D

Indice

17 capitulos, una progresion

De datos crudos a modelos y decisiones explicables y reproducibles.

1

Fundamentos

Python, bases de datos y formulación del problema: las herramientas y preguntas que sostienen cualquier proyecto de datos.

2

Adquisición y arquitectura de datos

Adquisición y preparación de datos, APIs, pipelines, SQL analítico, DuckDB, persistencia y automatización segura de ETL.

3

Machine Learning aplicado

Preprocesamiento sin fuga de información, pipelines de Scikit-Learn, modelos, métricas y validación para decisiones responsables.

4

Visualización y comunicación

Diseño visual, narrativa de datos y análisis espacial para explicar hallazgos con contexto y accesibilidad.

5

Estadística aplicada

Distribuciones, pruebas, correlación y asociación: distinguir patrones útiles de conclusiones engañosas.

6

Proyecto integrador

Integra el ciclo de datos completo en un repositorio reproducible, evaluable y defendible.