Sílabo
Cada módulo cierra con un entregable corregido por un docente con la rúbrica publicada. Las horas incluyen encuentros en vivo y trabajo autónomo sobre un dataset propio.
| Módulo | Horas | Entregable | Herramientas |
|---|---|---|---|
| 1. Fundamentos de Python para datos | 12 | Notebook con carga y limpieza documentada del dataset elegido | Python 3.12, Jupyter, pandas |
| 2. Análisis exploratorio y estadística aplicada | 14 | Informe de análisis con hipótesis, métricas y decisiones justificadas | pandas, NumPy, SciPy |
| 3. Visualización y comunicación de resultados | 10 | Panel de gráficos con etiquetas directas y una lectura por gráfico | Matplotlib, seaborn |
| 4. Introducción a machine learning | 16 | Regresión y clasificación simple con métricas y diagnóstico de sobreajuste | scikit-learn |
| 5. Reproducibilidad y entrega final | 8 | Notebook reproducible con entorno declarado y README de lectura | Git, entornos virtuales |
Perfiles docentes verificables en la sección de docentes. Dudas sobre el temario antes de inscribirte: formulario de contacto.
Evaluación · Programa
La misma rúbrica se aplica en todas las cohortes y se publica antes de la primera clase. La nota final va de 0 a 100 y se aprueba con 60 o más. Cada entrega recibe una devolución escrita del docente con el desglose de los cinco criterios.
| Criterio | Peso | Qué se evalúa | Evidencia esperada |
|---|---|---|---|
| Limpieza y preparación de datos | 25% | Tratamiento de nulos, tipos, duplicados y decisiones documentadas sobre el dataset propio. | Celdas de carga y limpieza ejecutadas en orden. |
| Análisis exploratorio | 30% | Preguntas de negocio, estadística descriptiva y hallazgos interpretados con criterio. | Tabla resumen y comentario por cada hallazgo. |
| Visualización | 20% | Elección de gráficos, etiquetas directas, escalas honestas y paleta accesible. | Tres gráficos exportados dentro del notebook. |
| Comunicación | 15% | Redacción de conclusiones, límites del análisis y próximos pasos posibles. | Sección final de 200 palabras como máximo. |
| Reproducibilidad | 10% | Orden de ejecución, dependencias declaradas y rutas relativas del proyecto. | Notebook que corre de inicio a fin sin errores. |
Total: 100%. Quien no alcanza los 60 puntos recibe la devolución con los criterios a reforzar y una instancia de reentrega dentro de las dos semanas posteriores al cierre de la cohorte. Los detalles de contenidos están en el sílabo completo y en los perfiles de docentes.
Docentes
Tres perfiles con trayectoria verificable en datos, visualización y machine learning introductorio. Cada ficha incluye enlaces públicos para contrastar formación y trabajo previo.
Nueve años analizando datos en banca y sector público. Dicta el módulo de limpieza y análisis, y revisa los notebooks con la rúbrica publicada.
Siete años en equipos de datos de medios y organizaciones civiles. Dicta el módulo de visualización y acompaña la comunicación de hallazgos en el proyecto final.
Seis años aplicando modelos de regresión y clasificación en productos digitales. Dicta el módulo introductorio de ML: métricas y sobreajuste, sin promesas de especialización.
Inscripción
El cupo responde a la capacidad de corrección, no a una táctica comercial. Cada notebook entregado se revisa con la rúbrica publicada en esta página: limpieza, análisis, visualización, comunicación y reproducibilidad.