Python para Data Science

Nivel: Introductorio - Intermedio
Requisitos: Conocimientos básicos de programación

---

Sesión 1: Fundamentos de Python

Objetivos de aprendizaje

• Comprender la sintaxis básica de Python
• Trabajar con estructuras de datos fundamentales
• Manipular archivos del sistema

Contenido

1. Introducción a Python

• ¿Qué es Python y por qué es ideal para Data Science?
• Configuración del entorno (Python, VS Code)
• Tu primer script en Python

2. Estructuras de Datos

• Variables y tipos de datos: int, float, str, bool
• Colecciones:
  • Listas: creación, indexación, slicing, métodos principales
  • Tuplas: inmutabilidad y casos de uso
  • Diccionarios: clave-valor, operaciones CRUD
  • Sets: eliminación de duplicados y operaciones de conjunto
• Control de flujo: if/elif/else, bucles for/while, comprehensions

3. Funciones y Módulos

• Definición y llamada de funciones
• Parámetros posicionales y nombrados
• Importación de módulos estándar

4. Archivos y Entrada/Salida

• Leer y escribir archivos de texto (.txt, .csv)
• Manejo de rutas con pathlib
• Context managers (with statement)
• Trabajo con JSON

---

Sesión 2: Python para Data Science

Objetivos de aprendizaje

• Procesar y analizar datos con pandas
• Crear visualizaciones efectivas
• Construir modelos de machine learning básicos
• Integrar herramientas de IA para automatización

Contenido

1. pandas: El núcleo del análisis de datos

• Series y DataFrames: creación y manipulación
• Importación de datos: CSV, Excel, JSON
• Limpieza de datos:
  • Manejo de valores nulos
  • Eliminación de duplicados
  • Transformación de tipos
• Selección y filtrado: loc, iloc, boolean indexing
• Agrupaciones y agregaciones: groupby, pivot tables
• Combinations de datos: merge, concat, join

2. Visualización de Datos

• Matplotlib: figuras, subplots, personalización
• Seaborn: gráficos estadísticos atractivos
• Plotly: visualizaciones interactivas
• Mejores prácticas para comunicar resultados

3. Machine Learning con Scikit-Learn

• Introducción al ML: tipos de aprendizaje
• Preprocesamiento: escalado, encoding, train/test split
• Modelos básicos:
  • Regresión lineal
  • Clasificación (KNN, Árboles de decisión)
• Evaluación de modelos: métricas comunes
• Pipeline de ML end-to-end

4. IA y Automatización con LangGraph

• ¿Qué son los agentes de IA?
• Introducción a LangGraph para flujos de trabajo
• Casos de uso en Data Science
• Demo: automatizando análisis con agentes

---

Extra: Asistentes de Código

Herramientas recomendadas para mejorar tu productividad como desarrollador Python.

Provider	Herramienta	Extensión VS Code	TUI / App	Plan Gratuito	Plan de Pago
Anthropic	Claude Code	✅	TUI	Limitado (API-based)	Claude Pro ($20/mes), Max ($150/mes)
OpenCode	OpenCode	✅	TUI	Ilimitado (Local)	Zen (Pay-as-you-go)
OpenAI	Codex (2026)	✅	macOS App/CLI	Sí (generoso para Plus)	$20 (Plus) / $200 (Pro)
Anysphere	Cursor	N/A (IDE)	IDE	2000 completions	$20/mes
Google	Gemini Code Assist	✅	N/A	Alto (vía GCP)	$19/mes
Microsoft	GitHub Copilot	✅	N/A	Limitado (Estudiantes/OSS)	~$10-20/mes

---

Recursos Adicionales

Bibliotecas esenciales para Data Science

• NumPy: Computación numérica
• SciPy: Estadística y científica
• Statsmodels: Modelos estadísticos
• XGBoost/LightGBM: Gradient boosting
• NetworkX: Análisis de redes

Entornos de desarrollo recomendados

• VS Code: Editor polivalente con extensiones
• Jupyter Notebook/Lab: Ideal para análisis exploratorio
• Google Colab: Notebooks en la nube gratuitos

---

data_science_python