You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
365 lines
10 KiB
365 lines
10 KiB
# 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](../..)
|
|
- [Trabajando con las Lecciones](../..)
|
|
- [Trabajando con Jupyter Notebooks](../..)
|
|
- [Usando la Aplicación de Cuestionarios](../..)
|
|
- [Flujos de Trabajo Comunes](../..)
|
|
- [Consejos para Autoaprendices](../..)
|
|
- [Consejos para Profesores](../..)
|
|
|
|
## 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
|
|
|
|
1. **Cuestionario previo a la lección**: Evalúa tus conocimientos existentes.
|
|
2. **Sketchnote** (Opcional): Resumen visual de conceptos clave.
|
|
3. **Video** (Opcional): Contenido de video complementario.
|
|
4. **Lección escrita**: Conceptos principales y explicaciones.
|
|
5. **Jupyter Notebook**: Ejercicios prácticos de codificación.
|
|
6. **Asignación**: Practica lo que has aprendido.
|
|
7. **Cuestionario posterior a la lección**: Refuerza tu comprensión.
|
|
|
|
### Ejemplo de Flujo de Trabajo para una Lección
|
|
|
|
```bash
|
|
# 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
|
|
|
|
```bash
|
|
# 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
|
|
|
|
1. **Ejecutar una celda**: Presiona `Shift + Enter` o haz clic en el botón "Run".
|
|
2. **Ejecutar todas las celdas**: Selecciona "Cell" → "Run All" en el menú.
|
|
3. **Reiniciar el kernel**: Selecciona "Kernel" → "Restart" si encuentras problemas.
|
|
|
|
### Ejemplo: Trabajando con Datos en un Notebook
|
|
|
|
```python
|
|
# 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
|
|
|
|
```bash
|
|
# Navigate to quiz app directory
|
|
cd quiz-app
|
|
|
|
# Start the development server
|
|
npm run serve
|
|
|
|
# Access at http://localhost:8080
|
|
```
|
|
|
|
### Realizando Cuestionarios
|
|
|
|
1. Los cuestionarios previos a la lección están vinculados al inicio de cada lección.
|
|
2. Los cuestionarios posteriores a la lección están vinculados al final de cada lección.
|
|
3. Cada cuestionario tiene 3 preguntas.
|
|
4. 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
|
|
|
|
```bash
|
|
# 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:
|
|
|
|
```bash
|
|
# 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
|
|
|
|
```bash
|
|
# 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
|
|
|
|
```bash
|
|
# 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
|
|
|
|
```bash
|
|
# 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](https://aka.ms/ds4beginners/discord).
|
|
- Participa en el canal #Data-Science-for-Beginners en Discord [Discusiones en Discord](https://aka.ms/ds4beginners/discord).
|
|
- Comparte tu progreso y haz preguntas.
|
|
|
|
### Crea Tus Propios Proyectos
|
|
|
|
Después de completar las lecciones, aplica los conceptos en proyectos personales:
|
|
|
|
```python
|
|
# 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
|
|
|
|
1. Revisa [for-teachers.md](for-teachers.md) para obtener orientación detallada.
|
|
2. Configura un entorno compartido (GitHub Classroom o Codespaces).
|
|
3. 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
|
|
|
|
```bash
|
|
# 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
|
|
|
|
```python
|
|
# 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
|
|
|
|
```bash
|
|
# 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
|
|
|
|
```bash
|
|
# Serve with Docsify
|
|
docsify serve
|
|
|
|
# Access at localhost:3000
|
|
```
|
|
|
|
### Ejecutar la Aplicación de Cuestionarios Localmente
|
|
|
|
```bash
|
|
cd quiz-app
|
|
npm run serve
|
|
```
|
|
|
|
## Accediendo a Contenido Traducido
|
|
|
|
Las traducciones están disponibles en más de 40 idiomas:
|
|
|
|
```bash
|
|
# 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](https://docs.microsoft.com/learn/) - Rutas de aprendizaje adicionales.
|
|
- [Student Hub](https://docs.microsoft.com/learn/student-hub) - Recursos para estudiantes.
|
|
- [Azure AI Foundry](https://aka.ms/foundry/forum) - Foro comunitario.
|
|
|
|
### Currículos Relacionados
|
|
|
|
- [AI para Principiantes](https://aka.ms/ai-beginners).
|
|
- [ML para Principiantes](https://aka.ms/ml-beginners).
|
|
- [Desarrollo Web para Principiantes](https://aka.ms/webdev-beginners).
|
|
- [Generative AI para Principiantes](https://aka.ms/genai-beginners).
|
|
|
|
## Obteniendo Ayuda
|
|
|
|
- Revisa [TROUBLESHOOTING.md](TROUBLESHOOTING.md) para problemas comunes.
|
|
- Busca en [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues).
|
|
- Únete a nuestro [Discord](https://aka.ms/ds4beginners/discord).
|
|
- Revisa [CONTRIBUTING.md](CONTRIBUTING.md) para reportar problemas o contribuir.
|
|
|
|
---
|
|
|
|
**Descargo de responsabilidad**:
|
|
Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/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. |