Mucho he leído de la diferencia entre ambos términos, que cobran relevancia a partir de big data y la ciencia de los datos. Recolectar los datos es una parte, que tengan sentido es la otra .
Si bien son muy similares, comparten técnicas y ML se fundamente en DM para el aprendizaje, este artículo ilustra las principales diferencias en cuanto al uso de los datos, fundamentos del aprendizaje, reconocimiento de patrones y mejoras en la precisión de los datos recolectados.
Data Mining vs. Machine Learning: What’s The Difference? (Octubre 2017)
Retomando el año y mis búsquedas de material para compartir con mis estudiantes, encontré este artículo que sintentiza perfectamente la analogía entre el manifiesto de Kimball ( que se plasma en su libro "The Data Warehouse Toolkit, 3rd Edition" ) y el desarrollo ágil. Como bien indican los autores de este artículo, agile no se agota sólo en diseñó de software sino que enfoque puede ser y es comparable con la metodología propuesta por Kimball hace más de 20 años. Hoy en día sabemos que al embarcarse en un proyecto de desarrollo es necesario mostrar resultados tangibles en producción en mucho menos que un año, que los requerimientos son variables en el tiempo y es necesario trabajar con un nivel interesante de incertidumbre. Se requiere una forma de gestionar nuestros proyectos sin la rigidez de la gestión de proyectos clásica. En este sentido Kimball se ajusta perfectamente para el desarrollo de un datawarehouse de organizaciones que piensan en grande y el reuso y mejora es...
Comentarios
Publicar un comentario