Taller Fundamentos de Data Science con Python

Repositorio oficial del taller “Fundamentos de Data Science con Python”, orientado a académicas/os y profesionales que desean incorporar herramientas de análisis de datos y modelos de IA en su práctica educativa.

Este repositorio contiene:

• Presentaciones en formato PDF.
• Notebooks de Google Colab / Jupyter (.ipynb).
• Conjuntos de datos de ejemplo (.csv).
• Actividades prácticas y material integrador.

---

🎥 Lista de reproducción (YouTube)

Las clases grabadas del taller se encuentran disponibles en la siguiente lista de reproducción:

👉 Ver Lista de Reproducción

Se recomienda seguir el orden de las sesiones y trabajar en paralelo con los notebooks disponibles en este repositorio.

---

Objetivos del taller

Al finalizar el taller, las y los participantes serán capaces de:

1. Comprender los conceptos básicos de Ciencia de Datos y su aplicación en contextos educativos.
2. Manipular y explorar datos utilizando Python, pandas y librerías asociadas.
3. Implementar modelos básicos de Machine Learning (regresión y clasificación).
4. Entender la lógica de las redes neuronales MLP y entrenar un modelo simple.
5. Comprender el funcionamiento de las redes neuronales convolucionales (CNN) y aplicar Transfer Learning con modelos preentrenados (MobileNetV2, EfficientNetB0).
6. Analizar críticamente los riesgos, sesgos e implicancias éticas del uso de IA en educación.
7. Desarrollar un mini–proyecto integrador de Ciencia de Datos aplicado a un problema real o educativo.

---

Perfil de participantes

• Docentes de educación superior, docentes escolares, profesionales o asistentes académicos.
• Interés en análisis de datos, evaluación, investigación educativa o innovación docente.
• No se requiere experiencia previa en programación avanzada, pero sí disposición a trabajar con ejemplos prácticos en Python.

---

Estructura de carpetas del repositorio

Taller-Fundamentos-Data-Science-Python/
│
├── README.md
├── LICENSE
│
├── 00_Documentacion/
│   └── Descriptor-Taller.pdf
├── 01_Presentaciones/
│   ├── Sesion1_Introduccion_Python.pdf
│   ├── Sesion2_EDA.pdf
│   ├── Sesion3_ML.pdf
│   ├── Sesion4_DL.pdf
│   ├── Sesion5_CNN.pdf
│   └── Sesion6_Proyecto-Final.pdf
│
├── 02_Datasets/
│   ├── datos_estudiantes_200.csv
│   ├── datos_estudiantes_200_eda.csv
│   ├── datos_estudiantes_practica.csv
│   ├── datos_taller_integrador_STEM.csv
│   ├── Ejemplo1.csv
│   └── Ejemplo2.csv
│
├── 03_Notebooks/
│   ├── 01_Sesion_01.ipynb
│   ├── 02_Sesion_02.ipynb
│   ├── 03_Sesion_03.ipynb
│   ├── 04_Sesion_04.ipynb
│   └── 05_Sesion_05.ipynb
│
├── 04_Ejercicios_Practicos/
│   ├── 01_Sesion1_Guion_Practica.ipynb
│   ├── 02_Sesion2_Guion_Practica.ipynb
│   ├── 03_Sesion3_Guion_Practica.ipynb
│   ├── 04_Sesion4_Guion_Practica.ipynb
│   └── 05_Sesion5_Guion_Practica.ipynb
│
├── 05_Imagenes/
│   └── Set Imágenes para Clasificación
│
└── 06_Actividad_Final/
    ├── README.md
    ├── Taller_Integrador_STEM_PLANTILLA.ipynb
    └── RUBRICA.md

---

Descripción de cada carpeta

01_Presentaciones/

Presentaciones de cada sesión en formato PDF, pensadas para consulta posterior al taller.

---

02_Datasets/

Conjuntos de datos de ejemplo utilizados en las actividades prácticas.
Incluye solo datos anonimizados o sintéticos, aptos para uso docente.

---

03_Notebooks/

Notebooks base empleados durante las sesiones:

• Sesión 1: Introducción a Python y manipulación básica de datos.
• Sesión 2: Análisis Exploratorio de Datos (EDA) y visualización.
• Sesión 3: Modelos de Machine Learning clásicos.
• Sesión 4: Redes neuronales MLP con TensorFlow/Keras.
• Sesión 5: CNN, Transfer Learning (MobileNetV2, EfficientNetB0) y ética en IA.
• Sesión 6: Taller integrador y mini–proyecto de Ciencia de Datos.

Cada notebook incluye instrucciones y comentarios en español.

---

04_Ejercicios_Practicos/

Notebook con ejercicios prácticos para cada sesión del curso.

---

05_Imagenes/

Conjunto de imágenes para trabajar en Sesión 5 (CNN).

---

06_Actividad_Final/

Material asociado al taller integrador:

• Diccionario de datos.
• Notebook plantilla para el proyecto.
• Rúbrica o criterios de evaluación.

---

Cómo usar este repositorio

1. Clonar o descargar el repositorio

git clone https://github.com/juliopez/Taller-Fundamentos-Data-Science-Python.git
cd Taller-Fundamentos-Data-Science-Python

2. Abrir los notebooks

Puedes abrir los notebooks:

• Localmente (Jupyter Notebook / VS Code), o
• Directamente en Google Colab, recomendado para evitar configuraciones locales.

---

3. Revisar los datasets

Accede a la carpeta: 02_Datasets/

Allí encontrarás los archivos .csv utilizados en cada sesión.

---

4. Seguir las instrucciones de cada notebook

Cada notebook contiene indicaciones, comentarios y pasos descritos en español para guiar el trabajo práctico.

---

Autoría

Autor: Dr. Julio Lopez-Nunez
Institución: Universidad de las Américas - Chile
Año: 2025

Para consultas o comentarios:
📩 julio.lopez-nunez@uni-konstanz.de

---

📄 Licencia

Este proyecto se distribuye bajo la siguiente licencia:

• MIT (para el código)
• Creative Commons BY-SA 4.0 (para documentos y presentaciones)

Revisa el archivo LICENSE para más detalles.

---