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.

• Listas y aplicaciones
• Tuplas y aplicaciones
• Colas y aplicaciones
• Comparación de estructuras secuenciales

• Hash e inmutabilidad
• Sets y aplicaciones
• Diccionarios y aplicaciones
• Comparación de estructuras secuenciales y no secuenciales

• Clases
• Atributos
• Métodos
• Implementación de clases, objetos, atributos y métodos

• Programa que usa un objeto de una clase
• Programa con objetos que contienen estructuras de datos
• Programa con objetos que interactúan con otros objetos
• Herencia

• Módulos
• Paquetes
• Bibliotecas existentes
• Importación de módulos y paquetes

• Definición de un proyecto
• Diseño del proyecto
• Implementación del proyecto
• Ejecución del proyecto completo

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.

• Bases de datos y motores de bases de datos
• Modelos de dato
• El modelo relacional
• Introducción al lenguaje

• El lenguaje standard SQL
• Interactuando con el motor: SQL desde el workbench
• Conexión con el motor desde un programa Python
• Creación, eliminación y consultas

• Consultas que involucran más de una tabla
• La necesidad de transacciones
• Propiedades ACID
• Introducción al uso de dataframes en Pandas

• Operadores de conjunto
• Operadores de agregación
• Carga y procesamiento en Python de información en formato csv
• Carga y procesamiento en Python de información que viene de una API

• Bases de datos NoSQL
• El motor MongoDB
• El formato JSON
• Interacción con MongoDB desde un programa Python

• Conexión con el motor
• Consultas simples
• Extracción de contenido JSON desde una API
• Procesamiento de contenido JSON en Python

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.

• Video bienvenida al curso
• Integración de datos, data warehouse
• Selección y transformación de datos
• Install Python Windows
• Install Python MAC OS y Linux
• Ejemplo práctico uso de dataframes

• Preparación de datos: normalización, codificación e imputación de datos
• PCA y t-SNE
• ETL
• Ejemplo práctico PCA
• Ejemplo práctico t-SNE
• Ejemplo práctico ETL

• Reglas de asociación: Apriori
• Reglas de asociación: FP-Growth
• Reglas de asociación: ECLAT
• Ejemplo práctico Apriori
• Ejemplo práctico ECLAT
• Ejemplo práctico FP-Growth

• Árboles de decisión
• Random Forest
• KNN y Kd-tree
• Ejemplo práctico árboles de decisión
• Ejemplo práctico Random Forest
• Ejemplo práctico KNN

• KMeans
• Clustering jerárquico
• DBSCAN
• Ejemplo práctico KMeans
• Ejemplo práctico clustering jerárquico
• Ejemplo práctico DBSCAN

• Introducción a machine learning: modelos supervisados y no supervisados
• Evaluación de clasificadores
• Métricas
• Ejemplo práctico evaluación clasificadores
• Ejemplo práctico métricas