop, Spark.
3. Relación del Big Data con Machine Learning y Deep Learning
3.1. Big Data: Grandes volúmenes de datos complejos.
3.2. Machine Learning y Deep Learning
3.2.1. Necesitan grandes cantidades de datos para funcionar. Ejemplos: Análisis predictivo (ventas, fraudes). Procesamiento del lenguaje natural (chatbots, traducción). Reconocimiento de imágenes (vigilancia, diagnósticos médicos). Recomendaciones personalizadas (e-commerce, streaming).