Créditos
3
Horas Estimadas
34h
Temas
11
Correlativas
Temario
Introducción y ciclo de vida de datos
Roles, ciclo de vida, flujo de trabajo
2h 0min
Recopilación de datos
Fuentes, APIs, web scraping, calidad
3h 40min
Limpieza y transformación
Faltantes, outliers, normalización, encoding
3h 20min
EDA y visualización
Exploratorio, distribuciones, correlaciones
4h 40min
Estadística aplicada
Inferencia, pruebas, correlación, regresión
3h 0min
Modelado predictivo
Selección, validación cruzada, ensemble
4h 20min
Feature engineering
Creación, selección, importancia, reducción
3h 20min
Herramientas: Python, pandas, scikit-learn
Entorno, pandas, scikit-learn
3h 20min
Visualización: Matplotlib, Tableau
Gráficos, dashboards, interactiva
3h 40min
Big Data: Hadoop, Spark
Distribuido, MapReduce, Spark, escalar
4h 40min
Ética en datos
Privacidad, sesgo, GDPR, gobernanza
2h 0min
Metodología
Teoría
Clase teorica sobre ciencia de datos, analisis exploratorio, visualizacion y modelado estadistico.
Práctica
Laboratorio con Python (Pandas, Matplotlib, Scikit-learn) para analisis de datos reales.
Actividades
- Analisis exploratorio de datos con Pandas
- Visualizacion con Matplotlib y Seaborn
- Modelado con Scikit-learn
- Trabajos Practicos de ciencia de datos
- Proyectos de analisis de datos
Evaluación
Regularidad
Aprobar como minimo 2 parciales con nota >= 4. Asistencia regular obligatoria (80% minimo).
Promoción
Examen final con analisis de datos y modelado.
Recuperatorio
Recuperatorio en el primer semestre del ano siguiente.
Objetivos de Aprendizaje
- Dominar tecnicas de analisis exploratorio de datos.
- Implementar pipelines de ciencia de datos con Python.
- Aplicar modelos de machine learning a problemas reales.
- Comunicar resultados de analisis de forma efectiva.
Competencias
- Realizar analisis exploratorio de datos con Pandas.
- Crear visualizaciones efectivas con Matplotlib/Seaborn.
- Entrenar y evaluar modelos de ML con Scikit-learn.
- Comunicar hallazgos de datos a stakeholders.
Ejercicios Tipo Parcial
Analisis exploratorio
2/5
Analizar un dataset de ventas: identificar tendencias, valores atipicos y correlaciones.
Solución: Usar df.describe(), df.info(), Matriz de correlacion, boxplots para outliers, series temporales para tendencias.
Modelado
3/5
Implementar una regresion lineal para predecir precios de viviendas.
Solución: from sklearn.linear_model import LinearRegression; model.fit(X_train, y_train); y_pred = model.predict(X_test); evaluar con R2 y MSE.
Preguntar al Tutor
Resolvé dudas sobre esta materia
Practicar
Ejercicios adaptativos por tema
Crear Flashcards
Repetición espaciada para memorizar
Cargando materiales...