• Motivación
  • De los datos a la información
  • Datos, información y programación ¿Cómo conviven hoy estos elementos en el mundo laboral?
  • ¿Qué es la programación?
  • Aplicaciones prácticas
  • La programación en el mundo laboral y cómo debe convertirse en un hábito
• Secuencias de comandos en Python
• Operaciones básicas
• Creación y asignación de variables
• Operaciones lógicas

• Control de Flujo:
  • If
  • Else
  • Elif
  • Uso en conjunto
• Ciclos:
  • While
  • For

• Tipos de datos: Enteros, decimales, textos y listas.
• “Strings”
  • ¿Qué es un string?
  • Funciones básicas de un string
  • Funciones avanzadas de un string
• Funciones
  • ¿Qué es una función?
  • ¿Por qué ocupar funciones?
  • Declaración y uso de funciones
• Listas
  • Creación de listas
  • Obtener elementos
  • Añadir elementos o quitar elementos
  • Operaciones sobre listas

• Listas de listas
• Archivos
  • Cómo se interactúa con archivos y para qué sirven
  • Leer archivos
  • Escribir archivos
• Procesamiento de datos
  • Carga masiva
  • Edición masiva
  • Ejemplos prácticos

• Listas y listas de listas
• Manipulación de listas
• Funciones sobre listas
• Diccionarios
• Operaciones sobre diccionarios
• Aplicaciones de diccionarios
• Aplicaciones con listas y diccionarios
• Tuplas como tipo de dato inmutable
• Operaciones sobre tuplas
• Combinando listas, tuplas y diccionarios

• Concepto de función
• Definición de funciones
• Parámetros y valores de retorno
• Importación y llamado de módulos
• Invocación de funciones y scope
• Parámetros con nombre y parámetros por defecto
• Funciones recursivas
• Aplicación de funciones

Se realizan tres clases en vivo. La primera como ayuda para el primer proyecto de programación con estructuras de datos secuenciales y no secuenciales. La segunda, para apoyar el segundo proyecto acerca de programación orientada a objetos. Y la tercera, como ayuda para el proyecto final. Durante las clases en vivo los estudiantes pueden resolver dudas prácticas respecto a la materia y sus proyectos.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El primero relacionado con el uso de estructuras secuenciales y no secuenciales. El segundo, con programación orientada a objetos. El último proyecto tiene características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. La evaluación se complementa, además, con cuestionarios de alternativas que miden comprensión sobre los conceptos de cada semana.

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, la forma correcta del uso de algunas herramientas, etc.

Los participantes deben aplicar los conocimientos aprendidos en tres trabajos o miniproyectos concretos. El primer trabajo (miniproyecto 1) consiste en construir una base de datos a partir de data en formato csv y luego escribir un programa Python que se conecte con dicha base de datos para agregar nuevas filas y formular algunas consultas simples. En el segundo (miniproyecto 2), se trabaja con un dataset más complejo que da origen a una BD con varias tablas y, además, de interactuar desde Python en forma simple, se usa la librería Pandas. En el tercer trabajo (miniproyecto 3), la data debe obtenerse desde una API JSON y se debe escribir un programa Python que cargue esa información en un motor MongoDB para luego hacer consultas sobre él.

• Conceptos fundamentales de bases de datos
• El modelo relacional
• MySQL desde el Workbench

• Introducción al lenguaje SQL
• Creación de una base de datos desde Python
• Tablas y tipos de datos
• Creación de tablas desde Python
• Agregar y eliminar información a una tabla desde Python

• Introducción a Pandas y dataframes
• SQL joins
• Transacciones en bases de datos
• Eliminación y modificación de filas en una tabla

• Operaciones de conjunto y cláusulas de agrupación
• Ordenamiento y agrupación
• Carga de contenido CSV desde una API Web
• Procesamiento de un archivo en formato CSV

• Bases de datos NoSQL
• Introducción a MongoDB
• El formato JSON
• MongoDB desde Python

• MongoDB y desde una API en la web y procesarla con un programa Python
• Conectando con MongoDB
• Interactuando con el motor MongoDB desde un programa
• Procesamiento de JSON desde Python
• Extracción de JSON desde una API web

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. Los miniproyectos estarán enfocados en: procesar y consolidar datos aplicando ETL (extracción, transformación y carga de datos); utilizar el algoritmo Random Forest y KNN para dos casos propuestos, y realizar el preprocesamiento de una base de datos propuesta, aplicando dos algoritmos de los vistos en clases para así mostrar sus rendimientos a través de evaluar al clasificador y presentar las métricas, pudiendo establecer una comparación de rendimiento entre los dos algoritmos elegidos.

• Preprocesamiento de datos
• Selección y transformación de datos

• Árbol de decisión
• KNN
• Random Forest

• Clustering
• K-means
• Clustering jerárquico

• Modelo de entrenamiento
• Métricas de evaluación