Track 5 – Data Science

Programa Tentativo

Resumen

Una semana práctica e introductoria a la ciencia de datos: desde Business Intelligence y la exploración y visualización de datos con Python, hasta los primeros modelos de machine learning supervisado y no supervisado, con una mirada a Big Data.

Requisitos

  • Conocimientos básicos de Python.
  • No se requiere experiencia previa en ciencia de datos ni en estadística.

Lo que aprenderá el participante

  • Fundamentos de ciencia de datos, Business Intelligence y del flujo de trabajo con datos.
  • Manipulación y análisis de datos con Python (Pandas, NumPy).
  • Estadística descriptiva básica.
  • Visualización de datos y storytelling.
  • Introducción a machine learning supervisado: regresión y clasificación.
  • Introducción a machine learning no supervisado: clustering.
  • Nociones conceptuales de Big Data y Deep Learning.
  • Buenas prácticas y ética en ciencia de datos.

Estructura del track

Lunes – Business Intelligence y Python para Datos

Teoría:

  • ¿Qué es la ciencia de datos?.
  • Business Intelligence.
  • El flujo de trabajo de un proyecto de datos.
  • Repaso de Python, Pandas y NumPy.

Laboratorio:

  • Configuración del entorno (Jupyter/Colab).
  • Primer análisis exploratorio guiado sobre un dataset real.
Martes – Estadística Descriptiva y Visualización

Teoría:

  • Medidas de tendencia central y dispersión.
  • Tipos de gráficos y cuándo usarlos.
  • Storytelling con datos.

Laboratorio:

Construcción de visualizaciones con Matplotlib y Seaborn a partir del dataset del proyecto.

Miércoles – Introducción a Machine Learning Supervisado

Teoría:

  • ¿Qué es un modelo predictivo?.
  • Regresión y clasificación.
  • Entrenamiento y prueba de un modelo.

Laboratorio:

  • Entrenamiento de un primer modelo de regresión o clasificación con scikit-learn.
Jueves – Introducción a Machine Learning No Supervisado

Teoría:

  • ¿Qué es el aprendizaje no supervisado?.
  • Segmentación de datos con clustering (K-Means).

Laboratorio:

  • Segmentación de datos del proyecto mediante clustering e interpretación de resultados.
Viernes – Big Data, Buenas Prácticas y Cierre

Teoría:

  • Introducción a Big Data.
  • Procesamiento de datos a gran escala.
  • Nociones conceptuales de Deep Learning.
  • Ética y buenas prácticas en ciencia de datos.

Laboratorio:

  • Integración final del proyecto y presentación de resultados.

Herramientas

Se utilizarán herramientas de código abierto: Python, Jupyter/Google Colab, Pandas, NumPy, scikit-learn, Matplotlib y Seaborn.

Competencias al finalizar

El participante será capaz de:

  • Aplicar Business Intelligence y comprender el flujo de trabajo de un proyecto de ciencia de datos.
  • Realizar análisis exploratorio de datos con Python.
  • Aplicar estadística descriptiva básica.
  • Crear visualizaciones efectivas para comunicar hallazgos.
  • Entrenar y evaluar un primer modelo de machine learning supervisado.
  • Aplicar clustering para segmentar datos.
  • Reconocer los conceptos básicos de Big Data y Deep Learning.
  • Aplicar buenas prácticas y principios éticos en ciencia de datos.
Coordinador

Efrén Jiménez

Instructores
  • Efrén Jiménez – TEC – Costa Rica.
  • Stalin Arciniegas – Pontificia Universidad Católica del Ecuador, PUCE – Ibarra, Ecuador.
  • Ronald Criollo – Escuela Superior Politécnica del Litoral, ESPOL., Guayaquil, Ecuador.
  • Jesús López – Universidad Autónoma de Occidente, Cali, Colombia. (por confirmar).
Cupo

30 participantes.

Duración

40 horas.