Introducción y cómo usar este libro
Introducción
Cómo usar este libro
Por qué decidí escribir este libro
Convenios utilizados en el libro
Ejemplos y recursos del libro

1. ¿Qué es la ciencia de datos?
Definición de ciencia de datos
¿Cómo se llega a esto? Pasar de los datos a la verdad
Pirámide de la sabiduría
Proceso de obtención de sabiduría
La importancia de los patrones en la toma de decisiones basada en datos
La transformación digital
Propósito de la transformación digital
Elementos de la transformación digital
Desafíos y estrategias de implementación
Futuro de la transformación digital

2. Roles en la ciencia de datos
Roles en la ciencia de datos
Roles y profesionales en la ciencia de datos
Roles en gobierno de datos
Roles en ejecución y seguimiento de proyectos
Roles en desarrollo de software

3. Preguntas de negocios
Los tomadores de decisiones
Automatizar la decisión
Cómo decidir correctamente
La pirámide organizacional
Las preguntas generales de negocios
Recapitulando sobre preguntas generales de negocios
Los análisis derivados de cada pregunta general
La inteligencia de negocios
La analítica avanzada
Resumen

4. El análisis descriptivo de datos
Una breve historia del análisis descriptivo de los datos
¿Cómo realizar, entonces, un análisis descriptivo?
Análisis exploratorio de datos
Medidas de tendencia central
Medidas de dispersión
Diagrama de caja y bigotes o box-plot
Análisis de inteligencia de tiempo
Medidas de acumulación

5. Análisis diagnóstico
Análisis diagnóstico
Elementos de causa y efecto
Diagrama de Ishikawa
Diagramas de flujos
Análisis de correlaciones
Ejemplos de análisis de correlación usando Excel, Power BI y Python
Análisis de probabilidad condicional
Conceptos básicos de probabilidad
Probabilidad condicional
Teorema de Bayes
Introducción a la teoría de juegos
Equilibrio de Nash
Resumen

6. El análisis predictivo
El análisis predictivo
Fundamentos de aprendizaje automático e inteligencia artificial
Un poco de historia
Conceptos generales en IA
Modelos de regresión lineal y análisis en series de tiempo
Modelos de regresión lineal
Análisis de series de tiempo
Principios de arquitectura para el aprendizaje automático e inteligencia artificial
Ciclo de desarrollo y consumo
Automatización y orquestación
Integración continua y MLOps
Resumen

7. Análisis prescriptivo
El análisis prescriptivo
El caso Mercado Libre
Modelos basados en optimización o ajuste matemático
Programación lineal
Programación no lineal
Modelos de simulación
Simulación estocástica
Simulación determinística
Simulación de Montecarlo
Modelos de recomendaciones
Filtrado basado en contenido
Filtrado basado en el usuario
Filtrado híbrido
Resumen

8. ¿Qué son los datos?
Los datos
La paradoja del dato
Dando valor al dato
Física y electrónica de datos
Clasificación primaria de los datos
Generación y captura de datos
Los metadatos
Los macrodatos
Una breve historia
Arquitecturas de macrodatos
Resumen

9. Tipos de datos
Clasificación implícita
Datos numéricos
Datos categóricos
Clasificación de tipo informática
Según su forma de almacenamiento físico
Datos almacenados en filas
Datos columnares
Según su encriptación y compresión

10. Modelado dimensional de datos
Las bases de datos
Motores SQL
Motores NoSQL
¿Cuál usar: SQL o NoSQL?
Plantillas de cálculo
Vistas y procedimientos almacenados
Vistas
Consultas anidadas y CTE (Common Table Expressions)
Procedimientos almacenados o funciones
Modelos estrella y copos de nieve
Tablas de hechos y granularidad
Tablas de dimensiones y multidimensionalidad
Modelos estrella
Modelos copo de nieve
Modelos constelación
Resumen

11. Diseñando arquitecturas de datos
La misión de la arquitectura de datos
Definición y capas de arquitectura
Principales desafíos de la arquitectura de datos
Enfoque individual o de silos
Escalabilidad en los datos
Definición de escalabilidad
Enfoque de integración continua
Integración continua (CI/CD)
Las operaciones de datos o DataOps
Las operaciones de machine learning o MLOps
Resumen

12. Diseños principales de arquitecturas de datos
Evolución de los sistemas de almacenamiento analítico
Los primeros pasos (1887-1990)
La revolución analítica de los 90
UCAD, unidad centralizada para análisis de datos
La primera división
La segunda división, autoservicio y UCAD
El paradigma Data Mesh
Los productos analíticos
'Domain Driven Design'
Productos analíticos orientados al dominio
Dilema 'on-premise' versus nube
Estrategias de arquitecturas en la nube
Caminos para la adopción de nube
Resumen

13. Capas de arquitectura
Las siete capas de arquitectura
Capa de origen e ingesta de datos
Capa de procesamiento y almacenamiento de datos
Capa de servicios
Capa de consumo
Gobierno de datos
Seguridad de datos
Monitoreo y análisis
Diseños de arquitectura
Alto nivel
Diseños de detalles
Resumen

14. Ingeniería de datos
Ingeniería de datos
Las tres primeras capas
Herramientas de extracción
Organizando nuestro 'data lake' o 'lakehouse'
Azure Data Factory
Ejemplo de extracción y carga
Resumen

15. Iteraciones y transformaciones
'Pipelines', iteraciones y parámetros
Elementos clave de ADF
Control de flujo
Iteraciones
Parámetros
Ejemplo de ADF con parámetros e iteradores
Transformar datos
Data Flow de ADF
Power Query
Resumen

16. Ingeniería de datos con Microsoft Fabric
Qué es Microsoft Fabric
Primeros pasos en Fabric
Capa de orígenes e ingesta
Fabric Data Factory
Synapse Stream Analytics
Capa de almacenamiento o One Lake
Capa de servicios Spark
Capa de consumo
Resumen

17. Fundamentos de Azure
Microsoft Azure
Distribución y nomenclatura global de Azure
Administración de los servicios de Azure
Servicios en la nube
Infraestructura como servicio (IaaS)
Plataforma como servicio (PaaS)
Software como servicio (SaaS)
Modelo de responsabilidad compartida
Principales productos de IaaS en Azure
Principales productos de PaaS en Azure
Seguridad y gobierno en Azure
Control de costes y gastos en Azure
La gran 'pipeline'
Microsoft Cost Management
Resumen

Índice alfabético