Contexto¶

En este apartado se hace una profundización sobre EDA & Fuentes (Análisis exploratorio de los datos) dado en la unidad 1 del curso: Ingeniería de Datos

Objetivos¶

Cargar y explorar datasets de diferentes formatos (CSV, JSON, SQLite)
Aplicar técnicas básicas de EDA con pandas
Crear visualizaciones informativas con matplotlib/seaborn
Interpretar resultados de análisis exploratorio

Ciencia de Datos para Gente Sociable¶

Una introducción a la exploración, análisis y visualización de datos¶

La Big Data llegó para quedarse, en la actualidad, impacta todas las áreas de la sociedad, como lo hicieron en su momento la escritura o los medios de comunicación. La producción masiva de datos y el análisis de los mismos están transformando profesiones, creando nuevas oportunidades y dejando otras obsoletas. Big Data es un término amplio que se refiere al gran volumen, velocidad, variedad, veracidad y valor (5v's)de datos digitales que se generar y procesan continuamente.

¿Qué significa hacer ciencia de datos?¶

La ciencia de datos combina 4 habilidades clave: 1. Programación: el pensamiento computacional: descomponer tareas complejas en pasos que una computadora pueda ejecutar nos ha ayudado para resolver problemas más complejos. 2. Estadística: es esencial para entender los datos y obtener conclusiones significativas. 3. Comunicación: explicar procesos complejos con claridad a diversos públicos y crear visualizaciones e interpretar modelos estadísticos. 4. Conocimiento de dominio: entender el área específica donde se específica donde se aplican los datos.

Etapas del proceso¶

Evidencias¶

Capturas, enlaces a notebooks/repos, resultados, gráficos

Reflexión¶

Qué aprendiste, qué mejorarías, próximos pasos

Referencias¶

Brust, A. V. (2023). Ciencia de Datos para Gente Sociable – Capítulos 1–4. Recuperado de https://bitsandbricks.github.io/ciencia_de_datos_gente_sociable/
Google Good Data Analysis (Introducción y Mindset; Technical) - https://developers.google.com/machine-learning/guides/good-data-analysis

Guía de formato y ejemplos (MkDocs Material)¶

Utiliza estos ejemplos para enriquecer tus entradas. Todos funcionan con la configuración del template

Admoniciones¶

Nota

Este es un bloque informativo.

Sugerencia

Considerá alternativas y justifica decisiones.

Atención

Riesgos, limitaciones o supuestos relevantes.

Detalles colapsables¶

Ver desarrollo paso a paso

Paso 1: preparar datos
Paso 2: entrenar modelo
Paso 3: evaluar métricas

Código con resaltado y líneas numeradas¶

def train(
    data_path: str,
    epochs: int = 10,
    learning_rate: float = 1e-3,
) -> None:
    print("Entrenando...")
    # TODO: implementar

Listas de tareas (checklist)¶

Preparar datos
Explorar dataset
Entrenar baseline

Tabla de actividades con tiempos¶

Actividad	Tiempo	Resultado esperado
Revisión bibliográfica	45m	Lista de fuentes priorizadas
Implementación	90m	Script ejecutable/documentado
Evaluación	60m	Métricas y análisis de errores

Imágenes con glightbox y atributos¶

Imagen directa (abre en lightbox):

Click para ampliar (lightbox):

Enlaces internos y relativos¶

Notas al pie y citas¶

Texto con una afirmación que requiere aclaración¹.

Emojis y énfasis¶

Resultados destacados y conceptos clave.

Esta es una nota al pie con detalles adicionales y referencias. ↩