La estadística y la ciencia de datos tratan con la incertidumbre. Siempre se reconoce que ni sus predicciones ni sus inferencias serán perfectas. Recuerde, todos los modelos están equivocados, ¡pero algunos son útiles!
La pregunta no es si puede garantizar un evento futuro, es si puede hacerlo mejor o no con un modelo predictivo basado en datos, en lugar de su antiguo “instinto” o “experiencia”.
Esta es una pregunta bastante diferente, pero la respuesta y los ejemplos que escribí aquí son relevantes: la respuesta de Justin Ma a Si la correlación no es igual a la causalidad, ¿de qué sirve? En particular, algunos ejemplos que usan modelos predictivos:
- ¿Cuál es la diferencia entre el desarrollador de Big Data junior y senior?
- ¿Es la aplicación del sistema de semáforo de álgebra lineal? ¿Si es así, entonces cómo? Explicar brevemente.
- ¿Qué tecnologías admiten el análisis de Hadoop y Big Data?
- ¿Existe algún algoritmo de clasificación que esté en su lugar, estable y que tenga un tiempo de ejecución lineal?
- ¿Quiénes son los principales competidores de AlchemyAPI?
¿Este cliente comprará mi producto? ¿Cuánto inventario necesito? ¿Cuánta electricidad se necesitará generar? ¿Debería aprobarse este préstamo? Del mismo modo, puede hacer preguntas de “por qué”. ¿Qué factores causan cambios en la demanda de electricidad? ¿Por qué un cliente es más arriesgado?
