Indice
5 capitulos, una progresion
De las bases de datos a problemas de Machine Learning formulados con claridad.
1
Fundamentos
Python, SQL y formulación de problemas: las herramientas y preguntas que sostienen cualquier proyecto de datos.
2
Datos y arquitectura
Adquisición de datos con APIs y formatos tabulares, bases de datos relacionales, modelado, normalización, SQLite y pipelines reproducibles para preparar información confiable.
- M1 Cap. 01
Fundamentos de Bases de Datos
Del modelo relacional a un pipeline que entrega datos confiables a Machine Learning
intermedio #bases-de-datos #sql #modelado - M2 Cap. 02
Data Acquisition de Datos
Del dato crudo en la API a tablas limpias que un modelo puede usar con confianza
intermedio #apis #requests #json - M4 Cap. 04
Data Acquisition II (APIs)
De la petición HTTP al dataset reproducible: requests, JSON, autenticación y resiliencia
intermedio #apis #requests #json
3
Machine Learning aplicado
Tipos de aprendizaje, preparación de datos y conexión entre los pipelines y los modelos que toman decisiones.