Proyectos de Analítica en Python🐍

Este repositorio contiene el material de las clases del programa Proyectos de Analítica en Python el cual contiene dos modulos: Introducción al análisis de datos en Python y Machine Learning para Business Intelligence.

Requisitos computacionales🕹

Para ejecutar los códigos de la clase, la opción más sencilla es instalar Anaconda en su computador. Esta es una plataforma que le incluirá todos los softwares necesarios en su camino por la ciencia de datos. Por un lado, Anaconda instalará la última versión estable de Python, también a través de su gestor de paquetes Conda, le incluirá las principales bibliotecas y además le instalará algunos IDEs que serán su interfaz gráfica para programar. Lo mejor de todo es que esta solución es grátis. A continuación, le explicaremos paso a paso lo que debe hacer.

• Instalar Anaconda

1. Visita el sitio web de Anaconda y descarga la versión adecuada de Anaconda para tu sistema operativo.
2. Ejecuta el instalador de Anaconda y sigue las instrucciones en pantalla. Asegúrate de agregar Anaconda al PATH y aceptar la opción predeterminada para instalar Python.
3. Después de la instalación, abre Anaconda Navigator para confirmar que la instalación fue exitosa.

• Actualizar Anaconda

1. Abre Anaconda Navigator y selecciona el entorno que deseas actualizar.
2. Haz clic en "Actualizar" en la sección de "Acciones" de la pestaña "Inicio" para actualizar todos los paquetes en el entorno seleccionado.

• Instalar Jupyter Notebook

1. Abre Anaconda Navigator y selecciona el entorno que deseas utilizar para Jupyter Notebook.
2. Haz clic en "Instalar" en la sección de "Acciones" de la pestaña "Inicio".
3. Busca "Jupyter Notebook" en la barra de búsqueda y haz clic en "Instalar" junto a él.
4. Espera a que la instalación termine.

Este último paso no es necesario, pero es altamente recomendable. Visual Studio Code es un IDE que le permitirá correr los cuadernos de la clase de una forma más amigable.

• Instalar Visual Studio Code

1. Visita el sitio web de Visual Studio Code y descarga la versión adecuada para tu sistema operativo.
2. Ejecuta el instalador de Visual Studio Code y sigue las instrucciones en pantalla.
3. Después de la instalación, abre Visual Studio Code para confirmar que la instalación fue exitosa.
4. Configurar Visual Studio Code para utilizar Anaconda
5. Abre Visual Studio Code y haz clic en "Archivo" -> "Preferencias" -> "Configuración".
6. Busca "python.condaPath" y establece el valor en la ubicación de la instalación de Anaconda. Por ejemplo, "C:\ProgramData\Anaconda3\condabin\conda.exe".
7. Busca "python.pythonPath" y establece el valor en la ubicación de la instalación de Python en tu entorno Anaconda. Por ejemplo, "C:\ProgramData\Anaconda3\envs\myenv\python.exe".

Introducción al Análisis de Datos en Python📈

Este primer modulo está compuesto por doce sesiones más un Trabajo Final, en las que se busca familiarizar al estudiante con el uso de Python para el análisis de datos y herramientas asociadas. Se estudiarán los principales paquetes como los son NumPy, pandas, matplotlib, seaborn, entre muchos otros.

Clase	Tópicos	Material
Clase 1	¿Qué es y por qué Python? Jupyter Notebook Tipos de variables y Casting Operaciones	Sesión 1. Introducción a Python (Profesor) Sesión 1. Introducción a Python (Estudiantes) Ejercicios 1. Introducción a Python Otros ejercicios
Clase 2	Listas, Tuplas, Conjuntos y Diccionarios Indexación y mutabilidad Métodos básicos de cada estructura	Estructuras de Datos (Profesor) Data Structures Exercises
Clase 3	Control Flow (if/elif/else) Loops for y while break, continue y comprensiones de listas	Control de Flujo (Profesor)
Clase 4	Funciones Argumentos por defecto y *args/**kwargs Funciones lambda Diseño de algoritmos	Funciones y Algoritmos (Profesor) Slides (PDF)
Clase 5	Taller práctico de fundamentos	Taller 1 Taller 1 - Solución
Clase 6	Costo computacional y notación Big-O Pensamiento algorítmico	Costo Computacional y Pensamiento Algorítmico Taller Práctico (Profesor)
Clase 7 (Festivo)	Recursividad y casos base Material asincrónico	Recursividad Recursividad.zip (recursos)
Clase 8	Data Science con IA Generativa Flujo de trabajo asistido por LLMs	Slides DataScience_GenAI
Clase 9	Introducción a Pandas Series y DataFrame Indexación con .loc y .iloc Estadísticas descriptivas	Introducción a Pandas
Clase 10	Unión de bases (merge, concat) groupby y agregaciones apply y transformaciones	Merge y Group By
Clase 11	Instalación y configuración de OpenClaw	Guía: Instalar OpenClaw (HTML)
Clase 12	Introducción al Webscraping HTML, XPath e inspección de páginas Webscraping dinámico con Selenium	Introducción al webscraping Webscraping con Selenium Trabajo en Equipo (A3) Taller 3
Trabajo Final	Proyecto integrador del módulo	Trabajo_Final.ipynb Instrucciones (versión anterior)

Material de versiones anteriores del curso (visualización con Matplotlib/Plotly, Webscraping, Análisis Espacial, NLP, etc.) está archivado en Deprecated/.

Machine Learning para Business Intelligence🤖

Este segundo módulo introduce los fundamentos de Machine Learning con énfasis en aplicaciones de Business Intelligence: desde modelos lineales y regularización, hasta árboles, boosting, análisis no supervisado y modelos de lenguaje (LLMs).

Clase	Tópicos	Material
Clase 1	¿Qué es Machine Learning? ¿Qué es Inteligencia Artificial? Ramas del ML: supervisado, no supervisado, refuerzo Tipos de problemas que veremos Contexto histórico y dilemas éticos	Slides — Contexto del ML Taller 1 — Repaso de Python
Clase 2	Estadísticas descriptivas Construcción de variables Manejo de valores faltantes Visualizaciones exploratorias	Slides — Bases de datos Notebook — Datos y visualización
Clase 3	K-Vecinos más cercanos (KNN) Introducción a Scikit-Learn Modelos lineales (regresión y logística) Validación cruzada	Slides — Modelos lineales Notebook — Modelos lineales
Clase 4	Fine tuning de hiperparámetros Trade-off sesgo–varianza Grid search Métricas de evaluación	Slides — Métricas Notebook — Fine tuning
Clase 5	Regularización Ridge, Lasso y Elastic Net	Slides — Regularización Notebook — Regularización
Clase 6	Modelos de clasificación Árboles de decisión Importancia de variables Taller de regularización	Slides — Clasificación Slides — Árboles Notebook — Clasificación Taller regularización
Clase 7	Bosques aleatorios y Boosting (Gradient Boosting) Introducción al análisis no supervisado PCA	Slides — Gradient boosting trees Notebook — Árboles, Random Forest y Boosting Notebook — Análisis No Supervisado Notebook — Ejemplo PCA
Clase 8	K-Means Coeficiente de Silhouette Continuación de PCA	Slides — ANS 101 Notebook — Análisis No Supervisado Notebook — Ejemplo PCA
Clase 9	LLMs y ChatGPT Prompt Engineering Construcción de un OrderBot	Slides — Qué hace ChatGPT y por qué funciona Notebook — Prompt Engineering Notebook — OrderBot

Agradecimientos🫂

El material acá consignado ha sido el esfuerzo colaborativo de varias generaciones de Quantileros. En esta sección se le quiere hacer una mención especial a Julian Chitiva y a Juan Sebastian Moreno por la estructuración de gran parte del material del curso.

Nota: Este repositorio no reemplaza el curso pues carece de sesiones de clase sincronicas, el contenido audiovisual asincronico, el trabajo en equipo y las retroalimentaciones del equipo docente. No obstante, el material acá consignado es una buena introducción para todo aquel que desee aprender Python.