Las personas que trabajan en ciencia de datos y están ocupadas buscando las respuestas para diferentes preguntas todos los días se encuentra con la metodología de ciencia de datos. La metodología de ciencia de datos indica la rutina para encontrar soluciones a un problema específico. Este es un proceso cíclico que sufre un comportamiento crítico que guía a los analistas de negocios y los científicos de datos para que actúen en consecuencia.
- Comprensión del negocio: antes de resolver cualquier problema en el dominio comercial, debe entenderse correctamente. La comprensión empresarial forma una base concreta, lo que conduce a una fácil resolución de consultas. Deberíamos tener la claridad de cuál es el problema exacto que vamos a resolver.
- Comprensión analítica: según la comprensión comercial anterior, uno debe decidir el enfoque analítico a seguir. Los enfoques pueden ser de 4 tipos: enfoque descriptivo (estado actual e información proporcionado), enfoque de diagnóstico (también conocido como análisis estadístico, lo que está sucediendo y por qué está sucediendo), enfoque predictivo (pronostica la probabilidad de tendencias o eventos futuros) y prescriptivo enfoque (cómo se debe resolver el problema en realidad).
- Requisitos de datos: el método analítico elegido anteriormente indica el contenido de datos necesario, los formatos y las fuentes que se recopilarán. Durante el proceso de requisitos de datos, uno debe encontrar las respuestas para preguntas como «qué», «dónde», «cuándo», «por qué», «cómo» y «quién».
- Recopilación de datos: los datos recopilados se pueden obtener en cualquier formato aleatorio. Entonces, de acuerdo con el enfoque elegido y la salida a obtener, los datos recopilados deben validarse. Por lo tanto, si es necesario, uno puede recopilar más datos o descartar los datos irrelevantes.
- Comprensión de datos: la comprensión de los datos responde la pregunta «¿Los datos recopilados representan el problema a resolver?». Las estadísticas descriptivas calculan las medidas aplicadas sobre los datos para acceder al contenido y la calidad de la materia. Este paso puede conducir a volver a la espalda al paso anterior para la corrección.
- Preparación de datos: comprendamos esto conectando este concepto con dos analogías. Una es lavar vegetales recién recogidos y el segundo solo es tomar los artículos buscados para comer en el plato durante el buffet. El lavado de verduras indica la eliminación de la suciedad, es decir, materiales no deseados de los datos. Aquí se realiza la eliminación de ruido. Tomar solo elementos comestibles en la placa es, si no necesitamos datos específicos, entonces no debemos considerarlos para un proceso adicional. Todo este proceso incluye transformación, normalización, etc.
- Modelado: el modelado decide si los datos preparados para el procesamiento son apropiados o requieren más acabado y condimento. Esta fase se centra en la construcción de modelos predictivos/descriptivos.
- Evaluación: la evaluación del modelo se realiza durante el desarrollo del modelo. Verifica la calidad del modelo a evaluar y también si cumple con los requisitos comerciales. Se somete a la fase de medida de diagnóstico (el modelo funciona según lo previsto y dónde se requieren modificaciones) y la fase de prueba de significación estadística (garantiza el manejo e interpretación de datos adecuados).
- Implementación: como se evalúa efectivamente el modelo, se prepara para la implementación en el mercado comercial. La fase de implementación verifica cuánto puede soportar el modelo en el entorno externo y funcionar de manera superior en comparación con otros.
- Comentarios: la retroalimentación es el propósito necesario que ayuda a refinar el modelo y acceder a su rendimiento e impacto. Los pasos involucrados en la retroalimentación definen el proceso de revisión, rastrean el registro, la efectividad de medición y la revisión con la refinación.
Después de una reducción exitosa de estos 10 pasos, el modelo no debe dejarse sin tratar, sino que se debe realizar los comentarios y la actualización apropiada de la implementación. A medida que surgen nuevas tecnologías, se deben revisar nuevas tendencias para que el modelo proporcione continuamente valor a las soluciones.
¿Qué es la metodología de ciencia de datos?
La metodología en la ciencia de datos es la mejor manera de organizar su trabajo, hacerlo mejor y sin perder tiempo. La metodología de ciencia de datos está compuesta de 10 partes:
En este artículo, hay cinco partes, cada una de las cuales contiene más pasos:
- De problema a enfoque
- De los requisitos a la recolección
- De la comprensión a la preparación
- Desde el modelado hasta la evaluación
- Desde el despliegue hasta la retroalimentación
Si miramos la tabla en la última imagen, vemos que es altamente iterativo y nunca termina; Esto se debe a que en un estudio de caso real, tenemos que repetir algunos pasos para mejorar el modelo.
La solicitud de cada cliente comienza con un problema, y el trabajo de los científicos de datos es primero comprenderlo y abordar este problema con las técnicas estadísticas y de aprendizaje automático.
- De problema a enfoque
- De los requisitos a la recolección
- De la comprensión a la preparación
- Desde el modelado hasta la evaluación
- Desde el despliegue hasta la retroalimentación
¿Qué es la metodología de la ciencia de datos?
A pesar del reciente aumento de la potencia informática y el acceso a los datos en las últimas décadas, nuestra capacidad de usar los datos dentro del proceso de toma de decisiones se pierde o no se maximiza con demasiada frecuencia, no tenemos una comprensión sólida de la Preguntas que se hacen y cómo aplicar los datos correctamente al problema en cuestión.
Este curso tiene un propósito, y es compartir una metodología que puede usarse dentro de la ciencia de datos, para garantizar que los datos utilizados en la resolución de problemas sean relevantes y manipulados adecuadamente para abordar la pregunta en cuestión.
En consecuencia, en este curso, aprenderá:
– Los principales pasos involucrados en abordar un problema de ciencia de datos.
– Los principales pasos involucrados en la práctica de la ciencia de datos, desde la formación de un problema de investigación o de investigación concreto, hasta la recopilación y el análisis de datos, hasta la construcción de un modelo y comprender los comentarios después de la implementación del modelo.
– ¡Cómo piensan los científicos de datos!
IBM es el líder mundial en transformación empresarial a través de una plataforma híbrida abierta y IA, que sirve a clientes en más de 170 países de todo el mundo. Hoy, 47 de las compañías Fortune 50 confían en IBM Cloud para administrar su negocio, e IBM Watson Enterprise AI está trabajando duro en más de 30,000 compromisos. IBM también es una de las organizaciones de investigación corporativa más vitales del mundo, con 28 años consecutivos de liderazgo de patentes. Sobre todo, guiado por principios de confianza y transparencia y apoyo para una sociedad más inclusiva, IBM se compromete a ser un innovador de tecnología responsable y una fuerza para el bien en el mundo.
¿Por que usar la metodología de ciencia de datos?
En pocas palabras, la metodología de ciencia de datos tiene como objetivo responder 10 preguntas básicas en una secuencia prescrita, que cubren los cinco aspectos principales de los proyectos de ciencia de datos. Estos aspectos son:
La metodología de la ciencia de datos citada en este artículo, fue desarrollada por John Rollins, un científico de datos experimentado y senior de IBM, que desarrolló esta metodología basada en el proceso CRISP-DM, y sus experiencias como científico de datos durante más de dos décadas mientras estaban en IBM … Enlace.
Veamos una descripción de alto nivel de cada paso en la metodología de ciencia de datos, y las diez (10) preguntas fundamentales que cada científico de datos debe hacer.
Por ejemplo, si el propietario de un negocio pregunta «¿cómo podemos reducir el costo de realizar una actividad?»… El científico de datos debe comprender si el objetivo es mejorar la eficiencia de la actividad o aumentar la rentabilidad del negocio.
Hacer las preguntas correctas como científico de datos comienza con la comprensión del objetivo del propietario del negocio en este caso.
Las preguntas correctas informarán el enfoque analítico ideal para resolver el problema.
Seleccionar el enfoque analítico correcto depende de la pregunta que se haga. Esto implica tener una comprensión comercial clara. Las opciones analíticas pueden incluir:-
Si el problema que debe resolverse de los pasos 1 y 2 es la ‘receta’ y los datos son el ‘ingrediente’, entonces el científico de datos debe saber qué ingredientes son necesarios, cómo obtenerlos y recopilarlos, y cómo preparar el datos para cumplir con el resultado deseado.
¿Cuál es la metodología de la ciencia de datos?
Para cualquier proyecto o resolución de problemas, la primera etapa siempre es comprender el negocio. Esto implica definir el problema, los objetivos del proyecto y los requisitos de las soluciones. Este paso juega un papel fundamental en la definición de cómo se desarrollará el proyecto. Una discusión exhaustiva con los clientes, comprender cómo funciona su negocio, los requisitos del producto o servicio, y aclarar cada aspecto del problema puede llevar tiempo y demostrar ser laborioso, pero es una necesidad.
Después de que el problema se haya definido claramente, se puede definir el enfoque analítico que se utilizará para resolver el problema. Esto significa expresar el problema en el marco de las técnicas estadísticas y de aprendizaje automático. Hay diferentes modelos que se pueden usar y depende del tipo de resultado necesario.
El análisis estadístico se puede utilizar si requiere resumir, contar, encontrar tendencias en los datos. Para evaluar las relaciones entre varios elementos y el medio ambiente y cómo se afectan entre sí, se puede utilizar un modelo descriptivo.
Y para predecir los posibles resultados o calcular las probabilidades, se puede utilizar un modelo predictivo que es una técnica de minería de datos. Se utiliza un conjunto de capacitación que es un conjunto de datos históricos que incluye sus resultados para el modelado predictivo.
El enfoque analítico elegido en la etapa anterior define el tipo de datos necesarios para resolver el problema. Este paso identifica el contenido de datos, los formatos y las fuentes para la recopilación de datos. Los datos seleccionados deben poder responder a todos los «qué», «quién», «cuándo», «dónde», «por qué» y «cómo» preguntas sobre el problema.
¿Qué beneficios trae la ciencia de datos?
¿Está deseando convertirse en un experto en ciencias de datos? Esta guía profesional es una lectura perfecta para comenzar en el próspero campo de la ciencia de datos. ¡Descargue el libro electrónico ahora!
Es probable que un científico de datos experimentado sea un asesor de confianza y un socio estratégico para la alta gerencia de la organización al garantizar que el personal maximice sus capacidades de análisis. Un científico de datos comunica y demuestra el valor de los datos de la institución para facilitar los procesos de toma de decisiones mejorados en toda la organización, mediante la medición, el seguimiento y la grabación de métricas de rendimiento y otra información.
Un científico de datos examina y explora los datos de la organización, después de lo cual recomiendan y prescribe ciertas acciones que ayudarán a mejorar el rendimiento de la institución, involucrar mejor a los clientes y, en última instancia, aumentar la rentabilidad.
Una de las responsabilidades de un científico de datos es garantizar que el personal esté familiarizado y bien versado con el producto analítico de la organización. Preparan al personal para el éxito con la demostración del uso efectivo del sistema para extraer ideas y impulsar la acción. Una vez que el personal comprende las capacidades del producto, su enfoque puede cambiar a abordar los desafíos comerciales clave.
Durante su interacción con el sistema de análisis actual de la organización, los científicos de datos cuestionan los procesos y supuestos existentes con el fin de desarrollar métodos adicionales y algoritmos analíticos. Su trabajo requiere que mejoren continuamente y constantemente el valor derivado de los datos de la organización.
¿Cómo definiría a un científico de datos ya una ciencia de datos?
Data Science es una combinación multidisciplinaria de inferencia de datos, desarrollo de algoritmos y tecnología para resolver problemas analíticamente complejos.
En el núcleo hay datos. Troves de información sin procesar, transmitiendo y almacenados en almacenes de datos empresariales. Mucho para aprender minando. Capacidades avanzadas que podemos construir con él. La ciencia de datos se trata en última instancia del uso de estos datos de formas creativas para generar valor comercial:
Este aspecto de la ciencia de datos se trata de descubrir los hallazgos de los datos. Bucear a nivel granular para la mía y comprender comportamientos complejos, tendencias e inferencias. Se trata de surgir una visión oculta que puede ayudar a permitir a las empresas tomar decisiones comerciales más inteligentes. Por ejemplo:
- Netflix Data Mine Viewing Patterns para comprender qué impulsa el interés del usuario, y lo utiliza para tomar decisiones sobre qué serie original de Netflix producir.
- El objetivo identifica cuáles son los principales segmentos de clientes dentro de su base y los comportamientos de compra únicos dentro de esos segmentos, lo que ayuda a guiar los mensajes a diferentes audiencias del mercado.
- Proctor & Gamble utiliza modelos de series de tiempo para comprender más claramente la demanda futura, que ayudan a planificar los niveles de producción de manera más óptima.
¿Cómo los científicos de datos extraen ideas? Comienza con la exploración de datos. Cuando se le da una pregunta desafiante, los científicos de datos se convierten en detectives. Investigan los clientes potenciales y tratan de comprender el patrón o las características dentro de los datos. Esto requiere una gran dosis de creatividad analítica.
Luego, según sea necesario, los científicos de datos pueden aplicar una técnica cuantitativa para obtener un nivel más profundo, p. Modelos inferenciales, análisis de segmentación, pronóstico de series de tiempo, experimentos de control sintético, etc. La intención es juntar científicamente una visión forense de lo que los datos realmente dicen.
¿Cómo definirías a un científico de datos ya la ciencia de los datos?
Data Science combina matemáticas y estadísticas, programación especializada, análisis avanzado, inteligencia artificial (IA) y aprendizaje automático con experiencia en materia específica para descubrir ideas procesables ocultas en los datos de una organización. Estas ideas se pueden utilizar para guiar la toma de decisiones y la planificación estratégica.
El volumen acelerado de fuentes de datos y, posteriormente, los datos han hecho que la ciencia de los datos sea uno de los campos de más rápido crecimiento en todas las industrias. Como resultado, no es sorprendente que el papel del científico de datos haya sido denominado el «trabajo más sexy del siglo XXI» por Harvard Business Review (Link reside fuera de IBM). Las organizaciones dependen cada vez más de ellas para interpretar datos y proporcionar recomendaciones procesables para mejorar los resultados comerciales.
El ciclo de vida de la ciencia de datos implica varios roles, herramientas y procesos, lo que permite a los analistas obtener información procesable. Por lo general, un proyecto de ciencia de datos sufre las siguientes etapas:
- Ingestión de datos: el ciclo de vida comienza con la recopilación de datos, también de datos estructurados y no estructurados en bruto de todas las fuentes relevantes utilizando una variedad de métodos. Estos métodos pueden incluir entrada manual, raspado web y datos de transmisión en tiempo real de sistemas y dispositivos. Las fuentes de datos pueden incluir datos estructurados, como datos de clientes, junto con datos no estructurados como archivos de registro, video, audio, imágenes, Internet de las cosas (IoT), redes sociales y más.
- Almacenamiento de datos y procesamiento de datos: dado que los datos pueden tener diferentes formatos y estructuras, las empresas deben considerar diferentes sistemas de almacenamiento en función del tipo de datos que deben capturarse. Los equipos de gestión de datos ayudan a establecer estándares en torno al almacenamiento y estructura de datos, que facilitan los flujos de trabajo en torno a los modelos de análisis, aprendizaje automático y aprendizaje profundo. Esta etapa incluye la limpieza de datos, deduplicar, transformar y combinar los datos utilizando trabajos ETL (extract, transformación, carga) u otras tecnologías de integración de datos. Esta preparación de datos es esencial para promover la calidad de los datos antes de cargar en un almacén de datos, el lago de datos u otro repositorio.
- Análisis de datos: aquí, los científicos de datos realizan un análisis de datos exploratorios para examinar sesgos, patrones, rangos y distribuciones de valores dentro de los datos. Esta exploración de análisis de datos impulsa la generación de hipótesis para las pruebas A/B. También permite a los analistas determinar la relevancia de los datos para su uso dentro de los esfuerzos de modelado para análisis predictivos, aprendizaje automático y/o aprendizaje profundo. Dependiendo de la precisión de un modelo, las organizaciones pueden depender de estas ideas para la toma de decisiones comerciales, lo que les permite impulsar más escalabilidad.
- Comunicarse: Finalmente, las ideas se presentan como informes y otras visualizaciones de datos que hacen que las ideas, y su impacto en los negocios, sea más fácil de los analistas de negocios y otros tomadores de decisiones. Un lenguaje de programación de ciencia de datos como R o Python incluye componentes para generar visualizaciones; Alternativamente, los científicos de datos pueden usar herramientas de visualización dedicadas.
La ciencia de datos se considera una disciplina, mientras que los científicos de datos son los profesionales dentro de ese campo. Los científicos de datos no son necesariamente directamente responsables de todos los procesos involucrados en el ciclo de vida de la ciencia de datos. Por ejemplo, las tuberías de datos generalmente son manejadas por ingenieros de datos, pero el científico de datos puede hacer recomendaciones sobre qué tipo de datos son útiles o requeridos. Si bien los científicos de datos pueden construir modelos de aprendizaje automático, escalar estos esfuerzos en un nivel más grande requiere más habilidades de ingeniería de software para optimizar un programa para que se ejecute más rápidamente. Como resultado, es común que un científico de datos se asocie con ingenieros de aprendizaje automático para escalar modelos de aprendizaje automático.
¿Cómo definiría a un científico de datos?
Los científicos de datos son escritores de big data, recopilando y analizando grandes conjuntos de datos estructurados y no estructurados. El rol de un científico de datos combina ciencias de la computación, estadísticas y matemáticas. Analizan, procesan y modelan datos y luego interpretan los resultados para crear planes procesables para empresas y otras organizaciones.
Los científicos de datos son expertos analíticos que utilizan sus habilidades tanto en tecnología como en ciencias sociales para encontrar tendencias y administrar datos. Utilizan el conocimiento de la industria, la comprensión contextual, el escepticismo de los supuestos existentes, para descubrir soluciones a los desafíos comerciales.
El trabajo de un científico de datos generalmente implica dar sentido a datos desordenados y no estructurados, de fuentes como dispositivos inteligentes, alimentos en las redes sociales y correos electrónicos que no encajan perfectamente en una base de datos.
Obtenga su maestría en ciencia de datos en línea desde UC Berkeley en tan solo 12 meses.
- Completa en tan solo 12 meses
- No se requiere GRE
La Maestría en Ciencias en Ciencias en Ciencias de la Universidad de Syracuse en ciencias de datos se puede completar en tan solo 18 meses.
- Completa en tan solo 12 meses
- No se requiere GRE
Gane su EM en ciencia de datos en línea en tan solo 18 meses. Los cursos de puente están disponibles.
- Completa en tan solo 12 meses
- No se requiere GRE
Obtenga su EM en ciencia de datos en SMU, donde puede especializarse en aprendizaje automático o análisis de negocios, y completar en tan solo 20 meses.
¿Quién creó la ciencia de datos?
El término «ciencia de datos» fue acuñado por primera vez en 2008 por D.J. Patil y Jeff Hammerbacher, el pionero lideran los esfuerzos de datos y análisis en LinkedIn y Facebook. En menos de una década, se ha convertido en una de las profesiones más populares y de tendencia en el mercado. Hoy, examinaremos cómo ha evolucionado el significado de este trabajo en la historia.
Todo comenzó con estadísticas: una idea para usar los datos mejor y encontrar soluciones informadas para problemas.
Se utilizaron modelos de estadísticas simples desde 1800 para emplear matemáticas para recopilar, analizar y administrar datos. Se utiliza para reconocer patrones, modelar y visualizar la incertidumbre y predecir datos futuros. Estas prácticas eventualmente evolucionaron a la investigación de operaciones en la era industrial, una disciplina que aplica métodos científicos para la gestión de los sistemas organizados en diversas empresas. Como resultado, diferentes algoritmos y técnicas plantearon problemas en forma de ecuaciones matemáticas para encontrar soluciones óptimas.
Hubo un cambio rápido en la industria cuando IBM introdujo computadoras personales al público convencional. Con la introducción de computadoras y PC, avanzamos en una era digital que abrió una avalancha de información y datos digitales. La nueva tecnología informática aumentó las capacidades de recopilación de datos, almacenamiento y manipulación a través de nuevos sistemas de programación, software y bases de datos. Como resultado, las estadísticas se volvieron computarizadas y crearon nuevas prácticas, como la minería de datos y el análisis de datos.
La inteligencia computacional y otros enfoques matemáticos dieron lugar a inteligencia artificial. Esto pronto se convirtió en aprendizaje automático donde los programas estaban equipados con la capacidad de aprender de los datos y hacer predicciones. Un programa podría revisar tantos datos que descubriría ciertos patrones y propiedades. Cuantos más datos se reciban, más podría refinar sus modelos predictivos.
¿Cuándo se creó la ciencia?
La naturaleza de la historia de la ciencia (y por implicación, la definición de la ciencia misma) es un tema de debate. La historia de la ciencia a menudo se ve como una historia lineal del progreso, pero los historiadores han demostrado que la historia es más compleja. [25] [26] [27] La ciencia es una actividad humana, y las personas han realizado contribuciones científicas de una amplia gama de diferentes orígenes y culturas. La ciencia se ve cada vez más como parte de una historia global de intercambio, conflicto y colaboración. [28]
Los historiadores han enfatizado [la cita necesaria] que la confianza es necesaria para acordar las afirmaciones sobre la naturaleza. Desde este punto de vista, el establecimiento de la Royal Society y su Código de Experimento, confiable porque presenciado por sus miembros, se ha convertido en un capítulo importante en la historiografía de la ciencia. [32] Muchas personas en la historia moderna (típicamente mujeres y personas de color) fueron excluidas de las comunidades científicas de élite y caracterizadas por la ciencia como inferiores. Los historiadores en las décadas de 1980 y 1990 describieron las barreras estructurales para la participación y comenzaron a recuperar las contribuciones de los individuos pasados por alto. [33] [34] Los historiadores también han investigado las prácticas mundanas de la ciencia, como el trabajo de campo y la recolección de muestras, [35] correspondencia, [36] dibujo, [37] mantenimiento de registros, [38] y el uso de equipos de laboratorio y de campo. [39]
La tradición oral de las sociedades preliteras tenía varias características, la primera de las cuales era su fluidez. [2] La nueva información fue constantemente absorbida y ajustada a nuevas circunstancias o necesidades de la comunidad. No hubo archivos ni informes. Esta fluidez estaba estrechamente relacionada con la necesidad práctica de explicar y justificar un estado de cosas actual. [2] Otra característica fue la tendencia a describir el universo como solo cielo y tierra, con un inframundo potencial. También fueron propensos a identificar causas con comienzos, proporcionando así un origen histórico con una explicación. También había una dependencia de una «medicina» o «mujer sabia» para la curación, el conocimiento de las causas divinas o demoníacas de las enfermedades, y en casos más extremos, para rituales como el exorcismo, la adivinación, las canciones y los encantamientos. [2] Finalmente, hubo una inclinación a aceptar sin duda explicaciones que podrían considerarse inverosímil en tiempos más modernos y al mismo tiempo no ser conscientes de que tales comportamientos crédulos podrían haber planteado problemas. [2]
¿Dónde se originó la ciencia?
Cuando pensamos en el pasado, pensamos en la historia. Cuando pensamos en el futuro, pensamos en la ciencia. La ciencia se basa en su pasado, pero también, simultáneamente, lo niega. Como afirmó el ensayista romántico Thomas de Quincey, para los científicos que trabajan, el Principia de 1687 de Isaac Newton no tiene más valor que un libro de cocina anticuado. ¿Cómo se ve una historia de la ciencia?
La ciencia ha sido hecha durante miles de años por personas de una diversidad de tradiciones culturales. Actividades como el experimento se originaron en farmacias renacentistas, cocinas y talleres artesanales; La teoría evolutiva se basó en fuentes que van desde la cría de ovejas hasta la economía de las poblaciones humanas; La astronomía surgió de los intentos de leer el lenguaje celestial de las estrellas.
La historia de la ciencia misma se desarrolló como una disciplina en Europa y América del Norte a fines del siglo XIX, como una forma de trazar el surgimiento de un mundo distintivamente moderno bajo la dominación europea. La ciencia parecía exclusivamente un producto de los hombres blancos en Occidente. En los últimos años, sin embargo, los historiadores de la ciencia han cambiado este punto de vista sobre su cabeza, de modo que la ciencia se entiende como el resultado de la interacción global, el conflicto y el intercambio. El surgimiento de las universidades como un sitio clave para el aprendizaje en la Europa medieval, la reorganización de las disciplinas científicas en las décadas alrededor de 1800 y el surgimiento de la genómica y la computación a fines del siglo XX: estos y otros episodios fundamentales son parte de los cambios en el cruce. Comercio cultural y comercio.
La ciencia, que a menudo ha tenido como objetivo establecer estándares universales, tiene estrechas conexiones con la historia de los imperios, desde Asiria, Egipto y América hasta China e India. Ha estado al servicio de los tribunales principescos, los militares y otros centros de poder. Al mismo tiempo, sin embargo, el «científico» (una palabra moderna, que data del siglo XIX) a menudo se reconoce que tiene un tipo especial de autoridad moral, asociada con ideales de experiencia separada y objetividad neutral.
Nada en nuestra cultura parece más objetivo que la «naturaleza», pero ¿cómo llegó a ser el caso? La historia de la ciencia nos ayuda a comprender cómo se ha aceptado las cosas que ahora damos por sentado, desde la circulación de la sangre hasta la existencia de agujeros negros. Esto requiere mirar el conocimiento en ciernes, con falsos comienzos y instrucciones incorrectas tomadas tan en serio como lo que ahora aparece como ideas brillantes. También significa observar cómo se establece el consenso, la amplia gama de actividades que se destinan a la creación de la ciencia y cómo la ciencia se convierte en parte de la vida cotidiana.
Artículos Relacionados:
- Técnicas y herramientas de recolección de datos para la metodología
- Métodos generales de la investigación científica: una guía para estudiantes y profesionales
- ¿Cómo funciona el método científico? Infografía
- ¿Qué es el análisis en el método científico?
- Cómo entender la ciencia de los datos: una definición para el mundo real
