Ejercicio: Datos adicionales que se podrían incluir
Las decisiones realizadas en este módulo eran simplistas, en el mejor de los casos. Aunque el día anterior o posterior al lanzamiento de la SpaceX Dragon el 30 de mayo de 2020 no se lanzó ningún cohete, no significa que se haya aplazado un lanzamiento debido a las condiciones meteorológicas de esos días. Por eso, es impreciso colocar N en la columna Launched de esas fechas.
En estos módulos se le guía por los pasos prácticos que se han seguido para solucionar los problemas que se han tenido que abordar durante la exploración espacial. Pero también se espera que descubra su propia ruta de acceso. El objetivo final es que consiga la inspiración para crear, imaginar y forzar los límites de lo que sabemos y del conocimiento que tenemos de este mundo y el más allá.
Estas son algunas formas de continuar con el aprendizaje y el recorrido por los datos:
- Explore los datos con más detalle: busque artículos e informes sobre cada lanzamiento. ¿Se realizaron consideraciones sobre el tiempo antes del lanzamiento? ¿Las condiciones meteorológicas en torno a estas fechas se podrían haber considerado preocupantes?
- Explore los datos meteorológicos que faltan: ¿qué ocurre con las fechas en las que la NASA decidió no lanzar cohetes? Más allá de días concretos, ¿la NASA ha evitado alguna estación? ¿Qué tipo de perfil meteorológico suelen tener esas estaciones?
- Explore los datos de lanzamiento que faltan: ¿puede encontrar datos sobre los lanzamientos que se aplazaron debido a las condiciones meteorológicas? ¿Hay datos sobre lanzamientos de otros países o regiones que pueda incorporar?
- Explore otras manipulaciones de datos: ¿Se podrían haber usado mejores valores para rellenar los datos que faltaban?
- Decida qué datos le gustaría tener: si tuviera acceso a los expertos en la materia y los orígenes de datos de la NASA, ¿qué cree que sería más importante para tomar una decisión sobre un lanzamiento o un aplazamiento? Si pudiera preguntarle a un experto, ¿qué le preguntaría?
- Evalúe problemas similares: ¿hay problemas similares que puede usar para rellenar estos datos? Por ejemplo, ¿los retrasos de vuelos en la zona debido a las condiciones meteorológicas también son un indicador?
Ser científico de datos no consiste en tener un conjunto de datos completo y aplicarle un algoritmo. Se trata de empezar desde un punto de partida desordenado y probablemente incorrecto, y aprender de manera iterativa. Al final de la ruta de aprendizaje, habrá aprendido algo sobre el lanzamiento de cohetes. Con ese nuevo conocimiento, puede volver a este módulo y tomar decisiones mejor fundamentadas.