Dataxtodos

Bienvenidos a @Dataxtodos. 🧮 Matemático y Data Scientist con +4 años de experiencia en proyectos reales en diferentes sectores. Hoy todo se resuelve con un prompt, pero nadie habla de lo que realmente funciona: modelos bien construidos, datos limpios y lógica de negocio clara.

"My car consumes too much gas, let's start an offshore oil drilling company"

@galislab Enhorabuena! Un cambio siempre es una buena noticia 😉

¡Oferta de trabajo aceptada! 🙌✅ Ahora viene lo feo: 😖 Mañana tengo que dar el pre aviso de que me voy de mi empresa. Y aunque no es la primera vez, sigue siendo una conversación incómoda. Os cuento en forma de 5️⃣ consejos como tengo pensado hacerlo después de los aprendizajes pasados 👇 1️⃣ Decírselo primero a mi manager: Antes que a RRHH, antes que a nadie. No es de buen gusto que se entere por otras personas. Personalmente, es una cuestión de respeto a quién ha sido tu responsable. 2️⃣ No alargarlo más de lo necesario: Si ya has tomado la decisión, no tiene sentido darle más vueltas. No pierdas el tiempo y ve al grano. No eres el primero que se va, ni va a ser el último. No le cuentes tus dramas y penas, cuando lo comunicas, ellos ya están pensando en sustituirte. 3️⃣ No cerrarme puertas: La vida es muy larga y el mundo muy pequeño, termina bien con ellos. Si has tenido problemas, es el momento de olvidarlos. Una sonrisa en la cara y agradecido. No digo que vuelvas a esa empresa, pero te puedes cruzar con esas personas de nuevo. 4️⃣ Ofrecer mi ayuda en la salida: Documentar tu trabajo, transferencia de conocimientos, dejar cosas cerradas y no dejar cabos sueltos. Tu te vas, pero tus compañeros siguen y de manera temporal, tendrán que asumir tu carga de trabajo, hazles un favor. 5️⃣ Prepararme para una posible contraoferta: Pasa muchas veces. Que una persona se vaya, les supone una movida, a nivel económico y a nivel de negocio. Todo el proceso de buscar a alguien, formarle y que ruede es lento, por lo que van a intentar retenerte. Tienes que tener tus motivos muy claros. ⚠️ Va a ser incomodo, tenlo claro. Hablaras con tu manager, te llamaran desde RRHH, te preguntarán compañeros… Desde que das el pre aviso hasta que te vas suelen pasar 15 días que se hacen eternos, pero ten muy presente estos 3 pilares: Transparencia, respeto y profesionalidad. Si me estás leyendo y estás pasando por este momento: ¡mucho ánimo! 📊 Soy Galis y si quieres aprender sobre Ciencia de Datos, IA o el mundo laboral en general → ¡Date una vuelta por mi perfil y sígueme en @galislab!

Unpopular opinion 🔥 Entrenar un modelo en un Jupyter Notebook, sacarle un 0.87 de AUC y guardarlo como modelo_final_v5.ipynb no es Data Science. Eso es un experimento de laboratorio. Data Science de verdad es cuando ese modelo está en producción, generando dinero, ahorrando costes o tomando decisiones reales todos los días. Si nunca llegó a producción… solo tienes un proyecto de universidad.

📈 ¿Quieres dedicarte a la Ciencia de Datos y te han dicho que la Estadística es muy importante? Así es, no basta con saber Python. La estadística es el corazón para entender los datos, no solo para procesarlos. Aquí tienes los 6️⃣ conceptos estadísticos fundamentales que necesitas conocer para analizar datos con criterio: 📊 1. No resumas, visualiza (El Histograma) El primer error es intentar resumir un millón de datos con un solo número. Eso es imposible. Antes de lanzar modelos complejos, necesitas entender la forma de tus datos. Un histograma te permite ver cómo se distribuyen los valores (por ejemplo, cuántos amigos tienen los usuarios de tu red social) y detectar si hay algo extraño a simple vista. 🎯 ¿Dónde está el centro? (Media vs. Mediana) Todos conocemos el promedio (la media), pero tiene un punto débil: es hipersensible a los outliers (valores atípicos). - El problema: Si en una sala entra una persona con 200 amigos cuando el resto tiene 5, el promedio se dispara y engaña. O como dice la leyenda: si Michael Jordan entra en una clase de geografía, la media de salarios futuros se dispara, pero eso no representa la realidad de la clase. - La solución: La Mediana. Es el valor central y no le importan los extremos. Si tus datos tienen mucho ruido, fíate más de la mediana. Hacer ciencia de datos es saber cuándo usar cada una. 💦 La Dispersión (Varianza y Desviación Estándar) Saber el centro no es suficiente; necesitas saber qué tan dispersos están los datos. - El Rango (Máximo - Mínimo) es demasiado básico y frágil. - La Varianza mide cómo se alejan los datos de la media, pero sus unidades son "al cuadrado", lo que la hace difícil de interpretar mentalmente. - La Desviación Estándar es la reina. Al ser la raíz cuadrada de la varianza, vuelve a tener las mismas unidades que tus datos originales, haciéndola mucho más intuitiva para explicar qué es "normal" y qué es "raro". 🔗 Correlación no es lo que crees La correlación nos dice cómo se relacionan dos variables (si "X" sube, ¿"Z" sube o baja?). Pero hay una trampa: una correlación de cero no significa que no haya relación, solo significa que no hay relación lineal. Tus variables podrían tener una relación compleja que la correlación simple no detecta. 🤯 La Paradoja de Simpson Este es el concepto que separa a los novatos de los expertos. Las correlaciones pueden ser totalmente engañosas si ignoras las variables de confusión. Intento que lo entiendas: Imaginate dos campañas de marketing (A y B), la Campaña B convierte mejor que la A (30% vs 20%) Pero si filtras por dispositivo, la Campaña A gana tanto en Móvil como en PC. ¿La razón? La variable oculta (tipo de dispositivo) distorsionaba el promedio global. Los datos agregados mienten; analiza siempre los subgrupos. ⚠️ La Regla de Oro: Correlación ≠ Causalidad Que dos cosas se muevan juntas no significa que una cause la otra. Tienes una red social. ¿Los usuarios pasan más tiempo en tu web porque tienen más amigos? ¿O tienen más amigos porque pasan más tiempo en la web? ¿O es que los usuarios más activos simplemente son más propensos a ambas cosas?. Nunca asumas la causa de algo sin pruebas. 👉 La estadística nos ayuda a sintetizar y comunicar las características relevantes de nuestros datos. Sin estos conceptos, solo estás ejecutando funciones de librerías sin entender el porqué.

A veces queremos hacer cosas super complejas solo para demostrar que somos los mejores. Una vez un equipo de negocio llegó diciendo: “Necesitamos un modelo para detectar qué productos se venden peor en cada temporada”. Empezamos analizando los datos… y al cabo de un rato nos dimos cuenta de la verdad: Un simple GROUP BY con un par de filtros en SQL resolvía el problema por completo.⏱️ 30 minutos. ¿IA o Machine Learning? Para nada. ¿Se resolvió el problema? Totalmente. ¿El negocio quedó contento? Más que contento. Y esto pasa mucho más de lo que imaginamos. Muchas veces la solución no es un modelo sofisticado. Es: 📌 Una query SQL bien pensada 📌 Un dashboard claro y útil 📌 Un buen análisis de datos No estoy diciendo que el Machine Learning no sirva (sirve y mucho). Pero el buen Data Scientist no es el que siempre usa el algoritmo más complejo… Sino el que elige la herramienta adecuada para cada problema. A veces esa herramienta es un XGBoost. Otras veces es un SELECT con un WHERE bien puesto 😅 ¿Os ha pasado algo parecido? Contadme en los comentarios 👇

@FaztTech No puedo estar más de acuerdo 🤝🏼

Qué privilegio haber programado tantos años sin agentes ni IAs. No tengo nada en contra de ellas, de hecho me gusta usarlas, pero había una satisfacción real en escribir las cosas por uno mismo. Hoy quizá ya no sea necesario, pero dominar el código es una experiencia que nadie debería perderse, sobre todo si quiere dominar herramientas a profundidad, y aún así estando en estos tiempos de la IA.

@galislab Mucho más fácil de esta forma! Con las herramientas de hoy en día debemos ir dejando Excel poco a poco 😉

Pues mi plan de hoy está siendo vibe codearme una app local de control de patrimonio 💰 Llevo desde 2023 usando un excel y ya me he cansado. Es mucho más intuitiva, le puedo ir metiendo funcionalidades nuevas, mejor UX/UI... Si veo que queda algo chulo e interesa, la hago pública y os comparto el repo para que la useis. (btw, las cifras de la captura son inventadas)

Buf. El nuevo Gemini 3.5 Flash cuesta casi lo mismo que Claude Opus 4.7 en GitHub Copilot.

📊 Una persona me dijo que quería empezar a hacer Data Science en su empresa después de terminar un bootcamp. Le pregunté: “¿Cómo tenéis estructurado el dato?” Respuesta: “Estamos empezando con Databricks, pero la mayoría del dato sigue en Excels de SharePoint, con procesos manuales y calidad bastante cuestionable.” Y ahí está el problema. Puedes construir el mejor modelo del mundo, pero si el dato es basura, el resultado también lo será 🗑️ La parte menos sexy de datos —calidad, gobernanza, limpieza, pipelines, ETLs — es justo la que determina si un proyecto funciona o acaba siendo solo una demo bonita. Antes de pensar en IA o modelos, hay que responder esto: 🔹 ¿Dónde vive el dato? 🔹 ¿Quién lo mantiene? 🔹 ¿Qué calidad tiene? 🔹 ¿Es accesible y confiable? Sin eso, no hay Data Science que valga 🧱 ¿Os habéis encontrado situaciones parecidas?

📊 Muchos me preguntan si pueden conseguir trabajo en Data o IA sin tener experiencia laboral. Yo les digo que sí. ¿Pero es fácil? En absoluto. Coleccionar cursos no te va a servir de nada una vez que ya tengas los conocimientos. La diferencia está en como aplicas esas habilidades adquiridas. 👉 El mejor consejo → Toma acción y construye algo. Un proyecto personal, sencillo, lo que sea.. pero que haya algo real que puedas enseñar. ➀ Entra en Kaggle o en Google Dataset Search ➁ Busca un dataset ➂ Analízalo (EDA) ➃ Trabájalo, limpialo y transformalo ➄ Crea un modelo ➅ Haz un reporte ➆ Súbelo a tu Git o portfolio Tienes muchas opciones para poder crearte un portfolio y empezar a tener entrevistas. Aunque no seas Junior, nunca está de más tener un buen proyecto que enseñar al mundo. 🧐 Recuerda → Proyectos >>>> Cursos

Abro esta cuenta para reivindicar lo clásico sin obviar que las nuevas herramientas nos ayudan mucho 🚀

Bienvenidos a @Dataxtodos. 🧮 Matemático y Data Scientist con +4 años de experiencia en proyectos reales en diferentes sectores. Hoy todo se resuelve con un prompt, pero nadie habla de lo que realmente funciona: modelos bien construidos, datos limpios y lógica de negocio clara.

fantástico

@galislab scikit-learn para preprocessing y entrenamiento de modelos, y xgboost si me apuras. Y eso sin entrar en redes neuronales, que eso ya es otro hilo 😅. Eso sí, openpyxl fuera de la lista si hablamos de Data Science, no podemos seguir trabajando con Excel jajaja

8 librerías de Python que necesitas conocer si o si para trabajar en Ciencia de Datos 👇 🟢 Pandas → Dataframes 🟢 Numpy → Cálculo numérico 🟢 Matplotlib → Visualización 🟢 Seaborn → Gráficos estadísticos 🟢 Openpyxl → Manejo de Excels 🟢 Requests → APIs 🟢 Datetime → Lógica de fechas y tiempo 🟢 Plotly → Gráficos interactivos 🗨️ ¿Qué otra librería imprescindible añadirías?

JUST IN: OpenAI co-founder Andrej Karpathy joins Anthropic.

@pradiptwt Edge for sure!

As a developer which browser is worth it now?

@Sam8002642 Data Science / AI, no doubt. But before jumping into LLMs and generative AI, you need good programming skills and a deep understanding of classic Machine Learning. Most real-world problems are still solved with well-built predictive models. People are forgetting about that

If you had to start from zero in tech today… Which path would you choose? • AI/ML • Cybersecurity • Full Stack • Web3 • Automation • Data Science And why?

No paro de encontrarme ofertas de Data Scientist en las que solo piden conocimientos en IAGen, LLMs, RAG y Agentes. Todo el mundo dejandose llevar por el hype de la IA pero no se dan cuenta de que los problemas de siempre siguen existiendo. El 90% de las empresas se siguen peleando con los mismo problemas de siempre: Forecasting, modelos de recomendación, modelos de churn, clasificaciones... La Ciencia de Datos no es escribir prompts ni hacerle un wrapper a una API de OpenAI con Python. Tienes que entender el negocio antes de crear nada. Y conseguir que tus resultados los entienda gente que no tiene ni idea de p-values, regresiones o lo que es el RMSE o el MAPE. Eso no lo automatiza ningún modelo. Llevo 8 años en esto y te aseguro que los que dominan los fundamentos de verdad nunca se quedan sin trabajo. Los que se van dejando llevar por el hype, si. ¿Adaptarse? Por supuesto. ¿Olvidar las bases? Nunca.