Parte 0 — Prerrequisitos: Python + NumPy + pandas + visualización + SQL + APIs

49 clases · ~11–13 semanas a ritmo moderado · ✅ Contenido completo**

Fuentes (por bloque):

• VanderPlas (Python Data Science Handbook) — NumPy (014–021), pandas (022–032), visualización (033–039).
• Ramalho (Fluent Python 2e) — Python idiomático (006–013).
• Tanimura (SQL for Data Scientists) — SQL (041–042).
• Mitchell (Web Scraping with Python 2e) — clase 046.
• Docs oficiales (Python, requests, BeautifulSoup, folium/plotly, MongoDB) cuando son la mejor referencia.

Cada clase tiene su README.md con objetivo, resultados de aprendizaje verificables, dataset recomendado, 5 ejercicios y homework con criterio de aceptación. Cada notebook.ipynb trae 10–18 celdas mezclando markdown explicativo + código ejecutable (basado en VanderPlas/Ramalho donde aplica).

✨ Ampliación pedagógica (v2.2.0): todas las 49 clases incluyen además tres secciones nuevas:

• 📖 Definiciones y características — términos técnicos con explicación y características clave.
• ⚠️ Errores comunes — tabla de síntomas/mensajes con causa y solución concretas (los bugs que ven los alumnos en clase).
• ❓ Preguntas frecuentes — FAQs auténticas que aparecen al estudiar cada tema.

🎯 ¿De qué trata esta parte?

Esta parte construye toda la base técnica que el resto del programa da por sentada. No es "introducción a Python" — es el conjunto mínimo de herramientas con las que un data scientist trabaja a diario: el lenguaje, los entornos reproducibles, el control de versiones, el stack numérico (NumPy / pandas), la visualización (matplotlib / seaborn / plotly), el acceso a datos (SQL, NoSQL, APIs, scraping) y la disciplina de proyecto (logging, type hints, manejo de errores, estructura cookiecutter).

El recorrido es deliberadamente extenso porque cada laguna acá se convierte en deuda invisible que aparece después en Parte 1 (ML clásico) y Parte 2 (Deep Learning). Quien complete bien esta parte puede leer cualquier notebook profesional, reproducirlo, modificarlo y debuggearlo.

🧩 Problemas que resuelve

• Configurar un entorno Python aislado y reproducible (venv / uv / conda) sin colisiones de dependencias.
• Manipular datasets tabulares de tamaño medio (cientos de miles de filas) sin caer en bucles ni código lento.
• Limpiar, transformar y unir datos sucios usando pandas (faltantes, tipos, formatos, joins, groupby).
• Producir gráficos publicables (no solo df.plot()) con matplotlib + seaborn, incluyendo mapas geográficos.
• Consultar bases relacionales con SQL avanzado (CTEs, window functions) y conectarlas desde Python.
• Acceder a datos externos vía APIs REST y, cuando no hay API, mediante web scraping responsable.

🎓 Resultados de aprendizaje

Al finalizar esta parte, el estudiante podrá:

• Levantar un proyecto nuevo con estructura reproducible, dependencias fijadas y pre-commit en menos de 10 minutos.
• Escribir código NumPy/pandas vectorizado (sin loops) y justificar por qué es más rápido.
• Diseñar visualizaciones efectivas que comuniquen una conclusión, no solo "que se vean lindas".
• Escribir consultas SQL no triviales (window functions, CTEs recursivas) y traducirlas a pandas y viceversa.
• Extraer datos de una API o sitio web y dejarlos listos para análisis, manejando paginación y rate-limiting.

🗺️ Estructura temática

• Setup y reproducibilidad — clases 001–005 — instalación, Jupyter, Git/GitHub, estructura de proyecto, editor.
• Python para data science — clases 006–013 — tipos, comprehensions, funciones, OOP, pathlib, logging, type hints.
• NumPy (8 clases) — clases 014–021 — creación, ufuncs, agregaciones, broadcasting, masks, álgebra lineal, aleatoriedad.
• pandas + Polars + Parquet/Arrow (14 clases) — clases 022–034 — Series/DataFrame, indexación, joins, groupby, pivot, strings, series de tiempo.
• Visualización — clases 035–042 — matplotlib en profundidad, seaborn, visualización geográfica.
• SQL — clases 043–045 — desde fundamentos a window functions y conexión desde Python.
• Acceso a datos externos — clases 046–048 + 049 (async/httpx moderno) — MongoDB, APIs REST, web scraping con BeautifulSoup.

📥 Material descargable — parte completa

Materiales consolidados con TODAS las clases de esta parte (útiles para revisar offline o imprimir el bloque entero):

• 📄 Guía PDF — parte completa — todas las clases concatenadas con headings demoteados.
• 🎞️ Presentación PPTX — parte completa — portada + TOC + slides de cada clase.

📚 Ficha por clase

✨ 49 de 49 clases tienen contenido pedagógico ampliado (📖 Definiciones · ⚠️ Errores comunes · ❓ FAQ).