pcd202701

KO | EN

gitlite — search

#monitoring #data-science #bash #ai #macos #api #artificial-intelligence #java #devops #cpp

(★ 9)

No description available.

File Explorer

ZIP Download

- equipos.txt
- PlaneacionPCDAlumnos.md
- - week01_terminal_vscode_venv.md
- - week02_git_github.md
- - week03_python_fundamentos.ipynb
.gitignore
README.md

# Use via CDN

jsDelivr

jsDelivr serves any public GitHub repository as a CDN with zero setup. Pick a version and a file to get a ready-to-paste link and snippet.

Version

File

Link

Example

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

**Instituto Politécnico Nacional**

**Periodo:** agosto — diciembre 2026

**Modalidad:** presencial

**Duración:** 16 semanas (48 sesiones de 90 minutos)

**Horario:** martes, miércoles y viernes

---

## Descripción del curso

Este curso introduce a los estudiantes en las herramientas y técnicas fundamentales de programación aplicadas a la ciencia de datos. A lo largo del semestre, los alumnos aprenden a configurar un entorno de desarrollo profesional, versionar su trabajo con Git, programar en Python, manipular y limpiar datos con NumPy y pandas, y comunicar hallazgos mediante visualizaciones con Matplotlib y Seaborn.

El curso está diseñado para estudiantes con bases de programación pero con poca o ninguna experiencia en Python. El enfoque es práctico: cada tema se introduce a partir de un problema concreto y se aplica inmediatamente sobre datos reales o sintéticos.

## Temas del curso

| Semana | Tema |
|---|---|
| 1 | Terminal, VS Code y entornos virtuales |
| 2 | Git y GitHub |
| 3 | Python I: fundamentos y estructuras de datos |
| 4 | Python II: funciones y manejo de archivos |
| 5 | Python III: clases y programación funcional |
| 6-7 | NumPy: fundamentos, estadística y filtrado |
| 8 | Expresiones regulares (regex) |
| 9-10 | Pandas: exploración, filtrado, limpieza y transformación |
| 11 | EDA y estadística descriptiva |
| 12 | Matplotlib |
| 13 | Seaborn |
| 14 | Comunicar hallazgos y taller de proyecto |
| 15-16 | Presentaciones de proyectos |

## Evaluación

El curso se evalúa mediante 3 evaluaciones parciales con igual peso (33.3% cada una). Cada evaluación parcial se compone de:

- 2 prácticas (25% cada una)
- 1 examen o presentación (50%)

Las prácticas se realizan en parejas sobre un dataset sintético único por equipo. El proyecto final se presenta en equipos de 3 integrantes usando datos reales elegidos por los alumnos.

## Estructura del repositorio

```
content/
├── README.md             # Este archivo
├── documents/
│   └── PlaneacionPCDAlumnos.md   # Planeación completa del curso
├── labs/
│   ├── P1_setup_reconocimiento.md
│   ├── P2_procesamiento_python.md
│   ├── P3_estadistica_numpy.md
│   ├── P4_exploracion_pandas_regex.md
│   ├── P5_limpieza_datos.md
│   └── P6_eda_matplotlib.md
└── presentations/
    ├── week01/           # Terminal, VS Code, entornos virtuales
    ├── week02/           # Git y GitHub
    ├── week03/           # Python I: fundamentos y estructuras de datos
    ├── week04/           # Python II: funciones y manejo de archivos
    ├── week05/           # Python III: clases y programación funcional
    ├── week06/           # NumPy I: fundamentos
    ├── week07/           # NumPy II: estadística y filtrado
    ├── week08/           # Regex
    ├── week09/           # Pandas I: exploración y filtrado
    ├── week10/           # Pandas II: limpieza y transformación
    ├── week11/           # EDA y estadística descriptiva
    ├── week12/           # Matplotlib
    ├── week13/           # Seaborn
    └── week14/           # Comunicar hallazgos y taller de proyecto
```

## Contacto

**Profesor:** Mario Augusto Ramírez

**GitHub:** [augustoramirez](https://github.com/augustoramirez)

pcd202701

File Explorer

# Use via CDN

Was this content helpful?

Recent Feedback

Download README