Practica aplicada
Proyectos que te van a obligar a pensar
16 proyectos integradores, organizados por módulo y dificultad. Cada uno esta pensado para que NO puedas hacerlo copiando: tienes que decidir.
Diagnostico reproducible de ventas tecnologicas
Usa Python y SQL sobre el dataset de ventas para responder preguntas de negocio, detectar nulos y documentar un problem statement con target, features y metrica de exito.
Modelo relacional para un pipeline de Machine Learning
Diseña un esquema entidad-relacion, normalizalo, implementalo en SQLite y crea un pipeline que valide los datos antes de entregarlos a un modelo.
De la pregunta de negocio al dataset entrenable
Define un problema de clasificacion o regresion, selecciona las tablas necesarias, prepara features sin leakage y justifica la metrica antes de entrenar.
Pipeline adquisición → limpieza → train/test
Adquiere un CSV y un JSON con pathlib, limpia duplicados y nulos (mediana robusta + etiqueta categórica), valida contrato de tipos y divide en train/test sin leakage. Documenta origen, encoding y reproducibilidad con random_state.
Pipeline ETL modular y optimizado
Construye un flujo extract → transform → load con fuentes heterogéneas, normalización de columnas, tipos eficientes, duplicados, nulos, merge many-to-one y salida Parquet. Compara una transformación vectorizada con un loop y documenta memoria, filas conservadas y decisiones de calidad.
Análisis meteorológico con DuckDB
Consulta un CSV o Parquet de clima directamente con DuckDB, mide nulos y cobertura temporal, calcula promedios mensuales y máximos históricos, y documenta tiempos, hallazgos y reproducibilidad.
Features de comportamiento con SQL analítico
Une usuarios, órdenes y catálogo sin cambiar la granularidad por accidente; calcula RFM, ranking, acumulados y cambios entre compras con funciones de ventana y explica para qué decisión sirve cada feature.
ETL idempotente con SQLAlchemy y SQLite
Valida un lote antes de cargarlo, separa rechazos, define un modelo ORM tipado, guarda los registros válidos en SQLite con transacción y clave única, y demuestra que repetir el proceso no crea duplicados.
Auditoría y pipeline de preprocesamiento
Explora calidad y distribuciones, compara estrategias para nulos y outliers y construye un ColumnTransformer con imputación, escalado y codificación ajustados únicamente con train.
Clasificación de churn con evaluación defendible
Compara una Regresión Logística con un ensemble, selecciona umbral según el costo de errores, estima variabilidad con validación cruzada y reserva test para una evaluación final.
Dashboard de ventas que responde preguntas
Diseña una vista ejecutiva con métricas, tendencias y segmentos; elige cada gráfico según la pregunta, aplica jerarquía visual y verifica legibilidad, contraste y contexto.
Narrativa de datos para una decisión comercial
Convierte un análisis de ventas en una historia breve para una audiencia concreta: contexto, hallazgo comprobable, impacto, recomendación y visuales que no sugieran causalidad sin evidencia.
Comparación espacial accesible
Combina puntos y polígonos, documenta el CRS, agrega indicadores por zona y crea un mapa estático y una animación temporal con leyenda, fuente y alternativa no visual.
Distribuciones, categorías y pruebas robustas
Resume grupos con conteos y proporciones, investiga valores extremos sin borrarlos automáticamente y selecciona una prueba paramétrica o no paramétrica acorde con diseño y supuestos.
Asociaciones y multicolinealidad en clientes
Analiza relaciones lineales y monotónicas, cuantifica asociaciones categóricas, revisa VIF y confusores, y separa evidencia asociativa de cualquier afirmación causal.
Proyecto final: pipeline reproducible de Ciencia de Datos
Entrega un repositorio desde la definición del problema y la adquisición hasta calidad, análisis, visualización, modelo o análisis estadístico, evaluación, documentación y limitaciones.
Consejo: hace al menos 3 proyectos de los avanzados antes de considerar que "ya lo sabes". El codigo se copia, las decisiones no.