10 KiB

Raw Blame History

Guía de Uso

Esta guía proporciona ejemplos y flujos de trabajo comunes para utilizar el currículo de Ciencia de Datos para Principiantes.

Tabla de Contenidos

Cómo Usar Este Currículo

Este currículo está diseñado para ser flexible y puede utilizarse de varias maneras:

Aprendizaje autodidacta: Trabaja en las lecciones de forma independiente a tu propio ritmo.
Instrucción en el aula: Úsalo como un curso estructurado con instrucción guiada.
Grupos de estudio: Aprende de manera colaborativa con compañeros.
Formato de taller: Sesiones intensivas de aprendizaje a corto plazo.

Trabajando con las Lecciones

Cada lección sigue una estructura consistente para maximizar el aprendizaje:

Estructura de la Lección

Cuestionario previo a la lección: Evalúa tus conocimientos existentes.
Sketchnote (Opcional): Resumen visual de conceptos clave.
Video (Opcional): Contenido de video complementario.
Lección escrita: Conceptos principales y explicaciones.
Jupyter Notebook: Ejercicios prácticos de codificación.
Asignación: Practica lo que has aprendido.
Cuestionario posterior a la lección: Refuerza tu comprensión.

Ejemplo de Flujo de Trabajo para una Lección

# 1. Navigate to the lesson directory
cd 1-Introduction/01-defining-data-science

# 2. Read the README.md
# Open README.md in your browser or editor

# 3. Take the pre-lesson quiz
# Click the quiz link in the README

# 4. Open the Jupyter notebook (if available)
jupyter notebook

# 5. Complete the exercises in the notebook

# 6. Work on the assignment

# 7. Take the post-lesson quiz

Trabajando con Jupyter Notebooks

Iniciando Jupyter

# Activate your virtual environment
source venv/bin/activate  # On macOS/Linux
# OR
venv\Scripts\activate  # On Windows

# Start Jupyter from the repository root
jupyter notebook

Ejecutando Celdas del Notebook

Ejecutar una celda: Presiona Shift + Enter o haz clic en el botón "Run".
Ejecutar todas las celdas: Selecciona "Cell" → "Run All" en el menú.
Reiniciar el kernel: Selecciona "Kernel" → "Restart" si encuentras problemas.

Ejemplo: Trabajando con Datos en un Notebook

# Import required libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Load a dataset
df = pd.read_csv('data/sample.csv')

# Explore the data
df.head()
df.info()
df.describe()

# Create a visualization
plt.figure(figsize=(10, 6))
plt.plot(df['column_name'])
plt.title('Sample Visualization')
plt.xlabel('X-axis Label')
plt.ylabel('Y-axis Label')
plt.show()

Guardando tu Trabajo

Jupyter guarda automáticamente de forma periódica.
Guardar manualmente: Presiona Ctrl + S (o Cmd + S en macOS).
Tu progreso se guarda en el archivo .ipynb.

Usando la Aplicación de Cuestionarios

Ejecutando la Aplicación de Cuestionarios Localmente

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Realizando Cuestionarios

Los cuestionarios previos a la lección están vinculados al inicio de cada lección.
Los cuestionarios posteriores a la lección están vinculados al final de cada lección.
Cada cuestionario tiene 3 preguntas.
Los cuestionarios están diseñados para reforzar el aprendizaje, no para evaluar exhaustivamente.

Numeración de Cuestionarios

Los cuestionarios están numerados del 0 al 39 (40 cuestionarios en total).
Cada lección generalmente tiene un cuestionario previo y posterior.
Las URLs de los cuestionarios incluyen el número del cuestionario: https://ff-quizzes.netlify.app/en/ds/quiz/0

Flujos de Trabajo Comunes

Flujo de Trabajo 1: Ruta para Principiantes Completos

# 1. Set up your environment (see INSTALLATION.md)

# 2. Start with Lesson 1
cd 1-Introduction/01-defining-data-science

# 3. For each lesson:
#    - Take pre-lesson quiz
#    - Read the lesson content
#    - Work through the notebook
#    - Complete the assignment
#    - Take post-lesson quiz

# 4. Progress through all 20 lessons sequentially

Flujo de Trabajo 2: Aprendizaje Específico por Tema

Si te interesa un tema específico:

# Example: Focus on Data Visualization
cd 3-Data-Visualization

# Explore lessons 9-13:
# - Lesson 9: Visualizing Quantities
# - Lesson 10: Visualizing Distributions
# - Lesson 11: Visualizing Proportions
# - Lesson 12: Visualizing Relationships
# - Lesson 13: Meaningful Visualizations

Flujo de Trabajo 3: Aprendizaje Basado en Proyectos

# 1. Review the Data Science Lifecycle lessons (14-16)
cd 4-Data-Science-Lifecycle

# 2. Work through a real-world example (Lesson 20)
cd ../6-Data-Science-In-Wild/20-Real-World-Examples

# 3. Apply concepts to your own project

Flujo de Trabajo 4: Ciencia de Datos en la Nube

# Learn about cloud data science (Lessons 17-19)
cd 5-Data-Science-In-Cloud

# 17: Introduction to Cloud Data Science
# 18: Low-Code ML Tools
# 19: Azure Machine Learning Studio

Consejos para Autoaprendices

Mantente Organizado

# Create a learning journal
mkdir my-learning-journal

# For each lesson, create notes
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md

Practica Regularmente

Dedica tiempo específico cada día o semana.
Completa al menos una lección por semana.
Revisa lecciones anteriores periódicamente.

Participa en la Comunidad

Únete a la comunidad de Discord.
Participa en el canal #Data-Science-for-Beginners en Discord Discusiones en Discord.
Comparte tu progreso y haz preguntas.

Crea Tus Propios Proyectos

Después de completar las lecciones, aplica los conceptos en proyectos personales:

# Example: Analyze your own dataset
import pandas as pd

# Load your own data
my_data = pd.read_csv('my-project/data.csv')

# Apply techniques learned
# - Data cleaning (Lesson 8)
# - Exploratory data analysis (Lesson 7)
# - Visualization (Lessons 9-13)
# - Analysis (Lesson 15)

Consejos para Profesores

Configuración del Aula

Revisa for-teachers.md para obtener orientación detallada.
Configura un entorno compartido (GitHub Classroom o Codespaces).
Establece un canal de comunicación (Discord, Slack o Teams).

Planificación de Lecciones

Horario sugerido de 10 semanas:

Semana 1-2: Introducción (Lecciones 1-4).
Semana 3-4: Trabajando con Datos (Lecciones 5-8).
Semana 5-6: Visualización de Datos (Lecciones 9-13).
Semana 7-8: Ciclo de Vida de la Ciencia de Datos (Lecciones 14-16).
Semana 9: Ciencia de Datos en la Nube (Lecciones 17-19).
Semana 10: Aplicaciones del Mundo Real y Proyectos Finales (Lección 20).

Ejecutando Docsify para Acceso Sin Conexión

# Serve documentation locally for classroom use
docsify serve

# Students can access at localhost:3000
# No internet required after initial setup

Evaluación de Asignaciones

Revisa los notebooks de los estudiantes para verificar ejercicios completados.
Evalúa la comprensión a través de los puntajes de los cuestionarios.
Evalúa los proyectos finales utilizando principios del ciclo de vida de la ciencia de datos.

Creando Asignaciones

# Example custom assignment template
"""
Assignment: [Topic]

Objective: [Learning goal]

Dataset: [Provide or have students find one]

Tasks:
1. Load and explore the dataset
2. Clean and prepare the data
3. Create at least 3 visualizations
4. Perform analysis
5. Communicate findings

Deliverables:
- Jupyter notebook with code and explanations
- Written summary of findings
"""

Trabajando Sin Conexión

Descargar Recursos

# Clone the entire repository
git clone https://github.com/microsoft/Data-Science-For-Beginners.git

# Download datasets in advance
# Most datasets are included in the repository

Ejecutar Documentación Localmente

# Serve with Docsify
docsify serve

# Access at localhost:3000

Ejecutar la Aplicación de Cuestionarios Localmente

cd quiz-app
npm run serve

Accediendo a Contenido Traducido

Las traducciones están disponibles en más de 40 idiomas:

# Access translated lessons
cd translations/fr  # French
cd translations/es  # Spanish
cd translations/de  # German
# ... and many more

Cada traducción mantiene la misma estructura que la versión en inglés.

Recursos Adicionales

Continuar Aprendiendo

Microsoft Learn - Rutas de aprendizaje adicionales.
Student Hub - Recursos para estudiantes.
Azure AI Foundry - Foro comunitario.

Currículos Relacionados

Obteniendo Ayuda

Revisa TROUBLESHOOTING.md para problemas comunes.
Busca en GitHub Issues.
Únete a nuestro Discord.
Revisa CONTRIBUTING.md para reportar problemas o contribuir.

Descargo de responsabilidad:
Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse como la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.

10 KiB Raw Blame History