Lista de publicaciones en ciencia de datos

Esta es una lista de publicaciones en ciencia de datos , generalmente organizadas según el orden de uso en un flujo de trabajo de análisis de datos .

Consulte la lista de publicaciones en estadística para obtener publicaciones más basadas en la investigación y de carácter fundamental; mientras que esta lista es más aplicada, orientada a los negocios e interdisciplinaria.

Los criterios generales de inclusión de artículos son:

• Artículos de profesionales destacados o profesores destacados, ya sea con una página de Wikipedia o una referencia a su relevancia.
• Conocimientos generales que todo profesional de datos debería saber, con referencias que validan esta afirmación.
• Publicaciones de estadística aplicada y aprendizaje automático con un alto número de citas
• Artículos que facilitan el debate en el campo de la ciencia de datos en su conjunto (por ejemplo, el artículo "Attention Is All You Need " es sin duda un artículo fundamental ^{[ 1 ]} que se puede añadir aquí, pero es específico de la inteligencia artificial generativa , no para todos los profesionales de datos).

Algunas razones por las que una publicación en particular podría considerarse importante:

• Creador de temas : una publicación que creó un nuevo tema.
• Avance científico : una publicación que cambió significativamente el conocimiento científico.
• Influencia : Una publicación que ha influido significativamente en el mundo o que ha tenido un impacto enorme en la enseñanza de la ciencia de datos.

Siempre que sea posible, se utiliza una referencia para validar la inclusión de la publicación en esta lista.

Modelado estadístico: Las dos culturas (con comentarios y una réplica del autor)

Autor: Leo Breiman

Datos de publicación: ^{[ 2 ]}

Versión en línea: https://projecteuclid.org/journals/statistical-science/volume-16/issue-3/Statistical-Modeling--The-Two-Cultures-with-comments-and-a/10.1214/ss/1009213726.pdf

Descripción: Describe dos enfoques de la estadística: uno que utiliza un modelo estocástico parsimonioso y generativo, y otro que emplea un modelo algorítmico sin un mecanismo conocido para la generación de datos. Breiman argumenta que, si bien la estadística tradicionalmente ha favorecido el uso del modelo estocástico, resulta valioso ampliar los métodos que los estadísticos pueden utilizar para estudiar los fenómenos.

Importancia: Influencia en las filosofías de los estadísticos justo antes del aumento del uso de métodos de aprendizaje automático y aprendizaje profundo. En una retrospectiva de 20 años sobre este artículo, "las palabras de Breiman son quizás más relevantes que nunca". ^{[ 3 ]} Estadísticos notables de la época escribieron artículos de opinión sobre la publicación. Aunque en general crítico con la publicación, David Cox escribe que la publicación "contiene suficiente verdad y expone suficientes debilidades como para invitar a la reflexión". ^{[ 2 ]} Bradley Efron comentó que esta publicación es un "artículo estimulante". ^{[ 2 ]} Emanuel Parzen también comenta sobre esta publicación que "Breiman nos alerta sobre errores sistemáticos (que llevan a conclusiones erróneas) que se han cometido al aplicar la práctica estadística actual de modelado de datos ". ^{[ 2 ]}

Científico de datos: El trabajo más atractivo del siglo XXI

Autores: Thomas H. Davenport y DJ Patil

Datos de publicación: ^{[ 4 ]}

Versión en línea : hbr.org/2022/07/is-data-scientist-still-the-sexiest-job-of-the-21st-century​

Descripción: Describe el nuevo rol en las empresas denominado "científico de datos" , qué hacen, cómo una organización puede reclutar a uno y cómo trabajar eficazmente con él.

Importancia: Esta publicación ha influido en la comunidad de datos, como lo mencionaron instituciones como IEEE Spectrum ^{[ 5 ]} casi al momento de su publicación en 2012 , y también casi una década después, planteando la misma pregunta que plantea el título. ^{[ 6 ] [ 7 ]} En una respuesta retrospectiva a su propia publicación de 10 años antes, los autores Davenport y Patil reflexionaron que el rol del científico de datos se ha institucionalizado mejor, el alcance del trabajo se ha redefinido, la tecnología en la que se basa ha avanzado enormemente y la importancia de la experiencia no técnica, como la ética y la gestión del cambio, ha crecido. ^{[ 8 ]}

50 años de ciencia de datos

Autor: David Donoho

Datos de publicación: ^{[ 9 ]}

Versión en línea: https://www.tandfonline.com/doi/full/10.1080/10618600.2017.1384734

Descripción: Documento de análisis retrospectivo sobre la historia y los orígenes de la ciencia de datos, con comentarios de destacados estadísticos.

Importancia: Se ha descrito como "el primero en el campo en presentar un estudio y una visión general tan completos y profundos" ^{[ 10 ]} y ayuda a definir el campo que tiene muchas definiciones.

El manifiesto del sistema de gestión de datos componible

Autor: Pedro Pedreira, Orri Erling, Konstantinos Karanasos, Scott Schneider, Wes McKinney , Satya R Valluri, Mohamed Zait, Jacques Nadeau

Datos de publicación: ^{[ 11 ]}

Versión en línea: https://www.vldb.org/pvldb/vol16/p2679-pedreira.pdf

Descripción: Documento conceptual que aboga por un cambio de paradigma en el diseño de los sistemas de gestión de datos, utilizando herramientas estándar, componibles e interoperables en lugar de herramientas de software aisladas.

Importancia: Una visión que cambia el paradigma sobre cómo deberían diseñarse las futuras herramientas de software de ciencia de datos para lograr flujos de trabajo más eficientes, cuyos principios "serán especialmente cruciales para abordar la fragmentación, mejorar la interoperabilidad y promover la centralidad del usuario a medida que los ecosistemas de datos se vuelven cada vez más complejos". ^{[ 12 ]}

Datos ordenados

Autor: Hadley Wickham

Datos de publicación: ^{[ 13 ]}

Versión en línea: https://www.jstatsoft.org/article/view/v059i10/ https://vita.had.co.nz/papers/tidy-data.pdf

Descripción: Describe un marco para la limpieza de datos que se resume en la cita: "cada variable es una columna, cada observación es una fila y cada tipo de unidad de observación es una tabla". ^{[ 13 ]} Esto permite una estructura de datos estándar sobre la cual se pueden construir de manera consistente las herramientas de análisis de datos.

Importancia : Citado más de 1500 veces, este esfuerzo por organizar los datos ha sido descrito por David Donoho como de "mayor impacto en la práctica actual del análisis de datos que muchos artículos de estadística teórica de gran prestigio". ^{[ 9 ]} En el contexto de la visualización de datos , se dice que esta publicación apoya "la exploración y la creación de prototipos eficientes porque se pueden asignar diferentes roles a las variables en el gráfico sin modificar nada del conjunto de datos original". ^{[ 14 ]}

Organización de datos en hojas de cálculo

Autores: Karl W. Broman y Kara H. Woo

Datos de publicación: ^{[ 15 ]}

Versión en línea: https://www.tandfonline.com/doi/full/10.1080/00031305.2017.1375989

Descripción: Este artículo ofrece recomendaciones prácticas para organizar datos en hojas de cálculo, como Microsoft Excel y Google Sheets , para reducir errores y facilitar análisis posteriores debido a limitaciones en las hojas de cálculo o peculiaridades del software .

Importancia: Influye en la enseñanza tanto de profesionales de datos como de quienes no lo son para crear hojas de cálculo más fáciles de analizar, y se ha descrito para establecer las "mejores prácticas de las hojas de cálculo". ^{[ 16 ]}

Gráficos cuantitativos en estadística: una breve historia

Autores: James R. Beniger y Dorothy L. Robyn

Datos de publicación: ^{[ 17 ]}

Versión en línea: https://www.jstor.org/stable/2683467

Descripción: Describe la historia y la evolución de los gráficos cuantitativos en estadística, pasando por la organización espacial (siglos XVII y XVIII), la comparación discreta (siglos XVIII y XIX), la distribución continua (siglo XIX) y la distribución y correlación multivariante (finales del siglo XIX y siglo XX).

Importancia: Ayuda a poner en perspectiva a los profesionales que aprenden datos la reciente utilización de gráficos. Una publicación posterior, "Métodos gráficos en estadística", de Stephen Fienberg en 1979, afirma que su publicación "debe mucho al trabajo de Beniger y Robyn". ^{[ 18 ]}

Ciencia de datos para los negocios

Autores: Foster Provost y Tom Fawcett

Datos de publicación: ^{[ 19 ]}

Versión en línea: No disponible

Descripción: Describe a grandes rasgos los principios de la ciencia de datos y el pensamiento analítico de datos para las empresas.

Importancia: Citado más de 3000 veces ^{[ 20 ]} , es "altamente recomendado para estudiantes" ^{[ 21 ]} , pero también se recomienda debido a su "relevancia para los líderes de alta dirección que desean crear y dirigir un equipo de científicos de datos e implementar la ciencia de datos para resolver problemas empresariales complejos". ^{[ 22 ]}

Deuda técnica oculta en los sistemas de aprendizaje automático

Autor: D. Sculley, Gary Holy, Daniel Golovin, Eugene Davydov, Todd Phillips, Dietmar Ebner, Vinay Chaudhary, Michael Young, Jean-François Crespo, Dan Dennison

Datos de publicación: ^{[ 23 ]}

Versión en línea: https://proceedings.neurips.cc/paper_files/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf

Descripción: Este artículo argumenta que es "peligroso pensar que los logros rápidos [en el aprendizaje automático complejo] se obtienen gratis" y ofrece una visión general de los factores de riesgo que deben tenerse en cuenta al implementar un sistema de aprendizaje automático.

Importancia: Todos los autores trabajaron para Google , el artículo ha sido citado más de 2000 veces, ^{[ 24 ]} y ayudó a los profesionales que pensaban en implementar rápidamente una herramienta de aprendizaje automático sin comprender el mantenimiento a largo plazo de la herramienta.

Algunos aspectos útiles que debes saber sobre el aprendizaje automático.

Autor: Pedro Domingos

Datos de publicación: ^{[ 25 ]}

Versión en línea: https://dl.acm.org/doi/10.1145/2347736.2347755 https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf

Descripción: El propósito de este artículo es destilar el " conocimiento popular " inaccesible para implementar eficazmente proyectos de aprendizaje automático porque "los proyectos de aprendizaje automático tardan mucho más de lo necesario o terminan produciendo resultados menos que ideales". ^{[ 25 ]}

Importancia: Citado más de 4000 veces ^{[ 26 ]} para influir en el conjunto común de conocimientos para profesionales de datos que utilizan aprendizaje automático. ^{[ 27 ]}

Curso introductorio de estadística: un currículo ptolemaico

Autor: George W. Cobb ^{[ 28 ]}

Datos de publicación: ^{[ 29 ]}

Versión en línea: https://escholarship.org/uc/item/6hb3k0nz

Descripción: Este artículo aboga por replantear la forma en que los profesores de estadística deberían estructurar sus cursos introductorios de estadística, alejándose de la maquinaria técnica basada en la distribución normal y acercándose a métodos alternativos más sencillos basados ​​en permutaciones realizadas por ordenador.

Importancia: Citado más de 300 veces, ^{[ 30 ]} este artículo influyó en los profesores de estadística del siglo XXI para que reconsideraran la enseñanza de la mera mecánica de la estadística, mientras que el uso de computadoras puede aprovecharse para hacer más con menos.

• Lista de publicaciones en estadística
• Listados de publicaciones científicas

• Artículos y blogs técnicos de empresas que comparten sus trabajos sobre ciencia de datos y aprendizaje automático en entornos de producción.