00
Diagnóstico inicial
Quiz de entrada para estimar el punto de partida del grupo y orientar el ritmo del bootcamp.
- Quiz diagnóstico de 30 preguntas
- Presentación del programa y herramientas
- Configuración del entorno
Temario completo
Las 13 clases del bootcamp
El programa parte con un diagnóstico inicial y avanza desde los fundamentos de Python hasta un proyecto final integrador con machine learning.
01
Fundamentos de Python
Variables, tipos, estructuras de control y funciones aplicadas a datos desde el primer día.
- Variables y tipos de dato
- Listas, diccionarios, loops
- Funciones básicas
02
Pandas y limpieza de datos
Carga, inspección, limpieza y transformación de DataFrames con pandas.
- DataFrames y Series
- Valores nulos y duplicados
- Filtros y selección de columnas
03
Visualización exploratoria
Gráficos para entender distribuciones, relaciones y anomalías en los datos.
- Histogramas y boxplots
- Scatter plots
- Interpretación visual de datos
04
Estadística descriptiva
Media, mediana, desviación estándar, correlaciones y cómo leerlas correctamente.
- Medidas de tendencia central
- Dispersión y varianza
- Correlación e interpretación
05
Visualización con Matplotlib
Control preciso de gráficos: títulos, ejes, colores, múltiples subplots.
- Figure y Axes
- Personalización de gráficos
- Subplots y layouts
06
Texto, fechas y transformaciones
Procesamiento de strings, manejo de fechas y transformaciones avanzadas de columnas.
- Operaciones con strings
- Parsing y cálculo de fechas
- Apply y funciones lambda
07
Mini proyecto guiado
Análisis completo de un dataset real: desde carga hasta conclusiones documentadas.
- Pipeline end-to-end
- Limpieza, análisis y gráficos
- Redacción de conclusiones
08
Presentación de hallazgos
Cómo comunicar resultados a audiencias no técnicas con claridad y evidencia.
- Narrativa de datos
- Selección de gráficos para presentar
- Práctica de exposición
09
Machine Learning — Intro
Qué es ML, cómo dividir datos y entrenar un primer modelo de regresión lineal.
- Conceptos: train/test split
- LinearRegression con sklearn
- Métricas: MAE, RMSE, R²
10
Modelos supervisados
Clasificación con árboles de decisión y regresión logística. Evaluación y métricas.
- DecisionTree y LogisticRegression
- Matriz de confusión
- Precision, recall, F1
11
Evaluación y Pipelines
Validación cruzada, Pipelines de sklearn y búsqueda de hiperparámetros con GridSearchCV.
- cross_val_score
- Pipeline: preproceso + modelo
- GridSearchCV
12
Proyecto final y cierre
Análisis integrador con dataset real: exploración, modelo y presentación de resultados.
- Dataset a elección del alumno
- Pipeline completo end-to-end
- Presentación y defensa
Metodología
Cómo trabajamos en cada clase
Cada sesión sigue el mismo ciclo de cuatro pasos para que el aprendizaje sea sólido y no solo mecánico.
Entender
Se presenta el objetivo del bloque y por qué sirve en un problema real de datos.
Practicar
Se trabaja con ejemplos cortos, ejercicios guiados y variaciones para fijar la lógica.
Interpretar
El resultado no se deja solo en código: se traduce a una conclusión clara y comunicable.
Consolidar
Se revisan errores comunes, se guarda evidencia y se deja una tarea breve o reto.
Recursos
Lo que debes tener a mano como alumno
Repositorio del curso
Materiales, clases, datasets y estructura general del bootcamp. Todo versionado y accesible.
Abrir repositorio →Datasets de práctica
Casos sintéticos para trabajar Python, pandas, gráficos e interpretación en cada clase.
Ver datasets →Notebooks y clases
Clases, notebooks, ejercicios y guías que el docente va liberando y usando en sala.
Ver clases →Vista institucional
Resumen del producto educativo, implementación y hoja de ruta del bootcamp.
Abrir presentación →Uso de tecnología
Cómo usar herramientas digitales sin perder aprendizaje
Las herramientas digitales ayudan. No reemplazan el razonamiento ni la práctica.
Piensa primero
Antes de buscar una respuesta, intenta formular tu propia idea o hipótesis sobre el problema.
Consulta después
Usa herramientas digitales para comparar, aclarar o depurar, no para reemplazar todo el proceso.
Verifica siempre
Si una herramienta te entrega código o una explicación, revisa si responde al objetivo real del ejercicio.
Explica al final
Si no puedes explicar lo que hiciste con tus palabras, aún no está realmente aprendido.