Cómo empezar si quiero aprender ciencia de datos como un recién nacido

Todos y cada uno de los lenguajes de programación tienen su propio estilo de giros y bucles que pueden llevar a cualquier persona al miedo y uno podría abandonarlo por completo, pero en su lugar debería intentar aprender habilidades de análisis de datos.

• R le ayuda a aprender las habilidades del análisis de datos debido a que los múltiples usuarios crearon paquetes para facilitar la tarea de análisis de datos. A través de esto, puede visualizar sus datos y cuestionar los datos y resolver los problemas relacionados con los datos. La sintaxis puede variar en los lenguajes de programación, pero el concepto principal y las ideas de los datos nunca cambiarán.
• Una vez que sepa cómo cargar datos y pueda realizar trabajos básicos en R, puede concentrarse en aprender más a fondo sobre la manipulación de datos, la visualización de datos, el aprendizaje automático, etc. Con solo ver los datos, debe saber cuál es la estructura del conjunto de datos de cómo las columnas o las tuplas están divididas, cuál es la buena información y la pérdida de cómo extraer la información, estas son las cosas que debe comprender y que facilitarían el aprendizaje del análisis de la información.
• Debe aprender a crear información a partir de sus datos y obtener datos fructíferos de los datos no estructurados.
• Debe experimentar con conjuntos de datos, ya que es la mejor forma de obtener datos. Los conjuntos de datos están disponibles gratuitamente en Internet.
• Después de estas habilidades básicas y cuando esté acostumbrado a los tipos de datos, puede aprender el análisis de datos de una manera muy divertida y profundice en esta tecnología, ya que es nueva y podría crecer más en el futuro.

Después de esto, puede optar por algunos libros para el análisis de datos de aprendizaje y la práctica, o puede ir a clases en línea para el análisis de datos de aprendizaje.

Leer más: ¿Qué hacen los analistas de datos todo el día? El campo suena divertido, pero no quiero sentarme frente a una pantalla y hacer ecuaciones todo el día.

• ¿Cuál debería ser mi enfoque principal al aprender ciencia de datos?

Algunos de los libros recomendados para estudiantes de análisis de datos:

• Web Analytics 2.0 de Avinash Kaushik se puede descargar desde aquí: http://www.johnchukwuma.com/trai …
• Learn Analytics por Alistair Croll y Benjamin Yoskovitz https://www.amazon.in/Lean-Analy …
• Datos inteligentes por John W Foreman
• https://sites.google.com/site/pd …

Espero que esto ayude. No dude en enviarme un mensaje para cualquier consulta adicional. ¡Todo lo mejor!

Dada la inmensidad de la ciencia de datos, siempre recomendó formar una base sólida. Yo, por mi parte, creo firmemente en el dicho. “Más profundas las raíces, más altos crecen los árboles”. Matemáticas, estadística y programación forman la base de la ciencia de datos. Por lo tanto, a menudo se recomienda conocer estos temas en profundidad para formar una base sólida. Una vez que tenga suficiente experiencia en estos temas, puede promocionarse en un instituto para aprender ciencia de datos para aprender las siguientes cosas.

Fundación

• Conceptos básicos de Python, intermedio y avanzado
• Estadística, probabilidad y álgebra lineal.
• Regresión lineal, series de tiempo y función de costo
• Análisis exploratorio de datos
• Tipos de datos
• Recopilación, extracción, consulta, limpieza y agregación de datos para su análisis
• Fuentes de datos, limpieza y disputa.
• Trabajando con APIs
• Raspado web

Avanzado

• Árboles de decisión, árboles condicionales
• Técnicas de conjunto
• Big Data & Hadoop Ecosystem & Spark
• Arquitectura HDFS
• Hive QL
• Cerdo
• Cuentacuentos con datos
• Codificación visual
• Cuadro
• Ingenuo bayes
• NLP / Text Clustering / NLTK
• PCA y reducción de dimensiones
• Despliegue de productos Data Science

El principal objetivo de la ciencia de datos es ayudar a resolver problemas de negocios complejos con la ayuda de datos. Para ser precisos, si no trabaja en problemas reales de la industria, no podrá prepararse como un científico de datos exitoso.

Siempre recomendaría a los aspirantes a la ciencia de la información que vayan a un programa basado en el aula, guiado por un instructor y muy orientado a la práctica.

Encontrará muchas instituciones, cursos, programas que lo ayudarán a aprender ciencia de datos. Algunos son muy caros, mientras que otros son razonables. Pero, una cosa muy importante a tener en cuenta mientras se inscribe en dichos cursos es conocer el valor de los mismos en términos de conocimiento y lo que al final del curso está desarrollando dentro de usted.

Algunos puntos a considerar al elegir una institución / curso

1. El énfasis está más en la práctica y no solo en la teoría.
2. El proyecto se basa en declaraciones de problemas relevantes de la industria y no en las asignaciones de antigüedad
3. Los aprendizajes y proyectos son colaborativos y se realizan en equipos.
4. Usted obtiene herramientas reales de la industria y se enfoca en el desarrollo basado en pruebas.

Y en mi opinión, las certificaciones son una prueba de que ha completado un curso o un programa y no una prueba de lo que ha hecho. Debes haber leído muchos artículos sobre desempleo educado o incluso haber encontrado algunas experiencias personales en las que muchos estudiantes tienen una maestría, ¡pero aún no tienen trabajo!

¿Porque?

Bueno, porque hay una gran brecha de habilidades entre lo que quiere la industria y lo que hay en oferta. El sistema educativo, en gran medida, se ha convertido en un juego de negocios de venta de certificados. Por lo tanto, no siempre es necesario confiar en las certificaciones. La información teórica se puede impartir fácilmente. ¡Pero lo que importa es la IMPLEMENTACIÓN!

Descargo de responsabilidad: Soy un co-fundador de @GreyAtom, ayudando a los talentos de ingeniería a encontrar carreras sostenibles en tecnologías emergentes.

El programa insignia altamente selectivo de GreyAtom apunta a ser mentor profesional y novedoso en el inicio de su carrera en Data Science. Los estudiantes construyeron proyectos sobre conjuntos de datos reales y declaraciones de problemas proporcionados por nuestra industria y socios contratantes. El programa se basa en el aula y está muy orientado a la práctica. GreyAtom es un ecosistema donde los estudiantes pueden aprovechar lo mejor de la academia, los profesionales de la industria y las personas influyentes.

Algunos enlaces rápidos

• Programa – http://www.greyatom.com/full-sta …
• Converse con el consejero académico: le invitamos a compartir todas sus dudas, las inseguridades que prestan atención a lo que haremos con nuestro mejor esfuerzo para guiarlo hacia su trayectoria profesional de éxito. https://calendly.com/greyatom/co …
• Panel de discusión en GreyAtom – https://www.youtube.com/watch?v=… https://www.youtube.com/watch?v=…

Si está interesado en un enfoque técnico para abordar los problemas de negocios utilizando la ciencia de datos, sugeriría seguir el siguiente camino.

1. Comience con el lenguaje de programación Python, ya que es fácil de aprender. Ruta recomendada:

1. Conceptos básicos de Python: Sentdex
2. Python Daily Hands On: HackerRank
3. Módulos de Data Science (Numpy / Scipy / Pandas): Data School
4. Tutoriales Add-on: Enthought

1. Conceptos básicos: Estadísticas de la Academia Khan – YouTube
2. Perspectivas detalladas de todas las estadísticas: Brandon Foltz

Según lo solicitado, esto es solo para comenzar su viaje en el campo de la ciencia de datos. Hay muchas otras herramientas / tecnologías que puede explorar según su interés.

Una vez que llegue aquí, ¡Probablemente sabrá lo que sigue! 🙂

¡Feliz aprendizaje!

Entonces, usted es un novato en la ciencia de datos, bueno, eso no es un problema, porque todos son novatos antes de comenzar algo.

Puedes seguir estos pasos para aprender ciencia de datos:

• Comience por aprender los conceptos básicos de la minería de datos; una vez que sea bueno con los conceptos teóricos, siga adelante y aplique sus habilidades en un conjunto de datos.

Puede ver este video, que explica de manera integral los conceptos de la minería de datos, seguido de un estudio de caso utilizando el lenguaje de programación R->

• Una vez que esté de acuerdo con los conceptos de minería de datos, puede explorar otros subdominios como:

• Manipulación de datos
• Análisis estadístico
• Visualización de datos

Este video cubre todos los conceptos del paquete “GGPLOT2”, que es un paquete de visualización de datos.

Una vez, eres bueno con los temas de ciencia de datos y también tienes un buen dominio de idiomas como R y Python, puedes comenzar a competir en Kaggle para mejorar tu experiencia.

Un científico de datos representa una evolución de la función de analista de negocios o de datos. La capacitación formal es similar, con una base sólida típicamente en informática y aplicaciones, modelos, estadísticas, análisis y matemáticas.

Lo que distingue al científico de datos es su fuerte visión para los negocios, junto con la capacidad de comunicar los resultados tanto a los líderes de negocios como a los de TI de una manera que puede influir en cómo una organización enfoca un desafío empresarial. Conviértete en un maestro en BIG DATA ¡Haz clic AQUÍ! Los buenos científicos de datos no solo abordarán los problemas comerciales, sino que elegirán los problemas correctos que tienen el mayor valor para la organización.

El rol de científico de datos se ha descrito como “analista parcial, artista parcial”. Un científico de datos es alguien que es inquisitivo, que puede observar los datos y detectar tendencias. Es casi como un individuo del Renacimiento que realmente quiere aprender y traer cambios a una organización “.

Mientras que un analista de datos tradicional puede mirar solo los datos de una fuente única, como un sistema de CRM, por ejemplo, un científico de datos probablemente explorará y examinará datos de múltiples fuentes dispares. El científico de datos analizará todos los datos entrantes con el objetivo de descubrir una visión previamente oculta, que a su vez puede proporcionar una ventaja competitiva o abordar un problema empresarial acuciante. Un científico de datos no simplemente recopila e informa sobre los datos, sino que también los mira desde muchos ángulos, determina lo que significa y luego recomienda formas de aplicar los datos.

Los científicos de datos son inquisitivos: exploran, hacen preguntas, hacen análisis de “qué pasaría si”, cuestionan suposiciones y procesos existentes

Los datos se duplican cada dos años, y todos han oído hablar de las cifras de crecimiento absurdas declaradas en los informes. En este contexto, el resultado inevitable es la aparición de Data Scientist. Un científico de datos necesita analizar grandes cantidades de datos y convertir el mapa tecnológico para hacer posible la transición de los datos a la información. El alcance del trabajo de un científico de datos incluye la identificación de las fuentes de datos, la calidad de los datos, las correlaciones entre los puntos de datos y la difusión a los usuarios de la información.

Por el momento, el papel de un científico de datos es desempeñado por una combinación de personas en el equipo de BI, como el arquitecto del almacén de datos, el analista de negocios y otros de ese tipo. A medida que la situación evoluciona, el científico de datos trabajará por encima de estos profesionales para descubrir nuevas tendencias y asociaciones que pueden estar más allá del ámbito de los modelos actuales y los problemas empresariales. El analista de negocios trabajaría en los datos que ha sido recopilado por el científico de datos. James Kobielus, un analista senior de Forrester, en su Business, va tan lejos como para comparar el trabajo de un científico de datos con el trabajo de científicos en ciencias naturales y ciencias sociales, afirmando que necesitarían datos de observación y datos experimentales para funcionar. con. “Históricamente ( los científicos de datos ) han tenido que contentarse con meros ejemplos”. Con una carrera profesional emergente, esto pronto cambiará.

Básicamente soy ingeniero mecánico y no tengo ninguna idea sobre la codificación, pero ahora soy capaz de entender y generar la codificación.

Desde mi punto de vista, el interés y la necesidad nos hacen aprender cosas. La forma en que aprendes es la mejor manera cuando aprendes cosas con 100% de atención, interés y de una manera práctica.

Me gustaría compartir mi proceso de aprendizaje en ciencia de datos, durante mi capacitación en Business Analytics no entendí la codificación y los datos después de completar la capacitación, traté de escribir código con la codificación existente pero no lo entendí, después de eso comencé a decodificar uno interesante para entender, luego comencé a pensar desde un punto de vista diferente acerca de los datos dados con la ayuda de mi profesor Rajesh Sir y ahora la ciencia de datos es fácil de aprender para mí, con procesos de comprensión, datos, conceptos, tutoriales y utilizando programas existentes como muestra y aún ahora. en el inicio del proceso de aprendizaje.

La mejor manera de aprender ciencia de datos es aprender conceptos, descodificar muestras existentes, aprender algoritmos, pensar fuera de la caja para datos dados y concentrarse en los fundamentos de las herramientas de ciencia de datos.

La ciencia de datos es un “concepto para unificar estadísticas, análisis de datos y sus métodos relacionados” para “entender y analizar los fenómenos reales” con datos. Cuando un principiante quiere comenzar a aprender ciencia de datos, lo primero es que el principiante no tiene experiencia previa en datos. La ciencia o el aprendizaje automático. Y no conoce ninguna herramienta analítica o lenguajes como R, SAS o Python.

Una persona que realiza la transición no tiene experiencia previa en ninguna de las herramientas de análisis, como R / Python, no conoce los conceptos de Aprendizaje automático, etc. y tiene una experiencia laboral de más de 3 años en la industria que no sea el análisis.

Un principiante necesita establecer un objetivo por sí mismo y aprender a desarrollar una comprensión básica de los algoritmos de aprendizaje automático y resolver los problemas de la vida real a partir de ellos. Probar cosas es una gran ventaja para los nuevos aprendices. Los científicos de las cosas deben saber matemática y estadística, conocimientos básicos sobre R / python, herramientas básicas de aprendizaje automático y lo último es la pasantía que proporciona un mejor conocimiento para principiantes.

Algunos de los libros para nuevos aprendices para aprender ciencia de datos.

Dominar Python para Data Science por Samir Madhavan

Programación de inteligencia combinada por Toby Segaran

Thankines St2t de Allen DоwnеY

Para más detalles: BEPEC | ¿Por qué la ciencia de datos? Bengaluru

Puedes aprender Data Science fácilmente, si aprendes con plena concentración.

Primero, quiero comenzar mi respuesta con lo que es exactamente ciencia de datos.

• ¿Qué es la ciencia de datos?

Data Science es un campo que abarca aspectos relacionados con la limpieza, preparación y análisis de datos. La ciencia de datos es un término general en el que se aplican muchos métodos científicos. Por ejemplo, matemáticas, estadísticas y muchas otras herramientas que los científicos aplican a los conjuntos de datos.

El científico aplica las herramientas para extraer el conocimiento de los datos. Es una herramienta para abordar Big Data . Y luego extraer información de él. El científico de First Data recopila conjuntos de datos de múltiples disciplinas y los compila. Después de eso, aplicar el aprendizaje automático , el análisis predictivo y sentimental. Luego afílelo hasta un punto en el que pueda derivar algo. Por fin, él extrae la información útil de ello.

El científico de datos entiende los datos desde un punto de vista empresarial. Su trabajo es dar la predicción más precisa. Él se encarga de dar sus predicciones. La predicción del científico de datos es muy precisa. Previene a un empresario de futuras pérdidas.

Ahora, para aprender Data Science, debe tener buenos conceptos sobre Aprendizaje automático, Python, etc.

Así que definitivamente recomendaré referir algunos de los mejores libros para aprender en profundidad.

Ahora veamos los mejores libros de ciencia de datos.

• Los mejores libros para la ciencia de datos:

Este libro está escrito por Jared P. Lander. Es un libro decente que cubre todos los aspectos de la ciencia de datos, como la visualización de datos, la manipulación de datos, el modelado predictivo, pero no con tanta profundidad. Se puede entender, ya que cubre una gran cantidad de temas y omite detalles de cada uno.

Este libro está escrito por Trevor Hastie, Robert Tibshirani y Jerome Friedman. Esta es la siguiente parte de ‘Introducción al aprendizaje estadístico’. Se compone de temas más avanzados. Este libro es el más adecuado para personas familiarizadas con los conceptos básicos del aprendizaje automático.

Así que puedes comenzar con estos libros.

Ahora comencemos con el científico de datos. Cómo puedes convertirte en un Data Scientist.

El científico de datos entiende los datos desde un punto de vista empresarial. Su trabajo es dar la predicción más precisa. Él se encarga de dar sus predicciones. La predicción del científico de datos es muy precisa. Previene a un empresario de futuras pérdidas.

El científico de datos es el trabajo más sexy del siglo XXI. Un científico de datos es mejor estadístico que cualquier ingeniero de software y mejor ingeniero en comparación con cualquier estadístico.

Veamos una infografía a continuación para desmitificar a Data Scientist.

Así que veamos las habilidades más valiosas para aprender para un Data Scientist.

• Conocimiento profundo de la codificación Python. Es el lenguaje más común incluyendo Perl, Ruby, etc.
• Conocimiento de sonido de SAS / R
• Es necesario que el científico de datos pueda trabajar con datos no estructurados. Ya sea que provenga de videos, redes sociales, etc. Habilidad de sonido en la codificación de bases de datos SQL.
• Data Scientist debe tener una buena comprensión de varias funciones analíticas. Por ejemplo, rango, mediana, etc.
• El conocimiento profundo del aprendizaje automático requiere.
• Un científico de datos debe estar familiarizado con las redes Hive , mahout, bayesianas , etc. En la ciencia de datos, el conocimiento de MySQL es una ventaja añadida.

Ahora veamos las responsabilidades de Data Scientist; de acuerdo con las responsabilidades, puedes juzgarte a ti mismo que puedes administrar esos roles o no, y si no, tratar de agregar esas habilidades en ti mismo.

Responsabilidades de un científico de datos

Limpieza y procesamiento de datos. Redacción del problema empresarial. Sus roles son dar resultados futuros de ese negocio. Desarrollar modelos de aprendizaje automático y métodos analíticos. Encontrar nuevas preguntas comerciales que puedan agregar valor al negocio. Minería de datos usando el estado de Métodos de última generación. Presentar los resultados de una manera clara y hacer el análisis ad hoc.

Para saber más sobre las habilidades y los roles de Data Scientist, consulte el siguiente enlace:

Habilidades necesarias para convertirse en Data Scientist

Hola,

El científico de datos es conocido como uno de los mejores trabajos en el siglo XXI. Para convertirse en un científico de datos exitoso, necesita un conocimiento de dominio, buenas habilidades de comunicación y debe ser de un fondo de tecnología.

Como este roles implica muchas responsabilidades. En Imarticus, ayudamos a los aspirantes como usted a mejorar su vida y comenzar una carrera como científico de datos.

Ofrecemos el Data Science Prodegree en colaboración con Genpact como socio de conocimiento. Este programa lo ayuda a comprender mejor el análisis de datos y las estadísticas, junto con las perspectivas comerciales y las prácticas de vanguardia que utilizan SAS, R, Python, Hive, Spark y Tableau. Además de esto, el programa también proporciona un 100% de asistencia en la colocación para guiar y ayudar a navegar por las amplias opciones de carrera y hacer que estés listo para el trabajo desde el primer día.

A través de diversos proyectos y estudios de casos, impartimos las habilidades integrales del rol en nuestros estudiantes junto con una amplia capacitación en las herramientas y técnicas clave. Ofrecemos una asistencia de colocación del 100% para este programa.

Para obtener más información sobre nuestro programa, visite el sitio web oficial de Imarticus Learning. O puede llamarnos al: 18002677679

Espero que esto te ayude en tu proceso de toma de decisiones.

Todo lo mejor..:)

Ya ha sido contestado varias veces.
Por favor, siga los siguientes enlaces:
1) ¿Cómo puedo convertirme en un científico de datos? (Mira la respuesta de William Chen, es la más completa)
2) ¿Cuáles son los mejores libros sobre ciencia de datos?
3) Revisión de los 10 mejores cursos en línea de Data Science
4) Cursos en línea de Data Science: una lista completa | LearnDataSci

Simplemente vaya a través de estos enlaces una vez, verá cómo Data Science está en auge en este momento.

La especialización en ciencia de datos de Coursera es la mejor manera de comenzar.

Aprende Python en paralelo, ya que la especialización en ciencia de datos está completamente en R.

Puedes aprender python desde codecademy.

Necesitas ser bueno en probabilidad y estadísticas. Si no ha tenido un curso de nivel de ingeniería en prob & stat, sería mejor que lo complete como electivo.

También el conocimiento básico de algunos cursos de computación como sistemas de administración de bases de datos, diseño de compiladores, sistemas operativos le ayudará a fortalecer sus conceptos básicos.

Una vez que haya terminado con esto, puede concentrarse más en el aprendizaje automático avanzado de udacity y la ventaja analítica de edX.

Estoy en segundo año y estoy interesado en aprender sobre análisis de datos. ¿Donde debería empezar?

Me gustaría ver la respuesta de William Chen a ¿Cuáles son los mejores recursos gratuitos para aprender datos científicos?

En resumen, da una lista de recursos, pero recomienda probar CS109, Data Science, de Harvard, que está disponible gratuitamente en línea. Los requisitos previos para esta clase son un conocimiento básico de programación y estadísticas. Harvard también ofrece CS50 en línea, que le enseñará la programación, y Stats 110 en línea.

Con estas herramientas, mucha disciplina, la voluntad de aprender y hacer preguntas, creo que estará en un buen camino para aprender ciencia de datos.

Sugeriré al instituto que tenga experiencia en la industria como formador en ciencia de datos. RStrainings es un nombre bien conocido en Data Science y Big Data Hadoop training en Hyderabad. Tienen entrenadores expertos para Data Science y Big Data Hadoop que ya tienen experiencia de trabajo en vivo. Así comparte el conocimiento sobre los proyectos realizados.

Obtenga una demostración gratuita de Data Science e interactúe con el capacitador. Esto le ayudará a obtener una idea detallada sobre el curso.

Puede contactar con ellos en:

Email

[email protected]

·

Número de teléfono:

+91 9052 699 906

·

Sitio web:

http://www.rstrainings.com

Te recomiendo que hagas el famoso curso de Introducción al Aprendizaje Automático en Coursera por Andrew Ng .

La razón es que, en el curso, te da una idea de cada detalle de los algoritmos de aprendizaje más famosos. Esto se combina con las manos en las prácticas en Matlab. Entonces, después del curso, tienes una idea básica de las cosas en Machine Learning. Después de esto, puede buscar otros cursos de su interés para elegir un proyecto que haga uso de este conocimiento.

Puede comenzar con el curso de Aprendizaje Automático de Andrew Ng desde Coursera o Intro to Machine Learning by Udacity y comenzar a aprender Python en paralelo para mejorar sus habilidades de programación.

Mi opinión personal es que, aparte de los cursos “estándar” (que son muy buenos), tiene que encontrar algún problema del mundo real, que se pueda resolver con data science / ML y trabajar duro durante un tiempo prolongado para resolverlo. En términos de ML – para mejorar sus resultados. Creo que es algo que te dará “intuición” sobre esta área.

En mi opinión, es como cuando aprendes a programar, debes pasar del ejercicio de escritura para diseñar tu primer sistema mínimamente útil.

Regístrate en las clases en Coursera o edX. Son gratis. Comience con clases como “Introducción a la ciencia de datos” y similares. Sigue y lee los blogs en línea para la ciencia de datos. También puede encontrar toneladas de tutoriales y scripts en línea.

Así es como empecé. Pude cambiar de carrera y ahora soy un científico de datos en Silicon Valley y no podría estar más feliz.

La parte importante es la decisión de empezar. Una vez que haya tomado una decisión y esté listo para comprometerse, el resto simplemente se alinea. Siendo un principiante, necesitarías un curso que tome tiempo para pasarte por lo básico antes de enseñar las partes avanzadas.

SAS es uno de los cursos de ciencia de datos más conocidos en la India que hace todo esto y más. Enseña a los estudiantes todos los conceptos básicos de Hadoop y SAS, junto con el modelado predictivo y así sucesivamente. Te entrena a fondo.

Los esfuerzos propios y la aplicación práctica continua de conceptos, junto con esta capacitación lo establecerán como científico de datos.

E-Learning es la mejor manera de aprender sobre Data Science. Siga estos enlaces para saber más sobre la ciencia de datos.

Capacitación en línea de Hadoop – Capacitación en línea de Hadoop | Hub4Tech.com

Capacitación en Aula Hadoop – Capacitación Hadoop en Noida

Preguntas de la entrevista de Hadoop – Preguntas y respuestas de la entrevista de Hadoop

Prueba en línea de Hadoop – Prueba en línea de Hadoop | Prueba en linea | Examen simulado

Preguntas de la entrevista de Cassandra – Preguntas y respuestas de la entrevista de Cassandra

Cloudera – Prueba de DataScientist – Examen de prueba en línea de Data Science Essentials Cloudera (DS-200)

Cloudera – Prueba de administración de Hadoop – Prueba de prueba de Hadoop del administrador certificado de Cloudera (CCA-500)

Cloudera – Prueba de desarrollador de Hadoop – Cloudera (CCD-410) Examen de prueba de Hadoop de desarrollador certificado