Potenciando el perfil profesional Científico de Datos mediante dinámicas de competición

• Autores: David Guijo Rubio, Víctor Vargas Yun, Antonio Manuel Duran Rosal, Antonio M. Gómez Orellana, Javier Barbero Gómez, Juan Carlos Fernández Caballero , Pedro Antonio Gutiérrez Peña
• Localización: Revista de innovación y buenas prácticas docentes, ISSN-e 2531-1336, Vol. 10, Nº. 2, 2021, págs. 101-116
• Idioma: español
• DOI: 10.21071/ripadoc.v10i2.13256
• Títulos paralelos:
  • Empowering the Data Scientist professional profile through competition dynamics
• Enlaces
  • Texto completo
• Resumen
  • español

    La Ciencia de Datos es el área que comprende el desarrollo de métodos científicos, procesos y sistemas para extraer conocimiento a partir de datos recopilados previamente, con el objetivo de analizar los procedimientos llevados a cabo actualmente. El perfil profesional asociado a este campoes el del Científico de Datos, generalmente llevado a cabo por Ingenieros Informáticos gracias a que las aptitudes y competencias adquiridas durante su formación se ajustan perfectamente a lo requerido en este puesto laboral. Debido a la necesidad de formación de nuevos Científicos de Datos, entre otros fines, surgen plataformas en las que éstos pueden adquirir una amplia experiencia, como es el caso de Kaggle. El principal objetivo de esta experiencia docente es proporcionar al alumnado una experiencia práctica con un problema real, así como la posibilidad de cooperar y competir al mismo tiempo. Así, la adquisición y el desarrollo de las competencias necesarias en Ciencia de Datos se realiza en un entorno altamente motivador. La realización de actividades relacionadas con este perfil ha tenido una repercusión directa sobre el alumnado, siendo fundamental la motivación, la capacidad de aprendizaje y el reciclaje continuo de conocimientos a los que se someten los Ingenieros Informáticos.

  • English

    Data Science is the area that comprises the development of scientific methods, processes, and systems for extracting knowledge from previously collected data, aiming to analyse the procedures being carried out currently. The professional profile associated with this field is the Data Scientist, generally carried out by Computer Engineers as the skills and competencies acquired during their training are perfectlysuited to what this job requires. Due to the need for training new Data Scientists, among other goals, there are different emerging platforms where they can acquire extensive experience, such as Kaggle. The main objective of this teaching experience is toprovide students with practical experience on a real problem, as well as the possibility of cooperating and competing at the same time. Thus, the acquisition and development of the necessary competencies in Data Science are carried out in a highly motivating environment. The development of activities related to this profile has had a direct impact on the students, being fundamental the motivation, the learning capacity and the continuous recycling of knowledge to which Computer Engineers are subjected

• Referencias bibliográficas
  • Bureau, E. T. 11.5 mn job openings by 2026, sky-high salaries: Why data science is booming. https://bit.ly/3tsDVwZ
  • Brunner, R.J. and Kim, E.J., 2016. Teaching data science. Procedia Computer Science, 80, pp. 1947-1956. https://bit.ly/3wp6TPM
  • Brynjolfsson, E., Mitchell, T., & Rock, D. (2018). What can machines learn, and what does it mean for occupations...
  • Caponetto, I., Earp, J., & Ott, M. (2014). Gamification and education: A literature review. In European Conference on Games Based Learning(Vol....
  • Columbus, L. LinkedIn’s Fastest-Growing Jobs Today Are In Data Science And Machine Learning. [Online]. https://bit.ly/2Lt7yNG
  • Dorado-Moreno, M., Navarin, N., Gutiérrez, P. A., Prieto, L., Sperduti, A., Salcedo-Sanz, S., & Hervás-Martínez, C. (2020). Multi-task...
  • Gobierno de España. Estrategia Nacional para la Inteligencia Artificial.https://bit.ly/2YUfSsB
  • Guijo-Rubio, D., Casanova-Mateo, C., Sanz-Justo, J., Gutierrez, P. A., Cornejo-Bueno, S., Hervás, C., & Salcedo-Sanz, S. (2020). Ordinal...
  • Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: an update....
  • Hicks, S.C. and Irizarry, R.A., 2018. A guide to teaching data science. The American Statistician, 72(4), pp. 382-391. https://bit.ly/3wrbz81
  • IBM. The Quant Crunch. How the demand for data science skills is disrupting the job market.https://ibm.co/39WX6qU
  • Jackson, A. E. The 50 Best Jobs in America for 2018. [Online]. Último acceso: febrero 2021. https://bit.ly/3pU2eld
  • Jandrić, P., Hayes, D., Truelove, I., Levinson, P., Mayo, P., Ryberg, T., ... & Hayes, S. (2020). Teaching in the age of Covid-19. Postdigital...
  • Kross, S., & Guo, P. J. (2019, May). Practitioners teaching data science in industry and academia: Expectations, workflows, and challenges....
  • Lee, J. J. & Hammer, J. (2011). Gamification in Education: What, How, Why Bother? Academic Exchange Quarterly, 15(2). https://bit.ly/2Lm8ljcNational...
  • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, E. (2011). Scikit-learn:...
  • Ramamurthy, B., 2016, February. A practical and sustainable model for learning and teaching data science. In Proceedings of the...
  • Salinas, J. (2004). Innovación docente y uso de las TIC en la enseñanza universitaria. Revista de Universidad y Sociedad del Conocimiento...
  • Stack Overflow. Stack Overflow Developer Survey 2020. https://bit.ly/3juHrT0
  • Stallman, R. Por qué las escuelas deberían usar exclusivamente software libre. https://bit.ly/39TuCyx
  • Tamaki, G. La era del Big Data.https://bit.ly/3cJEA7t
  • Tharwat, A. (2020). Classification assessment methods. Applied Computing and Informatics. https://bit.ly/2MNXD5L
  • Van Der Aalst, W. (2016). Data science in action. In Process mining(pp. 3-23). Springer, Berlin, Heidelberg. https://bit.ly/3cR9hrr