Merge branch 'microsoft:main' into main

1-Introduction/01-defining-data-science/README.md

@@ -33,7 +33,7 @@ This definition highlights the following important aspects of data science:
 > Another important aspect of Data Science is that it studies how data can be gathered, stored and operated upon using computers. While statistics gives us mathematical foundations, data science applies mathematical concepts to actually draw insights from data.
 
 One of the ways (attributed to [Jim Gray](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist))) to look at the data science is to consider it to be a separate paradigm of science:
-* **Empyrical**, in which we rely mostly on observations and results of experiments
+* **Empirical**, in which we rely mostly on observations and results of experiments
 * **Theoretical**, where new concepts emerge from existing scientific knowledge
 * **Computational**, where we discover new principles based on some computational experiments
 * **Data-Driven**, based on discovering relationships and patterns in the data  
@@ -45,7 +45,7 @@ Since data is a pervasive concept, data science itself is also a broad field, to
 <dl>
 <dt>Databases</dt>
 <dd>
-The most obvious thing to consider is **how to store** the data, i.e. how to structure them in a way that allows faster processing. There are different types of databases that store structured and unstructured data, which [we will consider in our course](../../2-Working-With-Data/README.md).
+The most obvious thing to consider is **how to store** the data, i.e. how to structure them in a way that allows faster processing. There are different types of databases that store structured and unstructured data, which <a href="../../2-Working-With-Data/README.md">we will consider in our course</a>.
 </dd>
 <dt>Big Data</dt>
 <dd>
@@ -53,7 +53,7 @@ Often we need to store and process really large quantities of data with relative
 </dd>
 <dt>Machine Learning</dt>
 <dd>
-One of the ways to understand the data is to **build a model** that will be able to predict desired outcome. Being able to learn such models from data is the area studied in **machine learning**. You may want to have a look at our [Machine Learning for Beginners](https://github.com/microsoft/ML-For-Beginners/) Curriculum to get deeper into that field.
+One of the ways to understand the data is to **build a model** that will be able to predict desired outcome. Being able to learn such models from data is the area studied in **machine learning**. You may want to have a look at our <a href="https://aka.ms/ml-beginners">Machine Learning for Beginners</a> Curriculum to get deeper into that field.
 </dd>
 <dt>Artificial Intelligence</dt>
 <dd>
@@ -61,7 +61,7 @@ As machine learning, artificial intelligence also relies on data, and it involve
 </dd>
 <dt>Visualization</dt>
 <dd>
-Vast amounts of data are incomprehensible for a human being, but once we create useful visualizations - we can start making much more sense of data, and drawing some conclusions. Thus, it is important to know many ways to visualize information - something that we will cover in [Section 3](../../3-Data-Visualization/README.md) of our course. Related fields also include **Infographics**, and **Human-Computer Interaction** in general. 
+Vast amounts of data are incomprehensible for a human being, but once we create useful visualizations - we can start making much more sense of data, and drawing some conclusions. Thus, it is important to know many ways to visualize information - something that we will cover in <a href="../../3-Data-Visualization/README.md">Section 3</a> of our course. Related fields also include **Infographics**, and **Human-Computer Interaction** in general. 
 </dd>
 </dl>
 

2-Working-With-Data/08-data-preparation/README.md

@@ -28,10 +28,294 @@ Depending on its source, raw data may contain some inconsistencies that will cau
 
 - **Missing Data**: Missing data can cause inaccuracies as well as weak or biased results. Sometimes these can be resolved by a "reload" of the data, filling in the missing values with computation and code like Python, or simply just removing the value and corresponding data. There are numerous reasons for why data may be missing and the actions that are taken to resolve these missing values can be dependent on how and why they went missing in the first place. 
 
+## Exploring DataFrame information
+> **Learning goal:** By the end of this subsection, you should be comfortable finding general information about the data stored in pandas DataFrames.
+
+Once you have loaded your data into pandas, it will more likely than not be in a DataFrame(refer to the previous [lesson](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) for detailed overview). However, if the data set in your DataFrame has 60,000 rows and 400 columns, how do you even begin to get a sense of what you're working with? Fortunately, [pandas](https://pandas.pydata.org/) provides some convenient tools to quickly look at overall information about a DataFrame in addition to the first few and last few rows.
+
+In order to explore this functionality, we will import the Python scikit-learn library and use an iconic dataset: the **Iris data set**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|
+|----------------------------------------|-----------------|----------------|-----------------|----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: To start off, the `info()` method is used to print a summary of the content present in a `DataFrame`. Let's take a look at this dataset to see what we have:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+From this, we know that the *Iris* dataset has 150 entries in four columns with no null entries. All of the data is stored as 64-bit floating-point numbers.
+
+- **DataFrame.head()**: Next, to check the actual content of the `DataFrame`, we use the `head()` method. Let's see what the first few rows of our `iris_df` look like:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: Conversely, to check the last few rows of the `DataFrame`, we use the `tail()` method:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **Takeaway:** Even just by looking at the metadata about the information in a DataFrame or the first and last few values in one, you can get an immediate idea about the size, shape, and content of the data you are dealing with.
+
+## Dealing with Missing Data
+> **Learning goal:** By the end of this subsection, you should know how to replace or remove null values from DataFrames.
+
+Most of the time the datasets you want to use (of have to use) have missing values in them. How missing data is handled carries with it subtle tradeoffs that can affect your final analysis and real-world outcomes.
+
+Pandas handles missing values in two ways. The first you've seen before in previous sections: `NaN`, or Not a Number. This is a actually a special value that is part of the IEEE floating-point specification and it is only used to indicate missing floating-point values.
+
+For missing values apart from floats, pandas uses the Python `None` object. While it might seem confusing that you will encounter two different kinds of values that say essentially the same thing, there are sound programmatic reasons for this design choice and, in practice, going this route enables pandas to deliver a good compromise for the vast majority of cases. Notwithstanding this, both `None` and `NaN` carry restrictions that you need to be mindful of with regards to how they can be used.
+
+Check out more about `NaN` and `None` from the [notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)!
+
+- **Detecting null values**: In `pandas`, the `isnull()` and `notnull()` methods are your primary methods for detecting null data. Both return Boolean masks over your data. We will be using `numpy` for `NaN` values:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+Look closely at the output. Does any of it surprise you? While `0` is an arithmetic null, it's nevertheless a perfectly good integer and pandas treats it as such. `''` is a little more subtle. While we used it in Section 1 to represent an empty string value, it is nevertheless a string object and not a representation of null as far as pandas is concerned.
+
+Now, let's turn this around and use these methods in a manner more like you will use them in practice. You can use Boolean masks  directly as a ``Series`` or ``DataFrame`` index, which can be useful when trying to work with isolated missing (or present) values.
+
+> **Takeaway**: Both the `isnull()` and `notnull()` methods produce similar results when you use them in `DataFrame`s: they show the results and the index of those results, which will help you enormously as you wrestle with your data.
+
+- **Dropping null values**: Beyond identifying missing values, pandas provides a convenient means to remove null values from `Series` and `DataFrame`s. (Particularly on large data sets, it is often more advisable to simply remove missing [NA] values from your analysis than deal with them in other ways.) To see this in action, let's return to `example1`:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+Note that this should look like your output from `example3[example3.notnull()]`. The difference here is that, rather than just indexing on the masked values, `dropna` has removed those missing values from the `Series` `example1`.
+
+Because `DataFrame`s have two dimensions, they afford more options for dropping data.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(Did you notice that pandas upcast two of the columns to floats to accommodate the `NaN`s?)
+
+You cannot drop a single value from a `DataFrame`, so you have to drop full rows or columns. Depending on what you are doing, you might want to do one or the other, and so pandas gives you options for both. Because in data science, columns generally represent variables and rows represent observations, you are more likely to drop rows of data; the default setting for `dropna()` is to drop all rows that contain any null values:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+If necessary, you can drop NA values from columns. Use `axis=1` to do so:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+Notice that this can drop a lot of data that you might want to keep, particularly in smaller datasets. What if you just want to drop rows or columns that contain several or even just all null values? You specify those setting in `dropna` with the `how` and `thresh` parameters.
+
+By default, `how='any'` (if you would like to check for yourself or see what other parameters the method has, run `example4.dropna?` in a code cell). You could alternatively specify `how='all'` so as to drop only rows or columns that contain all null values. Let's expand our example `DataFrame` to see this in action.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+The `thresh` parameter gives you finer-grained control: you set the number of *non-null* values that a row or column needs to have in order to be kept:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+Here, the first and last row have been dropped, because they contain only two non-null values.
+
+- **Filling null values**: Depending on your dataset, it can sometimes make more sense to fill null values with valid ones rather than drop them. You could use `isnull` to do this in place, but that can be laborious, particularly if you have a lot of values to fill. Because this is such a common task in data science, pandas provides `fillna`, which returns a copy of the `Series` or `DataFrame` with the missing values replaced with one of your choosing. Let's create another example `Series` to see how this works in practice.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+You can fill all of the null entries with a single value, such as `0`:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+You can **forward-fill** null values, which is to use the last valid value to fill a null:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+You can also **back-fill** to propagate the next valid value backward to fill a null:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+As you might guess, this works the same with `DataFrame`s, but you can also specify an `axis` along which to fill null values. taking the previously used `example2` again:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+Notice that when a previous value is not available for forward-filling, the null value remains.
+
+> **Takeaway:** There are multiple ways to deal with missing values in your datasets. The specific strategy you use (removing them, replacing them, or even how you replace them) should be dictated by the particulars of that data. You will develop a better sense of how to deal with missing values the more you handle and interact with datasets.
+
+## Removing duplicate data
+
+> **Learning goal:** By the end of this subsection, you should be comfortable identifying and removing duplicate values from DataFrames.
+
+In addition to missing data, you will often encounter duplicated data in real-world datasets. Fortunately, `pandas` provides an easy means of detecting and removing duplicate entries.
+
+- **Identifying duplicates: `duplicated`**: You can easily spot duplicate values using the `duplicated` method in pandas, which returns a Boolean mask indicating whether an entry in a `DataFrame` is a duplicate of an ealier one. Let's create another example `DataFrame` to see this in action.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **Dropping duplicates: `drop_duplicates`: `drop_duplicates` simply returns a copy of the data for which all of the `duplicated` values are `False`:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+Both `duplicated` and `drop_duplicates` default to consider all columnsm but you can specify that they examine only a subset of columns in your `DataFrame`:
+```python
+example6.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **Takeaway:** Removing duplicate data is an essential part of almost every data-science project. Duplicate data can change the results of your analyses and give you inaccurate results!
+
 
 ## 🚀 Challenge
 
-Give the exercises in the [notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb) a try!
+All of the discussed materials are provided as a [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb). Additionally, there are exercises present after each section, give them a try!
 
 ## [Post-Lecture Quiz](https://red-water-0103e7a0f.azurestaticapps.net/quiz/15)
 

2-Working-With-Data/translations/README.hi.md

@@ -0,0 +1,18 @@
+# डेटा के साथ काम करना
+
+![डेटा से प्यार](../images/data-love.jpg)
+> तस्वीर <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> द्वारा <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+पर
+
+  
+इन पाठों में, आप कुछ ऐसे तरीके सीखेंगे जिनसे डेटा को प्रबंधित, हेरफेर और अनुप्रयोगों में उपयोग किया जा सकता है। आप रिलेशनल और नॉन-रिलेशनल डेटाबेस के बारे में जानेंगे और उनमें डेटा कैसे स्टोर किया जा सकता है। आप डेटा को प्रबंधित करने के लिए पायथन के साथ काम करने के मूल सिद्धांतों को सीखेंगे, और आप कुछ ऐसे तरीकों की खोज करेंगे जिनसे आप डेटा को प्रबंधित करने और माइन करने के लिए पायथन के साथ काम कर सकते हैं।
+### विषय
+
+1. [संबंधपरक डेटाबेस](../05-relational-databases/README.md)
+2. [[गैर-संबंधपरक डेटाबेस](../06-non-relational/README.md)
+3. [पायथन के साथ काम करना](../07-python/README.md)
+4. [डेटा तैयार करना](../08-data-preparation/README.md)
+
+### क्रेडिट
+
+ये पाठ [क्रिस्टोफर हैरिसन](https://twitter.com/geektrainer), [दिमित्री सोशनिकोव](https://twitter.com/shwars) और [जैस्मीन ग्रीनवे](https://twitter.com/shwars) द्वारा ❤️ से लिखे गए थे।

3-Data-Visualization/11-visualization-proportions/translations/assignment.zh-cn.md

@@ -0,0 +1,11 @@
+# 在 Excel 中试试
+
+## 指示
+
+你知道在 Excel 中可以创建圆环图、饼图和华夫饼图吗？使用你选择的数据集，直接在 Excel 电子表格中创建这三种图表。
+
+## 评分表
+
+| 优秀                     | 一般                    | 需要改进               |
+| ----------------------- | ------------------------ | ---------------------- |
+| 在 Excel 中制作了三种图表 | 在 Excel 中制作了两种图表 | 在 Excel 中只制作了一种图表 |

README.md

@@ -77,13 +77,13 @@ In addition, a low-stakes quiz before a class sets the intention of the student
 | 11 | Visualizing Proportions | [Data Visualization](3-Data-Visualization/README.md) | Visualizing discrete and grouped percentages. | [lesson](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
 | 12 | Visualizing Relationships | [Data Visualization](3-Data-Visualization/README.md) | Visualizing connections and correlations between sets of data and their variables. | [lesson](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
 | 13 | Meaningful Visualizations | [Data Visualization](3-Data-Visualization/README.md) | Techniques and guidance for making your visualizations valuable for effective problem solving and insights. | [lesson](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 14 | Introduction to the Data Science lifecycle | [Lifecycle](4-Data-Science-Lifecycle/README.md) | Introduction to the data science lifecycle and its first step of acquiring and extracting data | [lesson](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 14 | Introduction to the Data Science lifecycle | [Lifecycle](4-Data-Science-Lifecycle/README.md) | Introduction to the data science lifecycle and its first step of acquiring and extracting data. | [lesson](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
 | 15 | Analyzing | [Lifecycle](4-Data-Science-Lifecycle/README.md) | This phase of the data science lifecycle focuses on techniques to analyze data. | [lesson](4-Data-Science-Lifecycle/15-Analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
 | 16 | Communication | [Lifecycle](4-Data-Science-Lifecycle/README.md) | This phase of the data science lifecycle focuses on presenting the insights from the data in a way that makes it easier for decision makers to understand. | [lesson](4-Data-Science-Lifecycle/16-Communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
 | 17 | Data Science in the Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | This series of lessons introduces data science in the cloud and its benefits. | [lesson](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
-| 18 | Data Science in the Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Training models using Low Code tools |[lesson](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
-| 19 | Data Science in the Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Deploying models with Azure Machine Learning Studio | [lesson](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
-| 20 | Data Science in the Wild | [In the Wild](6-Data-Science-In-Wild/README.md) | Data science driven projects in the real world | [lesson](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+| 18 | Data Science in the Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Training models using Low Code tools. |[lesson](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
+| 19 | Data Science in the Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Deploying models with Azure Machine Learning Studio. | [lesson](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
+| 20 | Data Science in the Wild | [In the Wild](6-Data-Science-In-Wild/README.md) | Data science driven projects in the real world. | [lesson](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
 ## Offline access
 
 You can run this documentation offline by using [Docsify](https://docsify.js.org/#/). Fork this repo, [install Docsify](https://docsify.js.org/#/quickstart) on your local machine,  then in the root folder of this repo, type `docsify serve`. The website will be served on port 3000 on your localhost: `localhost:3000`. 

quiz-app/src/App.vue

@@ -5,7 +5,7 @@
       <label for="locale">locale</label>
       <select v-model="locale">
         <option>en</option>
-        <!--<option>fr</option>-->
+        <option>es</option>
       </select>
 
       <span class="title">{{ questions[locale][0].title }}</span>

quiz-app/src/assets/translations/es/group-1.json

@@ -0,0 +1,418 @@
+[{
+  "title": "Ciencia de datos para principiantes: Cuestionarios",
+  "complete": "Enhorabuena, has completado el cuestionario!",
+  "error": "Lo siento, inténtalo de nuevo",
+  "quizzes": [{
+      "id": 0,
+      "title": "Definición de la ciencia de los datos - Cuestionario previo",
+      "quiz": [{
+          "questionText": "¿Por qué la palabra _Ciencia_ en Ciencia de Datos?",
+          "answerOptions": [{
+              "answerText": "Utiliza métodos científicos para analizar los datos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Sólo las personas con títulos académicos pueden entenderlo",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Para que suene bien",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "El aprendizaje de la ciencia de los datos sólo es útil para los desarrolladores",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué necesitamos para demostrar que los jugadores de baloncesto son más altos que la gente media?",
+          "answerOptions": [{
+              "answerText": "Recopilar datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Conocer algo de probabilidad y estadística",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 1,
+      "title": "Definir la ciencia de los datos: Cuestionario final",
+      "quiz": [{
+          "questionText": "¿Qué áreas están estrechamente relacionadas con la ciencia de los datos?",
+          "answerOptions": [{
+              "answerText": "Inteligencia Artificial",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Aprendizaje automático",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál de los siguientes representaciones es un ejemplo de datos no estructurados?",
+          "answerOptions": [{
+              "answerText": "Una lista de alumnos en clase",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Una colección de ensayos de estudiantes",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Un gráfico de amigos de usuarios en redes sociales",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál es el objetivo principal de la ciencia de datos?",
+          "answerOptions": [{
+              "answerText": "recoger datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "procesar los datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "ser capaz de tomar decisiones basadas en datos",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 2,
+      "title": "Ética - Cuestionario previo",
+      "quiz": [{
+          "questionText": "¿Qué es la consideración de la ética en la Ciencia de los Datos?",
+          "answerOptions": [{
+              "answerText": "Recogida de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Diseño de algoritmos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuáles de los siguientes elementos forman parte de los desafíos éticos?",
+          "answerOptions": [{
+              "answerText": "La transparencia",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "La privacidad",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "La seguridad y fiabilidad",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "La ética de los datos también incluye la IA y los algoritmos de aprendizaje automático",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso, están separados",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 3,
+      "title": "Ética - Cuestionario final",
+      "quiz": [{
+          "questionText": "¿Cuál es la principal diferencia entre la ética y la ética aplicada?",
+          "answerOptions": [{
+              "answerText": "La ética aplicada es un tipo específico de ética",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "La ética aplicada no es un término real",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "La ética aplicada es el proceso de encontrar y corregir problemas éticos",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál es la diferencia entre reglamento de ética y principios de ética?",
+          "answerOptions": [{
+              "answerText": "La normativa ética se centra en la ética habitual",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "No hay ninguna diferencia",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Los principios éticos no están relacionados con una ley concreta, mientras que los reglamentos sí.",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuáles son los principios y prácticas éticas reales que se pueden aplicar?",
+          "answerOptions": [{
+              "answerText": "Sesgo de recogida",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Cumplimiento de la normativa ética",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 4,
+      "title": "Definición de datos - Cuestionario previo",
+      "quiz": [{
+          "questionText": "¿Cuáles de estos datos podrían ser cuantitativos?",
+          "answerOptions": [{
+              "answerText": "Fotos de perros",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Reseñas de hoteles",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Notas o calificaciones de estudiantes",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuáles de estos datos podrían ser datos cualitativos?",
+          "answerOptions": [{
+              "answerText": "Lista de salarios de los empleados",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Reseñas de hoteles",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Notas o calificaciones de estudiantes",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál es el objetivo principal de la clasificación de datos?",
+          "answerOptions": [{
+              "answerText": "El almacenamiento correcto de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Dar un nombre propio a los datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Saber cuál es el mejor método para organizarlo para la legibilidad y el análisis",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 5,
+      "title": "Definición de los datos - Cuestionario final",
+      "quiz": [{
+          "questionText": "El profesor está revisando el número de respuestas correctas de los alumnos, ¿de qué tipo de datos se trata?",
+          "answerOptions": [{
+              "answerText": "Datos cualitativos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Datos cuantitativos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Una empresa está recogiendo encuestas de sus clientes para mejorar sus productos. ¿De qué tipo de fuente de datos se trata?",
+          "answerOptions": [{
+              "answerText": "Primario",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Secundario",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Terciario",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Un estudiante está recogiendo datos mediante consultas. ¿Qué fuente de datos podría ser?",
+          "answerOptions": [{
+              "answerText": "Archivos locales",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "API",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Base de datos",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 6,
+      "title": "Estadística y Probabilidad - Cuestionario previo",
+      "quiz": [{
+          "questionText": "¿Por qué la estadística y la probabilidad son importantes para la ciencia de los datos?",
+          "answerOptions": [{
+              "answerText": "Porque no se puede operar con datos sin saber matemáticas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Porque la ciencia de los datos es una ciencia y tiene una sólida base formal",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Porque queremos evitar que la gente sin formación se dedique a la ciencia de los datos",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Puedes sacar cara 10 veces seguidas al lanzar una moneda?",
+          "answerOptions": [{
+              "answerText": "Sí",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "No",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Al lanzar un dado, ¿cuál es la probabilidad de obtener un número par?",
+          "answerOptions": [{
+              "answerText": "1/2",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "1/3",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Es imposible de predecir",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 7,
+      "title": "Estadística y Probabilidad - Cuestionario final",
+      "quiz": [{
+          "questionText": "Queremos demostrar que los jugadores de baloncesto son más altos que la gente media. Hemos recogido las estaturas de 20 personas de ambos grupos. ¿Qué tenemos que hacer?",
+          "answerOptions": [{
+              "answerText": "comparar la media",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Recoger más datos, ¡20 no es suficiente!",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "utilizar la prueba t de Student",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cómo podemos demostrar que los ingresos de una persona dependen del nivel de educación?",
+          "answerOptions": [{
+              "answerText": "calcular el coeficiente de correlación",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "dividir en grupos con y sin estudios y calcular las medias",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "utilizar la prueba t de Studen",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Lanzamos los dados 100 veces y calculamos el valor medio. ¿Cuál sería la distribución del resultado?",
+          "answerOptions": [{
+              "answerText": "uniforme",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "normal",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "ninguna de las respuestas anteriores",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    }
+  ]
+}]

quiz-app/src/assets/translations/es/group-2.json

@@ -0,0 +1,410 @@
+[{
+  "title": "Ciencia de datos para principiantes: Cuestionarios",
+  "complete": "Enhorabuena, has completado el cuestionario!",
+  "error": "Lo siento, inténtalo de nuevo",
+  "quizzes": [{
+      "id": 8,
+      "title": "Bases de datos relacionales - Precuestionario",
+      "quiz": [{
+          "questionText": "Una base de datos puede considerarse una tabla con columnas y filas",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "La mayoría de las bases de datos se componen de",
+          "answerOptions": [{
+              "answerText": "una tabla",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "una hoja de cálculo",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "muchas tablas",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Puede evitar la duplicación de nombres de columnas si",
+          "answerOptions": [{
+              "answerText": "creando muchas tablas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "creando tablas con relaciones incorporadas",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "creando una única tabla gigante",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 9,
+      "title": "Bases de datos relacionales - Cuestionario final",
+      "quiz": [{
+          "questionText": "Una clave primaria es",
+          "answerOptions": [{
+              "answerText": "un valor utilizado para identificar una fila específica en una tabla",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "un valor utilizado para hacer que los valores sean únicos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "un valor utilizado para forzar la capitalización",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Una columna numérica 'ID' sería una buena clave primari",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Una clave foránea se utiliza para",
+          "answerOptions": [{
+              "answerText": "valores que hacen referencia a los identificadores en una tabla separada",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "valores que hacen referencia a las cadenas en una tabla separada",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "conservar los valores que cambian con el tiempo",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 10,
+      "title": "Bases de datos no relacionales - Precuestionario",
+      "quiz": [{
+          "questionText": "Las hojas de cálculo son datos no relacionales",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Identifica la diferencia entre datos no relacionales y relacionales.",
+          "answerOptions": [{
+              "answerText": "Las bases de datos relacionales siempre contienen columnas y filas",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Algunos tipos de datos no relacionales utilizan columnas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "No hay ninguna diferencia",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué significa NoSQL?",
+          "answerOptions": [{
+              "answerText": "Nope SQL",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "No sólo SQL",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "No más SQL",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 11,
+      "title": "Bases de datos no relacionales - Cuestionario final",
+      "quiz": [{
+          "questionText": "¿Cuál de estos NO es un tipo de NoSQL?",
+          "answerOptions": [{
+              "answerText": "Object oriented",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Clave-valor",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Columnas",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué utilizas para hacer cálculos en las hojas de cálculo?",
+          "answerOptions": [{
+              "answerText": "Python",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Alias",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Fórmulas",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿A qué otro tipo de datos no relacionales se parece un documento en una base de datos de documentos?",
+          "answerOptions": [{
+              "answerText": "Claves",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Columnas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "JSON",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 12,
+      "title": "Python - Precuestionario",
+      "quiz": [{
+          "questionText": "Python es un buen lenguaje para",
+          "answerOptions": [{
+              "answerText": "La ciencia de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Princiantes",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Python es un buen lenguaje para la Ciencia de Datos porque",
+          "answerOptions": [{
+              "answerText": "tiene muchas bibliotecas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "es un lenguaje rico pero sencillo",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "No puedes hacer ciencia de datos si no sabes Python",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 13,
+      "title": "Python - Cuestionario final",
+      "quiz": [{
+          "questionText": "¿Qué biblioteca utilizarías para representar una lista de notas de los alumnos en clase?",
+          "answerOptions": [{
+              "answerText": "Numpy",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "SciPy",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Pandas",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Tienes un DataFrame con una lista de alumnos, su número de grupo y la nota media. ¿Qué operación utilizarías para calcular la nota media por grupo?",
+          "answerOptions": [{
+              "answerText": "average",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "avg",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "groupby",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Tienes 100 amigos y quieres representar la información sobre la frecuencia con la que se hacen fotos entre ellos. ¿Qué estructura de datos utilizarías?",
+          "answerOptions": [{
+              "answerText": "Numpy array",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Pandas DataFrame",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Pandas Series",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 14,
+      "title": "Preparación de datos - Precuestionario",
+      "quiz": [{
+          "questionText": "¿Cuál de ellos forma parte del proceso de preparación de datos?",
+          "answerOptions": [{
+              "answerText": "Validación del modelo",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Clasificación",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Limpieza de los datos",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Por qué es tan importante la preparación de los datos?",
+          "answerOptions": [{
+              "answerText": "Hace que los modelos sean más precisos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "No es importante",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Los ordenadores pueden ayudar a limpiar los datos",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál es el objetivo de la limpieza de datos?",
+          "answerOptions": [{
+              "answerText": "Corrección de problemas de formato",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Fijar los tipos de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 15,
+      "title": "Preparación de los datos - Cuestionario final",
+      "quiz": [{
+          "questionText": "Fusionar o unir dos conjuntos de datos en uno solo puede afectar a la coherencia de los datos",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué es lo primero que hay que hacer ante la falta de datos?",
+          "answerOptions": [{
+              "answerText": "Borrar los datos relacionados a esa falta",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Evaluar por qué falta",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Intenta rellenar los valores vacíos",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "La unión de dos o más conjuntos de datos puede provocar los siguientes problemas",
+          "answerOptions": [{
+              "answerText": "Duplicados",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Un formato inconsistente",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    }
+  ]
+}]

quiz-app/src/assets/translations/es/group-3.json

@@ -0,0 +1,512 @@
+[{
+  "title": "Ciencia de datos para principiantes: Cuestionarios",
+  "complete": "Enhorabuena, has completado el cuestionario!",
+  "error": "Lo siento, inténtalo de nuevo",
+  "quizzes": [{
+      "id": 16,
+      "title": "Visualización de cantidades - Cuestionario previo",
+      "quiz": [{
+          "questionText": "Una biblioteca útil para las visualizaciones de datos es:",
+          "answerOptions": [{
+              "answerText": "Matplotlib",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Matchartlib",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Matgraphtlib",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Puede visualizar las cantidades utilizando:",
+          "answerOptions": [{
+              "answerText": "gráficos de dispersión",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "gráfico líneas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Los gráficos de barras son útiles para visualizar la cantidad",
+          "answerOptions": [{
+              "answerText": "verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "falso",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 17,
+      "title": "Visualización de cantidades - Cuestionario final",
+      "quiz": [{
+          "questionText": "Puede analizar las tendencias a lo largo del tiempo utilizando un:",
+          "answerOptions": [{
+              "answerText": "gráfico de líneas",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "gráfico de barras",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "gráfico circular",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Puede comparar valores utilizando este tipo de gráfico:",
+          "answerOptions": [{
+              "answerText": "gráfico de líneas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "gráfico de barras",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Mostra cómo se relacionan las partes con un todo utilizando este tipo de gráfico:",
+          "answerOptions": [{
+              "answerText": "líneas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "columnas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "circular",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 18,
+      "title": "Visualización de distribuciones - Cuestionario previo",
+      "quiz": [{
+          "questionText": "Los histogramas son en general tipos de gráficos más sofisticados que los de dispersión",
+          "answerOptions": [{
+              "answerText": "verdaderos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Puede visualizar las distribuciones utilizando este tipo de gráfico:",
+          "answerOptions": [{
+              "answerText": "gráfico de dispersión",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "gráfico circular",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "gráfico de columnas",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Esta biblioteca es especialmente útil para construir histogramas",
+          "answerOptions": [{
+              "answerText": "TensorFlow",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "PyTorch",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Matplotlib",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 19,
+      "title": "Visualización de distribuciones - Cuestionario final",
+      "quiz": [{
+          "questionText": "Los histogramas pueden utilizarse para analizar este tipo de datos:",
+          "answerOptions": [{
+              "answerText": "textual",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "numérico",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "En un histograma, un 'bin' se refiere a:",
+          "answerOptions": [{
+              "answerText": "una clase de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "una agrupación de datos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "datos desechables",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": " Para construir un gráfico de densidad suave, utilice esta biblioteca:",
+          "answerOptions": [{
+              "answerText": "Seaborn",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Matplotlib",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "PyTorch",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 20,
+      "title": "Visualización de las proporciones - Cuestionario previo",
+      "quiz": [{
+          "questionText": "Para visualizar las proporciones, utilice este tipo de gráfico:",
+          "answerOptions": [{
+              "answerText": "circular",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "waffle",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "ninguna de las respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Una herramienta gratuita para visualizar sus datos es:",
+          "answerOptions": [{
+              "answerText": "Popculator",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Graphculator",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Charticulator",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Utiliza `plt.pie` para mostrar un:",
+          "answerOptions": [{
+              "answerText": "gráfico circular",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "gráfico de gofres",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "gráfico de dispersión",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 21,
+      "title": "Visualización de las proporciones - Cuestionario final",
+      "quiz": [{
+          "questionText": "Puedes editar los colores de tus gráficos de gofres",
+          "answerOptions": [{
+              "answerText": "verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Utiliza esta biblioteca para construir gráficos de gofres:",
+          "answerOptions": [{
+              "answerText": "edwaffle",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "pywaffle",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "yumwaffle",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "En un gráfico de rosca, construye el círculo central utilizando esta sintaxis:",
+          "answerOptions": [{
+              "answerText": "plt.Oval",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "plt.Circle",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "plt.Edit",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 22,
+      "title": "Visualización de las relaciones - Cuestionario previo",
+      "quiz": [{
+          "questionText": "Utiliza esta biblioteca para visualizar las relaciones:",
+          "answerOptions": [{
+              "answerText": "Seaborn",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Merborn",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Reborn",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Utiliza la función `relplot` de Seaborn para visualizar",
+          "answerOptions": [{
+              "answerText": "relaciones categóricas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "relaciones estadísticas",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "relaciones especiales",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Al editar el tono de un gráfico de dispersión, puedes:",
+          "answerOptions": [{
+              "answerText": "mostrar la distribución de un conjunto de datos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "mostrar los colores de los artículos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "mostrar las temperaturas",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 23,
+      "title": "Visualización de las relaciones - Cuestionario final",
+      "quiz": [{
+          "questionText": "Una forma más accesible de mostrar la distribución es:",
+          "answerOptions": [{
+              "answerText": "Uso de la variación de la forma de los puntos de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Empleo de la variación del tamaño de los puntos de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Utilizando cualquiera de los respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Utilizando la función `relplot` de Seaborn puedes ver una agregación de datos en torno a un gráfico de líneas",
+          "answerOptions": [{
+              "answerText": "verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Las cuadrículas de facetas ayudan a visualizar",
+          "answerOptions": [{
+              "answerText": "una faceta determinada de los datos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "valores atípicos en los datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "progresión en los datos",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 24,
+      "title": "Visualizaciones significativas - Cuestionario previo",
+      "quiz": [{
+          "questionText": "Es relativamente fácil engañar a los usuarios editando gráficos",
+          "answerOptions": [{
+              "answerText": "verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "La selección del tipo de gráfico que se va a construir depende del tipo de datos que se tenga y de la historia que se cuente sobre ellos",
+          "answerOptions": [{
+              "answerText": "verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Para crear un gráfico engañoso, algunos creadores manipulan:",
+          "answerOptions": [{
+              "answerText": "los colores del gráfico",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "los ejes X e Y",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "cualquiera de las respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 25,
+      "title": "Visualizaciones significativas - Cuestionario final",
+      "quiz": [{
+          "questionText": "Asegúrate de que sus gráficos son:",
+          "answerOptions": [{
+              "answerText": "accesibles",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "legibles",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "cualquiera de las respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "D3 es una excelente biblioteca de gráficos que se puede utilizar para crear:",
+          "answerOptions": [{
+              "answerText": "animar visualizaciones",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "crear infografía",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "aprendizaje avanzado",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Asegurate que la legibilidad de tu gráfico mediante:",
+          "answerOptions": [{
+              "answerText": "añadir etiquetas",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "agregando colores",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "alinear correctamente las etiquetas",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    }
+  ]
+}]

quiz-app/src/assets/translations/es/group-4.json

@@ -0,0 +1,305 @@
+[{
+  "title": "Ciencia de datos para principiantes: Cuestionarios",
+  "complete": "Enhorabuena, has completado el cuestionario!",
+  "error": "Lo siento, inténtalo de nuevo",
+  "quizzes": [{
+      "id": 26,
+      "title": "Ciclo de vida de la ciencia de datos - Introducción Cuestionario previo",
+      "quiz": [{
+          "questionText": "¿Cuál es el primer paso del ciclo de vida de la ciencia de datos?",
+          "answerOptions": [{
+              "answerText": "Análisis de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Limpieza de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Adquisición de datos y problema a resolver",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "Una vez alcanzado el siguiente paso del ciclo de vida de la ciencia de datos, no se puede volver a los pasos anteriores",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué consideraciones hay que tener en cuenta a la hora de conservar los datos?",
+          "answerOptions": [{
+              "answerText": "Limpieza de los datos",
+              "isCorrect": "false"
+            },
+
+            {
+              "answerText": "Mantener la seguridad de los datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 27,
+      "title": "Ciclo de vida de la ciencia de datos - Cuestionario posterior",
+      "quiz": [{
+          "questionText": "¿Qué paso del ciclo de vida de la ciencia de datos es más probable que produzca un modelo? ",
+          "answerOptions": [{
+              "answerText": "Procesamiento",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Mantenimiento",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Captura",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué preguntas se haría un científico de datos en la fase de captura del ciclo de vida de la ciencia de datos?",
+          "answerOptions": [{
+              "answerText": "¿Cuáles son las limitaciones?",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "¿Tienen sentido los datos?",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "¿Tiene sentido el modelo?",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuáles son las técnicas más comunes en la etapa de procesamiento?",
+          "answerOptions": [{
+              "answerText": "Agrupación",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Inteligencia artificial",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 28,
+      "title": "Ciclo de vida de la ciencia de los datos - Análisis previo",
+      "quiz": [{
+          "questionText": "Analizar puede referirse a analizar modelos o datos",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué importancia tiene la exploración de los datos antes de utilizarlos en un modelo o en un análisis posterior?",
+          "answerOptions": [{
+              "answerText": "Para eliminar los datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Identificar los desafíos en los datos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Explorar los datos no es importante",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué hace un científico de datos cuando explora los datos?",
+          "answerOptions": [{
+              "answerText": "Muestreo",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Visualización",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 29,
+      "title": "Ciclo de vida de la ciencia de los datos - Análisis cuestionario final",
+      "quiz": [{
+          "questionText": "La visualización nunca forma parte del análisis exploratorio de datos (AED)",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué funciones de Panda proporcionan un perfil de datos básico?",
+          "answerOptions": [{
+              "answerText": "pandas()",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "isnull()",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "describe()",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Para qué sirve el muestreo de datos?",
+          "answerOptions": [{
+              "answerText": "El muestreo es mejor que la elaboración de perfiles de datos cuando se buscan errores",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "El muestreo no sirve para nada",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "El muestreo se utiliza para analizar los datos de un gran conjunto de datos porque es difícil analizarlos todos",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 30,
+      "title": "Ciclo de vida de la ciencia de los datos - comunicación",
+      "quiz": [{
+          "questionText": "Cuando se comunican datos a un público, es una buena práctica centrarse únicamente en las cifras y no en la historia.",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál es un ejemplo de comunicación bidireccional?",
+          "answerOptions": [{
+              "answerText": "Cuando un presentador se dirige a un público y deja la palabra abierta para preguntas y comentarios.",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Cuando un líder lanza un mensaje de televisión o radio a sus electores.",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Cuando una marca se anuncia a los clientes potenciales.",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Cuando una persona hace una presentación ante un público, y éste no proporciona ninguna información, ¿quién actúa como receptor de la información?",
+          "answerOptions": [{
+              "answerText": "El presentador",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "La audiencia",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Miembros específicos de la audiencia",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 31,
+      "title": "Ciclo de vida de la ciencia de los datos - comunicación cuestionario final",
+      "quiz": [{
+          "questionText": "A la hora de comunicar datos, los colores pueden servir para evocar emociones en el público.",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "De las siguientes opciones, ¿cuál es la explicación más significativa del progreso anual de una empresa?",
+          "answerOptions": [{
+              "answerText": "Hemos tenido un año excelente. Nuestros usuarios han crecido un 30%, nuestros ingresos han aumentado un 21% y hemos incorporado 100 nuevos miembros al equipo.",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Hemos tenido un gran año. Nuestros usuarios han crecido enormemente, nuestros ingresos han aumentado mucho e incluso hemos incorporado varios miembros nuevos al equipo en todas las divisiones.",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Nuestro año de progreso fue simplemente fenomenal. No puedo exagerar el aumento que hemos tenido con el crecimiento de nuestros usuarios, nuestros ingresos o nuestro equipo.",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "A la hora de comunicar datos a una audiencia ejecutiva, ¿cuál sería una estrategia aceptable?",
+          "answerOptions": [{
+              "answerText": "Profundiza en los pequeños detalles y dedique menos tiempo a la importancia de los datos.",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Concentrate principalmente en la importancia de los datos y en los próximos pasos recomendados sobre la base de los datos.",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Explica todo el contexto e intente hacer una lluvia de ideas sobre posibles soluciones con los ejecutivos.",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    }
+  ]
+}]

quiz-app/src/assets/translations/es/group-5.json

@@ -0,0 +1,316 @@
+[{
+  "title": "Ciencia de datos para principiantes: Cuestionarios",
+  "complete": "Enhorabuena, has completado el cuestionario!",
+  "error": "Lo siento, inténtalo de nuevo",
+  "quizzes": [{
+      "id": 32,
+      "title": "Ciencia de los datos en la nube - Introducción - Cuestionario previo",
+      "quiz": [{
+          "questionText": "¿Qué es la nube?",
+          "answerOptions": [{
+              "answerText": "Una colección de bases de datos para almacenar big data.",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Un conjunto de servicios informáticos de pago por Internet.",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Una masa visible de partículas suspendidas en el aire..",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué es la computación en nube?",
+          "answerOptions": [{
+              "answerText": "La prestación de servicios informáticos a través de Internet..",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Crear su propio centro de datos.",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Usar internet.",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuáles son las ventajas de la nube?",
+          "answerOptions": [{
+              "answerText": "Flexibilidad, escalabilidad, fiabilidad y seguridad",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Flexibilidad, escalabilidad, variabilidad, seguridad",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Claridad, escalabilidad, fiabilidad, variabilidad",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 33,
+      "title": "Ciencia de datos en la nube - Introducción - Cuestionario final",
+      "quiz": [{
+          "questionText": "¿Cuál NO es necesariamente una buena razón para elegir la nube?",
+          "answerOptions": [{
+              "answerText": "Uso de servicios de aprendizaje automático e inteligencia de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Procesamiento de grandes cantidades de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Almacenamiento de datos gubernamentales sensibles/confidenciales",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿De qué manera utilizan los científicos de datos la nube?",
+          "answerOptions": [{
+              "answerText": "Tareas de infraestructura",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Almacenamiento de grandes cantidades de datos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Configurar las opciones de red",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué servicio de computación en nube proporciona acceso a aplicaciones de software sin necesidad de mantener el software?",
+          "answerOptions": [{
+              "answerText": "Infraestructura como servicio",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Plataforma como servicio",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Software como servicio",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 34,
+      "title": "Ciencia de datos en la nube - Low-Code",
+      "quiz": [{
+          "questionText": "Una de las ventajas de utilizar Jupyter Notebooks es que se pueden crear rápidamente prototipos de modelos.",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Por qué un científico de datos utilizaría Azure Machine Learning?",
+          "answerOptions": [{
+              "answerText": "Para ahorrar tiempo en la exploración y el preprocesamiento de datos.",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Para producir modelos precisos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "No es necesario tener experiencia programando para utilizar Azure ML.",
+          "answerOptions": [{
+              "answerText": "Verdadero",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso, programar siempre es necesario",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 35,
+      "title": "Ciencia de datos en la nube - Low-Code - Cuestionario final",
+      "quiz": [{
+          "questionText": "¿Qué hay que crear antes de acceder a Azure ML Studio?",
+          "answerOptions": [{
+              "answerText": "Un espacio de trabajo",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Una instancia de proceso",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Un cluster",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuáles de las siguientes tareas son compatibles con el ML automatizado?",
+          "answerOptions": [{
+              "answerText": "Creación de imágenes",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Clasificación",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Generación de lenguaje natural",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿En qué caso necesitas la GPU en lugar de la CPU?",
+          "answerOptions": [{
+              "answerText": "Cuando se tienen datos tabulares",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Cuando tengas suficiente dinero para permitírtelo",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Cuando trabajas con Deep Learning",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 36,
+      "title": "Ciencia de datos en la nube - Azure",
+      "quiz": [{
+          "questionText": "¿Cuál de ellos se vería afectado por el aumento del tamaño de la agrupación?",
+          "answerOptions": [{
+              "answerText": "Capacidad de respuesta",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Coste",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Rendimiento del modelo",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál es la ventaja de utilizar herramientas de bajo código?",
+          "answerOptions": [{
+              "answerText": "No se requiere experiencia en código",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Etiquetar automáticamente el conjunto de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Mayor seguridad del modelo",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Qué es AutoML?",
+          "answerOptions": [{
+              "answerText": "Una herramienta para automatizar el preprocesamiento de datos",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Una herramienta para automatizar el despliegue de modelos",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 37,
+      "title": "Ciencia de datos en la nube - Azure - Cuestionario final",
+      "quiz": [{
+          "questionText": "¿Cuál es la razón para crear una AutoMLConfig?",
+          "answerOptions": [{
+              "answerText": "Es donde se dividen los datos de entrenamiento y de prueba",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Es donde se especifica el modelo a entrenar",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Proporciona todos los detalles de su experimento AutoML",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál de las siguientes métricas es soportada por Automated ML para una tarea de clasificación?",
+          "answerOptions": [{
+              "answerText": "Precisión",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "r2_score",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "normalized_root_mean_error",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "¿Cuál NO es una ventaja de utilizar el SDK?",
+          "answerOptions": [{
+              "answerText": "Puede utilizarse para automatizar múltiples tareas y ejecuciones",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Facilita la edición programada de las ejecuciones",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Puede utilizarse a través de una interfaz gráfica de usuario",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    }
+  ]
+}]

quiz-app/src/assets/translations/es/group-6.json

@@ -0,0 +1,108 @@
+[{
+  "title": "Ciencia de datos para principiantes: Cuestionarios",
+  "complete": "Enhorabuena, has completado el cuestionario!",
+  "error": "Lo siento, inténtalo de nuevo",
+  "quizzes": [{
+      "id": 38,
+      "title": "Ciencia de los datos en la naturaleza",
+      "quiz": [{
+          "questionText": "La ciencia de los datos puede utilizarse en muchos sectores, como",
+          "answerOptions": [{
+              "answerText": "Finanzas y Humanidades",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Agricultura y manufactura",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "La ciencia de los datos en el contexto de la investigación puede centrarse en:",
+          "answerOptions": [{
+              "answerText": "oportunidades de innovación",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "gestión de errores",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "impulsar las ventas",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "El 'Estudio de los matices de género' se centró en",
+          "answerOptions": [{
+              "answerText": "transformar el discurso de género",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "los sesgos inherentes al análisis facial",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Ninguna de las respuestas anteriores",
+              "isCorrect": "false"
+            }
+          ]
+        }
+      ]
+    },
+    {
+      "id": 39,
+      "title": "Ciencia de los datos en la naturaleza - Cuestionario final",
+      "quiz": [{
+          "questionText": "Las humanidades digitales son una práctica que combina los métodos informáticos con la investigación humanística",
+          "answerOptions": [{
+              "answerText": "Verdadera",
+              "isCorrect": "true"
+            },
+            {
+              "answerText": "Falso",
+              "isCorrect": "false"
+            }
+          ]
+        },
+        {
+          "questionText": "Utilizar la ciencia de los datos para la investigación de la sostenibilidad",
+          "answerOptions": [{
+              "answerText": "Estudiar la deforestación",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Estudio de los datos del cambio climático",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        },
+        {
+          "questionText": "En finanzas, se puede utilizar la ciencia de los datos para",
+          "answerOptions": [{
+              "answerText": "Investigación sobre sus servicios financieros",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Personalizar las opciones de fondos de inversión en función del tipo de cliente",
+              "isCorrect": "false"
+            },
+            {
+              "answerText": "Las dos respuestas anteriores",
+              "isCorrect": "true"
+            }
+          ]
+        }
+      ]
+    }
+  ]
+}]

quiz-app/src/assets/translations/es/index.js

@@ -0,0 +1,20 @@
+import es0 from './group-1.json';
+import es1 from './group-2.json';
+import es2 from './group-3.json';
+
+import es3 from './group-4.json';
+
+import es4 from './group-5.json';
+
+import es5 from './group-6.json';
+
+const quiz = {
+  0: es0[0],
+  1: es1[0],
+  2: es2[0],
+  3: es3[0],
+  4: es4[0],
+  5: es5[0],
+};
+
+export default quiz;

quiz-app/src/assets/translations/index.js

@@ -1,8 +1,10 @@
-import englishQuizzes from "./en/";
-import frenchQuizzes from "./fr/";
+import englishQuizzes from './en/';
+import frenchQuizzes from './fr/';
+import spanishQuizzes from './es/';
 
 const messages = {
   en: englishQuizzes,
-  fr: frenchQuizzes
+  fr: frenchQuizzes,
+  es: spanishQuizzes,
 };
 export default messages;