Indice
10 capitulos, una progresion
De Python basico a pipelines de Machine Learning en produccion.
Fundamentos
Industria 4.0, IoT/IoS/IoD/IoP, ciclo de vida de proyectos DS y los 9 pilares de la transformacion digital.
Nucleo tecnico
Python, NumPy, Pandas, Visualizacion, Estadistica y preprocesamiento: el corazon tecnico del data scientist.
- M2 Cap. 02
Python para Data Science: mas alla de la sintaxis
Pensar como un programador, no como un usuario de Jupyter
introductorio #python #funciones #oop - M3 Cap. 03
NumPy y Pandas: el motor de la manipulacion de datos
Pensar vectorialmente, dejar de escribir loops
intermedio #numpy #pandas #vectorizacion - M4 Cap. 04
Pandas avanzado: limpieza, series temporales y datos faltantes
Donde los proyectos reales se diferencian de los tutoriales
intermedio #limpieza #imputacion #outliers - M5 Cap. 05
Visualizacion: contar historias con datos
El 80% de tu audiencia vera UN grafico. Hacelo bien.
intermedio #matplotlib #seaborn #tidy-data
Practica aplicada
Aprendizaje supervisado y no supervisado con scikit-learn, desde regresion lineal hasta PCA y DBSCAN.
- M6 Cap. 06
Machine Learning basico: el primer modelo de verdad
5 algoritmos, cuando usar cada uno, y por que el baseline es tu mejor amigo
intermedio #ml #clasificacion #regresion - M7 Cap. 07
ML aplicado: pipelines, segmentacion y sistemas de recomendacion
Donde el ML se conecta con problemas de negocio reales
intermedio #pipeline #k-means #rfm - M8 Cap. 08
Aprendizaje Supervisado profundo: regresion, metricas, cross-validation
El modulo mas aplicado de la carrera: del laboratorio al diagnostico riguroso
avanzado #regresion #arboles #metricas - M9 Cap. 09
Aprendizaje No Supervisado: clustering, asociacion y reduccion de dimensionalidad
Cuando no hay etiquetas, el modelo tiene que descubrir la estructura solo
avanzado #no-supervisado #clustering #k-means
Maestria
Feature engineering, validacion, metricas, reproducibilidad, despliegue y casos de uso reales en produccion.