Curso de Data Science con Python para tu equipo de datos

Instalar y configurar Python con entornos aislados para evitar conflictos de dependencias entre proyectos.

Comparar uv, conda, venv y pip como opciones de gestión de entornos, paquetes y reproducibilidad.

Preparar JupyterLab para análisis exploratorio, prototipado, documentación viva y comunicación técnica.

Configurar Visual Studio Code para notebooks, scripts, depuración, linting, formateo, tests y control de versiones.

Crear una estructura de proyecto limpia con carpetas para datos, notebooks, código fuente, modelos, informes, configuración y documentación.

Versionar el proyecto con Git, evitando subir datasets grandes, credenciales, salidas temporales o información sensible.

Gestionar dependencias con `pyproject.toml`, `requirements.txt`, `environment.yml` o herramientas corporativas.

Separar notebooks exploratorios de código reutilizable para que el análisis no dependa de celdas ejecutadas manualmente.

Documentar instalación, ejecución, fuentes de datos, parámetros, resultados y decisiones técnicas del proyecto.

Preparar una plantilla corporativa de proyecto Data Science lista para reutilizar en nuevos análisis.

Trabajar con tipos de datos, listas, tuplas, diccionarios, conjuntos, strings, fechas y estructuras anidadas.

Crear funciones claras, pequeñas y reutilizables para limpieza, transformación, validación, cálculo de métricas y generación de informes.

Usar comprensión de listas, generadores e iteradores cuando aportan legibilidad y eficiencia.

Manejar errores con excepciones controladas, mensajes útiles y validaciones antes de procesar datos.

Leer y escribir archivos CSV, JSON, Excel, Parquet y texto plano con control de codificación, separadores y formatos.

Aplicar expresiones regulares para extraer, normalizar o validar patrones en datos textuales.

Organizar código en módulos, paquetes y scripts ejecutables para evitar notebooks imposibles de mantener.

Usar logging en lugar de prints cuando el análisis pasa a automatización, API o proceso programado.

Incorporar type hints y docstrings para mejorar claridad, revisión y mantenimiento del código.

Crear utilidades reutilizables para carga de datos, limpieza básica, validación de columnas y generación de reportes.

Comprender arrays, dimensiones, shapes, dtypes y operaciones vectorizadas como base del cálculo científico en Python.

Crear arrays desde listas, rangos, distribuciones aleatorias, ficheros y resultados de otros procesos.

Aplicar indexación, slicing, máscaras booleanas y broadcasting para transformar datos sin bucles innecesarios.

Calcular estadísticos, agregaciones, operaciones matemáticas, álgebra lineal y transformaciones numéricas.

Gestionar valores especiales como `NaN`, infinitos, máscaras y conversiones de tipo de dato.

Evitar operaciones ineficientes cuando un cálculo puede resolverse de forma vectorizada.

Medir uso de memoria y rendimiento al trabajar con arrays grandes o simulaciones numéricas.

Conectar NumPy con pandas, scikit-learn, SciPy, Matplotlib y librerías de deep learning.

Generar datos sintéticos para probar modelos, validar funciones y crear escenarios reproducibles.

Construir un módulo de cálculo numérico para métricas, simulaciones, transformaciones y validaciones de datos.

Trabajar con Series y DataFrames como estructuras centrales para análisis de datos tabulares.

Importar datos desde CSV, Excel, JSON, Parquet, SQL y APIs, controlando tipos, fechas, nulos y codificación.

Aplicar selección, filtrado, ordenación, creación de columnas, asignaciones seguras y transformaciones encadenadas.

Entender el comportamiento moderno de pandas con Copy-on-Write y evitar patrones ambiguos de modificación de datos.

Gestionar valores nulos, duplicados, outliers, formatos inconsistentes, columnas mal tipadas y categorías poco fiables.

Usar `groupby`, agregaciones, ventanas, pivot tables, joins, merges y concatenaciones para análisis de negocio.

Trabajar con fechas, calendarios, periodos, zonas horarias, ventanas temporales y frecuencias.

Optimizar memoria mediante categorías, tipos numéricos adecuados, lectura por chunks y formatos columnares.

Crear pipelines de transformación claros, auditables y repetibles usando funciones y pasos documentados.

Preparar un dataset limpio, validado y enriquecido a partir de fuentes heterogéneas de laboratorio.

Identificar cuándo pandas es suficiente y cuándo conviene usar Polars, PyArrow o DuckDB por volumen, rendimiento o consultas SQL.

Trabajar con formatos columnares como Parquet para reducir espacio, acelerar lectura y conservar tipos de datos.

Usar Polars en modo eager y lazy para transformar datos con expresiones eficientes y planes optimizados.

Consultar archivos CSV, Parquet y datasets locales con DuckDB sin cargarlo todo manualmente en memoria.

Combinar SQL y Python para análisis exploratorio, agregaciones, joins, filtros y extracción de subconjuntos.

Diseñar flujos híbridos donde DuckDB filtra y agrega, Polars transforma rápido y pandas se usa para compatibilidad analítica.

Evitar cargar datasets completos si el análisis puede resolverse con proyección de columnas, filtros y particionado.

Gestionar particiones por fecha, cliente, producto o región para mejorar rendimiento y mantenibilidad.

Comparar tiempos, memoria y claridad entre pandas, Polars y DuckDB en un mismo caso de negocio.

Construir un pipeline analítico sobre datos en Parquet con consultas SQL, transformaciones lazy y salida preparada para modelado.

Definir reglas de calidad: completitud, unicidad, validez, consistencia, precisión, integridad referencial y actualidad.

Detectar datos faltantes, duplicados, outliers, formatos incorrectos, categorías inconsistentes y relaciones imposibles.

Crear validaciones automáticas para columnas obligatorias, rangos permitidos, claves únicas, fechas coherentes y dominios controlados.

Aplicar imputación de valores nulos según contexto: media, mediana, moda, modelos, reglas de negocio o categoría “desconocido”.

Normalizar nombres, direcciones, teléfonos, emails, códigos, monedas, unidades y textos libres.

Tratar outliers diferenciando error de captura, valor extremo legítimo, evento anómalo y patrón de negocio relevante.

Evitar borrar registros sin documentar impacto, criterio, volumen afectado y posible sesgo introducido.

Crear reportes de calidad para negocio con errores detectados, acciones aplicadas y datos pendientes de validación.

Automatizar limpieza mediante funciones, pipelines y pruebas para que el proceso sea repetible.

Construir una capa de validación que bloquee datasets no aptos antes de entrenar modelos o generar informes.

Aplicar estadística descriptiva para entender distribución, tendencia central, dispersión, percentiles y variabilidad.

Visualizar histogramas, boxplots, densidades, dispersión, correlaciones, series temporales y relaciones entre variables.

Diferenciar correlación, causalidad, asociación espuria, efecto de segmento y sesgo de selección.

Plantear hipótesis de negocio y contrastarlas con datos, visualizaciones, tests estadísticos y análisis por grupos.

Usar intervalos de confianza, pruebas de hipótesis, p-valores y tamaño del efecto con interpretación prudente.

Analizar variables categóricas, numéricas, temporales y mixtas con técnicas adecuadas a cada tipo.

Detectar patrones ocultos mediante segmentación exploratoria, análisis de cohortes, ranking, variaciones y comparativas.

Evitar conclusiones basadas en muestras pequeñas, datos no representativos o visualizaciones engañosas.

Crear notebooks de EDA que expliquen qué se analiza, qué se observa, qué dudas quedan y qué decisiones se proponen.

Construir un informe exploratorio completo con hallazgos, hipótesis, riesgos de dato y recomendaciones de siguiente paso.

Elegir gráficos adecuados según objetivo: comparación, evolución, distribución, composición, relación, ranking o anomalía.

Usar Matplotlib y Seaborn para visualizaciones estadísticas, exploratorias y publicables.

Incorporar Plotly, Altair o herramientas interactivas cuando el usuario necesita explorar filtros, detalles y comparativas.

Diseñar gráficos con títulos claros, unidades, escalas legibles, leyendas útiles y foco en la pregunta de negocio.

Evitar visualizaciones decorativas que impresionan pero no ayudan a decidir.

Construir dashboards ligeros con Streamlit o notebooks interactivos para revisar resultados con usuarios no técnicos.

Preparar narrativas ejecutivas que conecten dato, hallazgo, impacto, limitación y acción recomendada.

Adaptar la comunicación al público: equipo técnico, dirección, usuario operativo, área financiera o cliente interno.

Documentar supuestos, filtros, exclusiones, calidad de dato y límites de interpretación en cada entregable.

Crear una presentación final de resultados con visualizaciones, insight principal, riesgos y próximos pasos.

Transformar variables brutas en características útiles para capturar patrones de negocio y mejorar modelos.

Codificar variables categóricas mediante one-hot encoding, ordinal encoding, target encoding o embeddings según caso.

Escalar variables numéricas con standardization, normalization, robust scaling o transformaciones logarítmicas.

Crear variables temporales como día, semana, estacionalidad, antigüedad, recencia, frecuencia y ventanas móviles.

Generar variables agregadas por cliente, producto, tienda, canal, dispositivo, cuenta o periodo temporal.

Tratar datasets desbalanceados con técnicas de muestreo, ponderación de clases, métricas adecuadas y umbrales ajustados.

Separar correctamente train, validation y test para evitar fuga de información, especialmente en datos temporales o por cliente.

Usar pipelines de scikit-learn para encapsular preprocesamiento, imputación, escalado, codificación y modelo.

Evitar transformar datos usando información del conjunto de test o del futuro.

Construir un pipeline de preparación completo con validación, transformación, features y salida lista para modelado.

Diferenciar problemas de regresión, clasificación binaria, multiclase, multilabel y ranking según objetivo de negocio.

Entrenar modelos base como regresión lineal, regresión logística, árboles de decisión, random forest, gradient boosting, SVM y KNN.

Crear baselines simples antes de usar modelos complejos para comprobar si realmente se aporta valor.

Evaluar regresión con MAE, RMSE, MAPE, R² y análisis de errores por segmento.

Evaluar clasificación con accuracy, precision, recall, F1, ROC-AUC, PR-AUC, matriz de confusión y curvas de calibración.

Ajustar umbrales de decisión según coste de falso positivo, falso negativo, capacidad operativa y prioridad de negocio.

Aplicar validación cruzada, grid search, randomized search y búsqueda bayesiana cuando el caso lo justifica.

Evitar sobreajuste mediante regularización, validación, control de complejidad, reducción de leakage y análisis de estabilidad.

Interpretar resultados por segmentos para detectar sesgos, degradación de rendimiento y casos donde el modelo falla.

Construir un modelo supervisado completo con pipeline, métrica principal, validación, ajuste y explicación de resultados.

Usar modelos ensemble como random forest, gradient boosting, XGBoost, LightGBM o CatBoost cuando aportan mejora real.

Comparar rendimiento, interpretabilidad, coste computacional, facilidad de despliegue y sensibilidad a hiperparámetros.

Analizar importancia de variables con métodos nativos, permutation importance, SHAP o técnicas equivalentes.

Explicar predicciones individuales y comportamiento global del modelo para usuarios de negocio, auditoría y equipos técnicos.

Detectar variables proxy que puedan introducir sesgos, discriminación o decisiones difíciles de justificar.

Evaluar calibración de probabilidades cuando el modelo se usa para scoring, priorización o asignación de recursos.

Crear análisis de errores para entender falsos positivos, falsos negativos, predicciones extremas y segmentos débiles.

Evitar modelos muy complejos si no mejoran de forma significativa frente a alternativas simples y explicables.

Documentar el modelo con dataset, features, métrica, limitaciones, versión, supuestos y uso previsto.

Construir un modelo avanzado con explicabilidad, comparación frente a baseline y recomendación de uso empresarial.

Aplicar clustering para segmentación de clientes, productos, comportamientos, tickets, tiendas, proveedores o patrones de uso.

Usar K-Means, clustering jerárquico, DBSCAN, Gaussian Mixture Models u otros algoritmos según geometría y objetivo.

Evaluar clusters con silhouette, Davies-Bouldin, estabilidad, interpretabilidad y utilidad de negocio.

Reducir dimensionalidad con PCA, UMAP o t-SNE para exploración, visualización y comprensión de estructuras complejas.

Detectar anomalías con Isolation Forest, Local Outlier Factor, modelos estadísticos o reglas híbridas.

Diferenciar anomalía estadística, fraude, error de dato, evento raro y comportamiento legítimo de alto impacto.

Evitar crear segmentos que son matemáticamente correctos pero imposibles de accionar por negocio.

Crear perfiles de cluster con variables descriptivas, tamaño, valor, riesgo, comportamiento y acciones recomendadas.

Documentar limitaciones de modelos no supervisados, especialmente ausencia de verdad conocida y sensibilidad a escalado.

Construir una segmentación completa con interpretación, visualización, validación y propuesta de actuación.

Preparar datos temporales con frecuencia coherente, fechas limpias, huecos, duplicados, zonas horarias y agregaciones correctas.

Analizar tendencia, estacionalidad, ciclos, festivos, rupturas, outliers y efectos de calendario.

Crear modelos de forecast con métodos estadísticos, machine learning con features temporales y modelos especializados.

Evaluar predicciones temporales con backtesting, ventanas móviles, MAE, RMSE, MAPE, sMAPE y errores por horizonte.

Evitar dividir datos temporales aleatoriamente cuando el objetivo es predecir el futuro.

Incorporar variables exógenas como campañas, precios, festivos, clima, stock, eventos o cambios operativos.

Detectar cambios de tendencia, rupturas, picos anómalos, caídas inesperadas y comportamientos fuera de patrón.

Crear intervalos de predicción y escenarios optimista, esperado y conservador para apoyar planificación.

Documentar límites de forecast cuando hay poco histórico, cambios de negocio, datos inestables o eventos externos.

Construir un sistema de predicción de demanda o volumen operativo con backtesting y visualización de incertidumbre.

Preparar texto mediante limpieza, normalización, tokenización, lematización, eliminación de ruido y tratamiento de idiomas.

Crear modelos clásicos con Bag of Words, TF-IDF, n-grams, regresión logística, SVM o modelos de clasificación supervisada.

Usar spaCy, scikit-learn y librerías modernas para clasificación, extracción de entidades, similitud y análisis de documentos.

Aplicar embeddings para representar texto en espacios vectoriales útiles para búsqueda, clustering, recomendación y clasificación.

Crear análisis de sentimiento, detección de intención, clasificación de tickets, agrupación de comentarios y resumen de feedback.

Evaluar modelos de texto con métricas adecuadas, revisión manual, matriz de errores y análisis de etiquetas ambiguas.

Evitar entrenar modelos de NLP con datos sensibles sin anonimización, permisos y control de retención.

Diseñar sistemas de búsqueda semántica con embeddings, índices vectoriales y validación de respuestas relevantes.

Comparar enfoque clásico, embeddings y modelos generativos según coste, precisión, privacidad y mantenimiento.

Construir un clasificador de tickets o comentarios con limpieza, embeddings, evaluación y propuesta de integración operativa.

Usar LLMs como apoyo al análisis, generación de hipótesis, explicación de código, documentación, resumen y exploración de datasets.

Diseñar prompts seguros para analizar datos sin incluir información personal, credenciales, contratos o datos confidenciales.

Combinar Python con APIs de modelos para clasificación, extracción, resumen, generación de etiquetas o asistencia analítica.

Evaluar resultados generativos con datasets de prueba, revisión humana, criterios de calidad y trazabilidad de prompts.

Construir flujos RAG básicos con documentos, embeddings, recuperación, contexto, respuesta y evaluación.

Evitar usar LLMs como fuente de verdad cuando la respuesta debe estar respaldada por datos, cálculos o fuentes verificables.

Medir coste, latencia, calidad, sesgos, estabilidad y riesgo de depender de proveedores externos.

Crear notebooks asistidos por IA sin perder comprensión del código ni reproducibilidad del análisis.

Documentar prompts, modelos, versiones, parámetros, entradas, salidas y decisiones tomadas a partir de IA generativa.

Construir una solución de análisis documental con embeddings, búsqueda semántica, resumen y evaluación manual.

Comprender redes neuronales, capas, activaciones, pérdida, optimizadores, entrenamiento, validación y regularización.

Diferenciar cuándo tiene sentido usar deep learning frente a modelos clásicos de scikit-learn.

Crear modelos básicos de clasificación y regresión con Keras o PyTorch sobre datasets tabulares, texto o imágenes sencillas.

Usar GPU cuando esté disponible, entendiendo memoria, batches, tiempos de entrenamiento y limitaciones del entorno.

Aplicar técnicas de regularización como dropout, early stopping, weight decay, normalización y data augmentation cuando proceda.

Monitorizar entrenamiento mediante curvas de pérdida, métricas, overfitting, underfitting y comportamiento por época.

Reutilizar modelos preentrenados para transferencia de aprendizaje en visión, texto o embeddings.

Evitar redes neuronales complejas si el dataset es pequeño, poco limpio o no justifica el coste de entrenamiento.

Documentar arquitectura, hiperparámetros, dataset, métricas, hardware y limitaciones del modelo.

Construir un modelo deep learning sencillo con validación, comparación frente a baseline y análisis de errores.

Registrar experimentos con parámetros, métricas, artefactos, datasets, código, modelos y resultados comparables.

Usar MLflow o herramientas equivalentes para tracking, evaluación, empaquetado y gestión del ciclo de vida del modelo.

Versionar datasets, features, modelos, notebooks, scripts y configuraciones para poder reproducir resultados.

Crear APIs con FastAPI para exponer modelos como servicios internos con validación de entrada y respuesta estructurada.

Crear aplicaciones de demostración con Streamlit o Gradio para validar modelos con usuarios de negocio.

Empaquetar soluciones con Docker cuando se necesita portabilidad, despliegue controlado y separación de dependencias.

Monitorizar modelos en producción con métricas de rendimiento, latencia, errores, drift de datos y drift de predicción.

Definir procesos de retraining, rollback, revisión humana, aprobación y retirada de modelos obsoletos.

Evitar desplegar modelos sin alertas, logs, métricas, documentación, owner y plan de soporte.

Construir un flujo MLOps completo con experimento registrado, modelo empaquetado, API, demo, métricas y plan de monitorización.

Seleccionar un caso de negocio realista: churn, demanda, fraude, tickets, ventas, inventario, satisfacción, finanzas o mantenimiento.

Definir pregunta de negocio, usuarios finales, decisión a mejorar, coste del error, métrica de éxito y limitaciones.

Preparar fuentes de datos en CSV, Parquet, SQL o API, documentando origen, calidad, cobertura, permisos y riesgos.

Crear EDA completo con análisis estadístico, visualizaciones, hipótesis, anomalías, segmentos y hallazgos principales.

Construir pipeline de limpieza, validación, feature engineering y división de datos sin fuga de información.

Entrenar varios modelos, comparar baseline, seleccionar métrica principal y ajustar hiperparámetros con validación correcta.

Explicar resultados con interpretabilidad, análisis de errores, segmentos débiles, limitaciones y recomendaciones de uso.

Desplegar una demo o API básica que permita probar predicciones, visualizar resultados y revisar casos concretos.

Crear documentación técnica y ejecutiva con arquitectura, datos, modelo, métricas, riesgos, privacidad y próximos pasos.

Presentar el proyecto final con storytelling, impacto de negocio, evidencias, decisiones, plan de despliegue y mejora continua.