Un taller que brinda al estudiante conocimientos básicos sobre Ciencia de Datos y a la vez le permite ganar experiencia con herramientas de Ciencia de Datos como Jupyter Notebooks, Python, R, entre otras, en el desarrollo de un proyecto de investigación en Ciencia de Datos.
El taller se compone de material convencional en formato slides, a través del cual el estudiante puede aprender los principales conceptos acerca de Ciencia de Datos. La lista completa de slides está disponible en el directorio slides. A modo de gúia, se suguiere el siguiente orden de lectura:
- 01 - IDATHA - UM - Data Science - Presentacion.pdf
- 02 - IDATHA - UM - Data Science - Teorico Parte 1.pdf
- 03 - IDATHA - UM - Data Science - Teorico Parte 2.pdf
De forma complementaria, el taller cuenta con material en formato Jupyter Notebooks, mediante el cual el estudiante puede ver en acción, utilizando datos de verdad, los conceptos que previamente fueron presentados a través de las slides.
Con el espíritu de simplificar el proceso de aprendizaje, minimizando la curva de aprendizaje, se proveen Notebooks con ejemplos para los lenguajes R y Python. Estos son los dos lenguajes de programación más utilizados actualmente por la comunidad de data scientist.
Vale la pena aclarar, si bien cada notebook responde a un grupo de conceptos en particular, como Data Preparation, Data Visualization, etc., el lector puede encontrar pequeñas diferencias entre la versión de un mismo Notebook escrito en R o escrito en Python. Esto se debe principalmente a que cada lenguaje cuenta con sus propias particularidades y librerías, lo cual imposibilita en algunos casos, que un mismo notebook, en R sea una fiel espejo del mismo en Python.
Por otro lado, el conjunto de Notebooks en R se desarrolló primero, siguiéndole el conjunto de notebooks portados a Python. Por esta razón, puede que los notebooks en Python contengan algun BUG Fix o mejora, introducido como parte del proceso de "portado" que aún no haya sido trasladado a la versión original en R.
La lista completa de notebooks está disponible en el directorio notebooks. A modo de guía, se suguiere el siguiente orden de lectura:
R
- 01 - DS - Conceptos Basicos Jupyter Notebooks - R.ipynb
- 02 - DS - Introduccion a Data Science - R.ipynb
- 03 - DS - Adquisicion de Datos - R.ipynb
- 04 - DS - Comprension de los Datos - R
- 05 - DS - Visualizacion de Datos - R.ipynb
- 06 - DS - Preparacion de Datos y Visualizacion - R.ipynb
Python
- 01 - DS - Conceptos Basicos Jupyter Notebooks - Python.ipynb
- 02 - DS - Introduccion a Data Science - Python.ipynb
- 03 - DS - Adquisicion de Datos - Python.ipynb
- 04 - DS - Comprension de los Datos - Python
- 05 - DS - Visualizacion de Datos - Python.ipynb
- 06 - DS - Preparacion de Datos y Visualizacion - Python.ipynb
Es una aplicación Web interactiva, open-source, en la cual podemos combinar código (junto con su ejecución y resultados), texto enriquecido, tablas, entre otros. De esta forma, podemos crear como data scientitst, informes y análisis de datos combinando código con conclusiones en un mismo lugar.
Más información acerca de Jupyter Notebook en https://jupyter.org/
Esencialmente es una distribución libre y abierta de los lenguajes Python y R, junto con herramientas que facilitan la configuración y despliegue de un ambiente virtual con todas sus dependencias (librerías, etc.).
Es ampliamente utilizado en el área de la ciencia de datos y además es compatible con Linux y Windows.
Podemos utilizarlo como gestor para la instalación de Python/R, Jupyter Notebooks y todas las librerías que vayamos a necesitar.
Más información acerca de Anaconda en https://www.anaconda.com/distribution/
Colaboratory es un entorno de notebook de Jupyter gratuito que no requiere configuración y se ejecuta completamente en la nube.
Tiene la ventaja de permitir las mismas funcionalidades de Jupyter Notebooks en un ambiente en la nube, sin instalación y de forma gratuita, necesitando solamente de un navegador Web. Como contra-parte, de forma gratuita, está limitada la utilización de Memoria RAM y CPU ya que utiliza hardware compartido en la nube.
Más información acerca de Google Colab en https://colab.research.google.com/notebooks/welcome.ipynb
En caso que no tengas tu ambiente de trabajo configurado y no estes muy familiarizado con las herramientas de un data scientist, puedes abrir las versiones HTML de los mismos. Estas versiones tienen la desventaja que son estáticas, mostrando los resultados de la última ejecución del notebook antes de exportarlo a HTML. De todas formas son muy útiles para ver el contenido de un notebook si no tienes la necesidad de ejecutarlo.
Parar abrir un notebook en HTML lo único que necesitas es un navegador web. Una vez que te descargues el proyecto ve hasta el directorio donde se encuentra el notebook y abrelo con tu navegador predeterminado.
La lista completa de notebooks exportados a HTML está disponible en el directorio notebooks/html
- Emiliano Viotti
- Manu Reynaert