Curso
Introducción a Python
4 h
7M
La ciencia de datos y el machine learning nunca han sido tan populares. A medida que el campo crece, también maduran todas las herramientas disponibles hoy para los profesionales.
Un avance destacable ha sido la aparición de una gran variedad de herramientas nuevas, startups y categorías completas orientadas a resolver problemas concretos de profesionales y organizaciones. En esta infografía, te ofrecemos una visión general del panorama de herramientas en ciencia de datos y machine learning en 2022.
Para descargar esta infografía, haz clic en la imagen superior.
A continuación encontrarás un resumen detallado de las herramientas mencionadas en la infografía.
Gestión de datos
Un gran avance en el estado de las herramientas en los últimos años ha sido la llegada de muchas soluciones que permiten gestionar mejor los datos para flujos de trabajo de ciencia de datos y machine learning. Incluyen desde herramientas de generación de datos sintéticos para crear datos, soluciones de observabilidad de datos para monitorizar pipelines en producción, herramientas de versionado de datos, orquestación y pipelines para organizar flujos de trabajo, catálogos de datos que muestran los datos de la organización para su consumo, y más.
Datos sintéticos
Observabilidad de datos
Versionado de datos
Etiquetado de datos
Pipelines de datos
Orquestación de datos
Catálogos de datos
Plataformas de machine learning de extremo a extremo
Las plataformas de machine learning van camino de convertirse en la norma. Ofrecen la posibilidad de realizar machine learning de extremo a extremo, desde el procesamiento de características hasta el despliegue, y algunas incorporan aprendizaje automático y despliegue automatizados.
Modelado
Dentro del ecosistema de ciencia de datos existe un sinfín de herramientas: desde notebooks e IDE, paquetes y software de análisis de datos, visualización, feature stores para guardar características usadas en machine learning, bibliotecas de deep learning y machine learning, librerías para optimizar hiperparámetros, herramientas de depuración de modelos y mucho más.
Notebooks e IDE
- JupyterLab
- Google Colab
- Deepnote
- VSCode
- Amazon SageMaker Studio Lab
- JetBrains
- Spyder
- DataCamp Workspace
- RStudio
Análisis de datos
Visualización de datos
Feature stores
Frameworks de machine learning
Frameworks de deep learning
Optimización de hiperparámetros
Explicabilidad de modelos
Depuración de modelos
Despliegue
Los dos últimos años han visto el auge de MLOps y la importancia de desplegar modelos de machine learning en producción. Esto ha impulsado el desarrollo y la evolución de herramientas que permiten empaquetar modelos en aplicaciones, monitorizarlos en producción, hacer seguimiento de experimentos a escala y servir modelos a producción.
