Estrategias para la gestión de proyectos de Ciencia de Datos:
- Ad-hoc: como el O’Reilly Drivetrain.
- Frameworks de industria: como CRISP-DM o TDSP.
- Métodos académicos: como el KDD Process.
Ad-hoc
Este enfoque sirve para diseñar productos de datos: insights, mdelos, KPIs, etc. Consiste en:
- Definir objetivo.
- Palancas (inputs útiles y accionables).
- Datos.
- Modelos.
Machine Learning Systems Design:
- Business analysis.
- Project scoping.
- Data engineering.
- ML model development.
- Deployment.
- Monitoring and continual learning.
CRISP-DM:
El Ciclo de Vida de ciencia de datos según TDSP:
KDD Process:
