// entrenamiento
Gimnasio de habilidades
Practica cada habilidad con lecciones completas: teoría, ejemplos, ejercicios y retos. Tu progreso se actualiza al completar lecciones (o marca el estado a mano).
Introducción a la Ciencia de Datos
Antes de los modelos: qué es este oficio, cómo es el día real y por qué lo difícil no es entrenar, es saber si puedes creértelo.
Tu ordenador como herramienta
Aprende a hablar con tu ordenador: terminal, archivos, VS Code y cómo funciona la máquina que vas a programar.
Pensamiento lógico y programación
Aprende a pensar como un programador: variables, decisiones, bucles y funciones. La lógica antes que la sintaxis.
Python desde cero
Domina Python como tu herramienta principal: estructuras de datos, archivos, módulos, pip y tu primer proyecto real.
Git en equipo y flujo profesional
Branches, merge, GitHub y Pull Requests: aprende a colaborar en código sin pisar el trabajo de tus compañeros.
Fundamentos de datos
Qué son los datos, cómo se almacenan (CSV, JSON, Parquet), cómo viajan y por qué existen las bases de datos.
SQL — El lenguaje de los datos
Desde cero hasta consultas complejas: SELECT, filtros, agregaciones, JOINs, CTEs y más. El idioma que llevan hablando las bases de datos 50 años.
SQL analítico avanzado
Window functions, rankings, medias móviles y planes de ejecución: las consultas que responden preguntas que un GROUP BY no alcanza.
Estadística descriptiva y probabilidad
Poner número a lo incierto: probabilidad, la forma de los datos, cuándo la media miente y por qué correlación no es causa.
pandas y manipulación de datos
La herramienta con la que tocarás datos toda tu carrera: leer, filtrar, crear columnas, agrupar y combinar tablas.
Limpieza y análisis exploratorio
Mirar qué trae una tabla antes de calcular nada y arreglar lo roto: huecos, copias, valores imposibles y tipos que mienten.
Visualización y comunicación
Elegir el gráfico que responde la pregunta, construirlo con matplotlib y seaborn, y no engañar con la escala.
Inferencia, experimentos y causalidad
Pasar de describir a concluir: si un cambio es real o es ruido, leer un experimento, y estimar causas cuando no puedes experimentar.
Modelos estadísticos: explicar antes de predecir
Un modelo que se puede interrogar: ajustar una regresión, leer el efecto de cada variable y distinguir explicar de predecir.
El mapa del aprendizaje y tu primer modelo
Entrar en el machine learning: los tres tipos de aprendizaje, tu primer modelo con fit y predict, árboles y k-means.
Validación honesta
Saber si puedes fiarte de un modelo: medir sin engañarte, cazar la fuga de datos, leer la cifra y entregarlo sabiendo que caducará.
Modelos avanzados, interpretabilidad y redes
Los modelos que ganan en datos de tabla —bosques y boosting—, las variables que les das, y un primer contacto con las redes.
Series temporales
Cuando el dato lleva fecha, el orden es información: diagnosticar una serie y predecirla con honestidad, de la línea base a ARIMA.