Free From MIT: Intro to Computational Thinking and Data Science
This article is a translation of the original that appears on
KDnuggets:
https://www.kdnuggets.com/2020/10/free-mit-intro-computational-thinking-data-science-python.html
Thank you very much for allowing its publication in Spanish.
Muchas gracias por permitir su
publicación en español.
Free From MIT: Intro to Computational Thinking and Data Science (Introducción
al pensamiento computacional y a la ciencia de datos)
Share
Etiquetas: Computer Science, Courses, Data Science, MIT, Python
Este curso gratuito del MIT le ayudará en su transición al pensamiento
computacional y, en última instancia, a resolver problemas complejos de ciencia
de datos.
Autor: Matthew Mayo, KDnuggets.
La programación es una parte importante
de la ciencia de datos, así como los conceptos subyacentes de informática. Si
planeamos implementar soluciones computacionales a los problemas de la ciencia
de datos, está claro que la programación es de absoluta necesidad. Para
facilitar a aquellas personas que buscan establecer o solidificar estas
habilidades, y para empezar compartimos un excelente curso gratuito de Open
Courseware del MIT.
Una vez que uno aprende lo básico
de la programación, cambiar al pensamiento computacional es un buen paso en la
transición hacia la resolución de problemas complejos del mundo real, incluso
desde una perspectiva de ciencia de datos. Hoy compartimos Computational Thinking and Data Science (El pensamiento
computacional y la ciencia de datos), otra oferta de cursos abiertos del MIT,
de primer nivel, disponible de forma gratuita para cualquier persona interesada
en aprender.
En el sitio web
del curso se describe el mismo como:
[L] a continuación de 6.0001 Introduction to Computer
Science and Programming in Python (6.0001 Introducción
a la informática y la programación en Python) está destinada a estudiantes con
poca o ninguna experiencia en programación. Su objetivo es proporcionar a los
estudiantes una comprensión del papel que puede desempeñar la computación en la
resolución de problemas y ayudar a los estudiantes, independientemente de su
especialidad, a sentirse justificadamente seguros de su capacidad para escribir
pequeños programas que les permitan lograr metas útiles. La clase usa el
lenguaje de programación Python 3.5.
La versión de otoño de 2016 de este curso la imparten Eric Grimson,
John Guttag y Ana Bell. En el curso se utiliza para la implementación
únicamente Python como lenguaje de programación.
Los temas del programa de estudios se muestran a continuación:
1. Introducción y
problemas de optimización
2. Problemas de
optimización
3. Modelos de teoría
de grafos
4. Pensamiento
estocástico
5. Paseos aleatorios
6. Simulación Monte
Carlo
7. Intervalos de
confianza
8. Muestreo y error
estándar
9. Comprensión de
los datos experimentales
10. Comprensión de
los datos experimentales (cont.)
11. Introducción al
aprendizaje automático
12. Agrupación
13. Clasificación
14. Pecados de
clasificaciones y estadísticos
15. Pecados
estadísticos y resumen
En particular me gusta cómo se ha dividido el curso aparentemente en
secciones distintas. La primera sección (hasta la lección 6) pone el foco en
conceptos computacionales. La siguiente sección (lecciones 7 a 10) se dedica a
la estadística, y las lecciones restantes conforman una sección final sobre
aprendizaje automático, aunque nunca se aleja mucho de la estadística, y acertadamente
la retoma al final.
Esta estructura les brinda a los estudiantes la oportunidad de
aprender estos conceptos sin confundirlos. Pensar de manera computacional no
tiene nada que ver con el aprendizaje automático; facilita la división de un
problema en problemas más pequeños y permite pensar en las formas más
eficientes de resolverlos. Es una gran habilidad para desarrollar en cualquier
aspecto de su vida o trabajo. Sin embargo, aunque no está intrínsecamente
vinculada al aprendizaje automático, proporciona a los profesionales los
conocimientos necesarios para comprender el funcionamiento interno de los
algoritmos de aprendizaje automático, las soluciones a los problemas que
utilizan estos algoritmos y cómo iterar y mejorar estas soluciones para
hacerlas más eficientes, precisas y útiles.
La estadística siempre está cerca del centro de un problema de ciencia
de datos o de su solución. La discusión de los errores de muestreo, los
intervalos de confianza y el enfoque en la comprensión de los datos
experimentales así como el posible uso indebido de los resultados del
aprendizaje estadístico generalmente no reciben la atención que merecen en un
curso introductorio de ciencia de datos, pero sí se hace en Intro to Computational Thinking and Data
Science aparte de muchas otras cosas.
 |
| Añadir título |
La versión Open Courseware de este
curso incluye diapositivas de las conferencias y
los necesarios archivos, una colección de problemas, lecturas (desafortunadamente, el texto del curso no es gratuito)
y, en particular, videos de las conferencias. En este
sentido, el curso que se ofrece gratuitamente puede considerarse realmente
completo.
Este material también forma la base
del curso edX del mismo nombre. Si está
interesado en un entorno de aprendizaje más estructurado o un certificado
verificado cuando haya terminado con el material del curso, puede inscribirse
allí y seguir esta opción.
Cuando se combinan con Intro to Computer Science and Programming in Python del MIT, estos
cursos gratuitos ofrecen un comienzo intensivo para alguien que esté
aprendiendo los fundamentos de la programación, ciencias de la computación,
Python, computación, estadística y aprendizaje automático, muchos de los
ingredientes para una carrera de ciencia de datos exitosa.
Enlaces relacionados:
·
Free From MIT:
Intro to Computer Science and Programming in Python
·
Going Beyond
Superficial: Data Science MOOCs with Substance
·
Free
Introductory Machine Learning Course From Amazon
No comments:
Post a Comment