En esta clase de Coursera, tres profesores de la Universidad de Johns Hopkins cubren las trampas comunes en el análisis de datos y discuten cómo protegerse contra ellas.

¿Puedes recordar un experimento de ciencia de datos donde la extracción de datos fue perfecta, las hipótesis estaban claramente definidas antes del análisis, las conclusiones fueron claras y las decisiones accionables eran obvias? Probablemente no.

En la vida real, la ciencia de datos es complicada, con mucho margen para errores humanos y conclusiones inesperadas.

Pero la diferencia entre tu experimento ideal de ciencia de datos y el resultado de la vida real es lo que es importante estudiar.

Presentado por los profesores Brian Caffo, Jeff Leek y Roger D. Peng de la Escuela Bloomberg de Salud Pública de la Universidad Johns Hopkins, esta clase de Coursera destaca cómo manejar tus expectativas y enfrentar los desafíos del mundo real en el análisis de datos.

Al aprender cuándo el diseño puede protegerte y cuándo es apropiado aceptar que tus datos simplemente no pueden responder las preguntas que estás haciendo, puedes aprender a establecer tus expectativas y diseñar experimentos sólidos de ciencia de datos.