¿Buscas nuestro logo?
Aquí te dejamos una copia, pero si necesitas más opciones o quieres conocer más, visita nuestra área de marca.
Conoce nuestra marca.
Los datos, hoy en día, son el motor de muchas estrategias tecnológicas, la gasolina de modelos dimensionales, de Machine Learning, cuadros de mando… Por eso, los profesionales que trabajan con grandes cantidades de datos cada vez cuidan más la diversidad, la fiabilidad y la calidad de los mismos.
Herramientas como Great Expectations nos ayudan, en este caso, a maximizar la calidad de los datos. En estos posts te contamos cómo funciona esta librería de Python que sirve para la creación y aplicación de validaciones de calidad sobre los datos.
Óscar Javier Fúquene Ramos
Ingeniero de software con más de 10 años de experiencia y ahora reconvertido a Ingeniero de Datos, donde he descubierto un sinnúmero de posibilidades de aprendizaje en torno a las tecnologías cloud, que permiten aportar valor a las personas y empresas, a través de la explotación y análisis del llamado “nuevo petróleo”, los datos y su uso en Machine Learning.
Ver más contenido de Óscar Javier.
Bea Hernández
Soy matemática de formación y trabajo en Data Science desde antes de GPT-1. En Paradigma trabajo como ML Engineer. Fuertemente inclinada por crear comunidad y mejorar la diversidad en el campo tecnológico, soy cofundadora de R-Ladies Madrid y activa participante en otras comunidades que promueven la diversidad en tecnología y en Inteligencia Artificial.
Ver más contenido de Bea.Más contenido sobre esto.
Leer más.
¿Qué es Great Expectations, la librería para maximizar la calidad de los datos?
Great Expectations, ¿cómo acelerar la validación de datos con el Data Assistant?
¿Tienen sentimientos los datos?
Estructuras de datos en Redis.
Los comentarios serán moderados. Serán visibles si aportan un argumento constructivo. Si no estás de acuerdo con algún punto, por favor, muestra tus opiniones de manera educada.
Cuéntanos qué te parece.