Bienvenida conceptos b谩sicos y contexto hist贸rico de las Bases de Datos

1

Bienvenida conceptos b谩sicos y contexto hist贸rico de las Bases de Datos

2

Playground: tu primera consulta en bases de datos

Introducci贸n a las bases de datos relacionales

3

Historia de las bases de datos relacionales

4

Qu茅 son entidades y atributos

5

Entidades de Platzi Blog

6

Relaciones

7

M煤ltiples muchos

8

Diagrama ER

9

Diagrama F铆sico: tipos de datos y constraints

10

Diagrama F铆sico: normalizaci贸n

11

Formas normales en Bases de Datos relacionales

12

Diagrama F铆sico: normalizando Platziblog

RDBMS (MySQL) o c贸mo hacer lo anterior de manera pr谩ctica

13

Instalaci贸n local de un RDBMS (Windows)

14

驴Qu茅 es RDB y RDBMS?

15

Instalaci贸n local de un RDBMS (Mac)

16

Instalaci贸n local de un RDBMS (Ubuntu)

17

Clientes gr谩ficos

18

Servicios administrados

SQL hasta en la sopa

19

Historia de SQL

20

DDL create

21

Playground: CREATE TABLE

22

CREATE VIEW y DDL ALTER

23

DDL drop

24

Playground: VIEW, ALTER y DROP en SQL

25

DML

26

Playground: CRUD con SQL

27

驴Qu茅 tan standard es SQL?

28

Creando Platziblog: tablas independientes

29

Creando Platziblog: tablas dependientes

30

Creando Platziblog: tablas transitivas

Consultas a una base de datos

31

驴Por qu茅 las consultas son tan importantes?

32

Estructura b谩sica de un Query

33

SELECT

34

Playground: SELECT en SQL

35

FROM y SQL JOINs

36

Utilizando la sentencia FROM

37

Playground: FROM y LEFT JOIN en SQL

38

WHERE

39

Utilizando la sentencia WHERE nulo y no nulo

40

Playground: Filtrando Datos con WHERE

41

GROUP BY

42

ORDER BY y HAVING

43

Playground: Agrupamiento y Ordenamiento de Datos

44

El interminable agujero de conejo (Nested queries)

45

驴C贸mo convertir una pregunta en un query SQL?

46

Pregunt谩ndole a la base de datos

47

Consultando PlatziBlog

48

Playground: Prueba Final con PlatziBlog

Introducci贸n a la bases de datos NO relacionales

49

驴Qu茅 son y cu谩les son los tipos de bases de datos no relacionales?

50

Servicios administrados y jerarqu铆a de datos

Manejo de modelos de datos en bases de datos no relacionales

51

Top level collection con Firebase

52

Creando y borrando documentos en Firestore

53

Colecciones vs subcolecciones

54

Recreando Platziblog

55

Construyendo Platziblog en Firestore

56

Proyecto final: transformando tu proyecto en una db no relacional

Bases de datos en la vida real

57

Bases de datos en la vida real

58

Big Data

59

Data warehouse

60

Data mining

61

ETL

62

Business intelligence

63

Machine Learning

64

Data Science

65

驴Por qu茅 aprender bases de datos hoy?

Bonus

66

Bases de datos relacionales vs no relacionales

67

Elegir una base de datos

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Data Science

64/67
Recursos

Data Science es aplicar todas las t茅cnicas de procesamiento de datos. En su manera m谩s pura tiene que ver con gente con un background de estad铆sticas y ciencias duras.

Aportes 130

Preguntas 4

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

Saludos! Estas son mis notas tomadas durante este bloque de clases por si a alguien les son utiles.

Hoy en dia no existen bases de datos 鈥榦ne size fits all鈥, es decir, hoy en dia en las aplicaciones modernas se utilizan distintas bases de datos ya sean relacionales, no relacionales, etc en una sola aplicacion. Las bases de datos relacionales servian muy bien por un tiempo para cumplir con varias demandas pero a medida que llego el Big Data estas no pudieron manejar bien toda esta carga con lo cual fueron creando otras.

  • Big Data: Grandes cantidades de datos, el reto que empezo a cerrar las puertas fueron que se estuvieron manejando cada vez mas grandes, grandes volumenes de datos. Se refiere a que en este momento en milesimas de segundos vamos a guardar grandes cantidades de datos. Es un gran movimiento que surgio con Youtube y Facebook ya que necesitaban guardar muchoos datos rapido.
  • Data Warehouse: Guardar grandes cantidades masivas de datos, la diferencia con Big Data es guardar mas datos que en Big Data pero que son datos historicos, es decir, que no se extraen muy a menudo. Ejemplo de Google que usa eso es Bigtable, otra solucion es BigQuery.
  • Data Mining: Es literal picar piedra, es decir, debido a que el orden en que se guardaban estos datos no era el mas optimo o el mas eficaz nos toca como data miners intentar buscar en todos esos datos y sacar informacion util que ayude en las decisiones de negocio. En si no se refiere a una base de datos sino a un conjunto de tecnicas para extraer informacion valiosa para las empresas.
  • ETL: Son las siglas de Extract, Transform, Load. Se trata de tomar datos de archivos muertos y convertirlos en algo que sea de utilidad para el negocio. Tambien ayuda a tomar los datos viveos de la aplicacion, transformarlos y guardarlos en un data warehouse periodicamente. Esta tecnica tiene dos grandes usos: Para el datamining cuando tenemos una base de datos sin orden, sacamos la info, la limpiamos y la guardamos en un data warehouse y ahora si esta ordenada y podemos sacarle provecho a ella. Otro gran caso de uso es mas o menos similar pero cuando lo tenemos que hacer en tiempo real que sirve para hacer etl, es decir, guardamos el estado en bases de datos no relacional que no son muy buenas manejando queries complejos y si tenemos muchas relaciones y con ETL podemos aprovechar la informacion aunque este asi y obtener informacion valiosa. Aunque no existen tecnologias que hagan todo el proceso existen los data pipelines para manejar todas estas fases.
  • Business Intelligence: Como el nombre lo dice inteligencia para el negocio, que se refiere a tener los datos de manera oportuna y datos correctos que los ayuden a dar informacion necesaria para hacer las decisiones correctas. Con esto tratamos de hacer sentido a toda la info obtenida y nos ayuda a saber digamos que tipo de audiencia tenemos, el historico de como han ido las ventas en ciertos periodos, es decir, nos permite visualizar las relaciones que tiene nuestro sistema y aplicacion y los clientes entre si. Herramientas para esto: Tableau, QlikView, PowerBI.
  • Machine Learning: Son una serie de tecnicas que involucran la inteligencia artificial y deteccion de patrones. A diferencia de Business Intelligence que queremos buscar un patron en especifico con la informacion que ya tenemos, mientras que con Machine Learning dado un conjunto de datos buscamos encontrar patrones que no esperas o no eran obvios para un ser humano, ademas que busca saber en un futuro como se comportarian nuestros usuarios. Una bd muy buena para esto es BigQuery que nos sirve como warehouse y ademas nos permite hacer queries que nos podrian ayudar con BusinessIntelligence como son Data Studio. Entre los dos casos de uso principales de ML son: clasificacion y prediccion.
    • Con la clasificacion nos referimos a que si tenemos varios datos historicos y queremos conocer por ejemplo cuales temas fueron mas interesantes durante un periodo en especifico, no serviria con buscar palabras claves, para este tipo de casos se utiliza la tecnica de ML denominada Procesamiento de Lenguaje Natural lo que hace es tomar un texto o reconocimiento de voz que utiliza el lenguaje natural humano nada estructurado, lo empieza a procesar y nos devuelve los patrones que encontro. Por ejemplo con el Platziblog: Si tenemos un modelo muy bien entrenado, es decir, que le hayamos pasado una buena cantidad de articulos que si sabemos que son de politica y reconoce estos patrones. Cuando le pasamos toda la informacion de Platziblog nos devuelve articulos que no especificaban por ninguna parte que se trataban de politica pero gracias al modelo pudimos identificarlos.
    • Con la prediccion nos ayuda a la toma de decisiones. Por ejemplo le damos las ventas de unos a帽os pasados, procesa las ventas y genera un modelo, que cuando le pasemos las ventas actuales nos ayuda a identificar las relaciones y patrones que nos ayuda a visualizar a donde nos dirigimos, es decir, si le pasamos ventas proyectadas a futuro este nos dice que va a pasar, si se va a comportar igual, etc.
      BigQuery es una buena herramienta debido a que con un lenguaje similar a SQL pero con mas funcionalidades nos permite ademas de hacer consultas, almacenarla y alimentarla a un algoritmo de modelos de ML que con el mismo lenguaje SQL al ejecutarlo estamos creando modelos que nos ayudaran a predecir valores futuros.
  • Data Science: Es aplicar todo lo que hemos visto, tecnicas de ETL, Data Mining, Business Intelligence. Aunque esta mas dirigida a personas con background de estadisticas, hoy en dia tambien participan personas con el perfil de Data Engineering. Al hacer Data Science estamos aplicando todo lo visto en los temas anteriores, no solo a nivel tecnico sino que desarrollamos la experiencia y conocimientos sobre las distintas tecnologias, en que parte del desarrollo de nuestro proyecto tenemos que utilizarlas, etc. Con lo cual el Data Science juega el papel de manager dentro de un equipo de profesionales de datos.

Les comparto mis apuntes de toda la seccion Bases de datos en la vida real. Espero les sirva 馃槃 鉂わ笍




Fue un placer aprender a su lado compa帽eros 馃挌. Gracias Israel

Uno de los mejores cursos que he tomado en PLATZI!!

Una peque帽a infografia

Israel es un gran profesor. De los mejores de Platzi.

Boss: Necesito un data scientist para que mi empresa se vea cool!!!

Que agradable haber hecho el curso con tu forma de explicar.

El mejor profesor de platzi

La ciencia de datos es un campo interdisciplinario que involucra m茅todos cient铆ficos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas

Dataismo! jajaja

Vaya, entonces el data scientist es aquel profesional que sabe de data mining, ETL, data warehouse, etc como el full-stack developer que es aquel profesional que sabe de backend y frontend

Data Science, es un cient铆fico de datos que toma todos la informaci贸n de una compa帽铆a y usando todas las t茅cnicas conocidas, lograr obtener informaci贸n para la toma de decisiones.

De verdad estas clases motivan a nunca parar de aprender. Te generan una curiosidad tan grande al ver el gran universo de posibilidades donde puedes aplicar los conocimientos que aprendemos, que de verdad es un reto enfocarse en ir aprendiendo todo carrera carrera, sin que quieras ir a explorar otras cosas.

Felicitaciones profe, este m贸dulo me aclar贸 mucho conceptualmente.

DATA SCIENCE:

De una entrevista a varios data scientists que vi hace poco, coincid铆an en que los roles principales de estos profesionales en DS son:

  1. Los que trabajan haciendo estad铆stica inferencial que van m谩s con el dise帽o de experimentos, pruebas de validaci贸n de nuevos features de los productos y cosas por el estilo y trabajan cerca de un full-stack team.

  2. Los que trabajan aplicando t茅cnicas como ML para crear algoritmos de recomendaci贸n o clasificaci贸n.

  3. Los que hacen analytics, buscando tendencias y generando insights para gerencias.

Que buen profe que es Israel

D A T A I S M O

Muchas gracias Israel por transmitirnos tu conocimiento, los temas, la metodolog铆a y cada uno de los conceptos fueron clave para mi aprendizaje, record茅 conceptos y adquir铆 nuevos conocimientos. Excelente curso.

Muy buena clase. Soy ing. electricista que por necesidad he venido trabajando en base de datos relacionados a mi especialidad. Todos los conocimientos del curso han ayudado a exclarecer cosas que sab铆a un poco, pero me ha abierto el panorama a nuevas cosas que ir茅 aprendiendo.

49. Mis apuntes sobre: 鈥淒ata Science鈥

Es aplicar todo lo que vimos, y saber cu谩ndo aplicar cada cosa.
Existen: Data Scientist y Data Engineer.

Un Data Scientist es un experto en Data Science que resuelve problemas complejos de diferentes disciplinas (finanzas, marketing, ciencias de la vida, industria鈥) haciendo uso del an谩lisis de datos (principalmente con herramientas estad铆sticas e inform谩ticas) y ayuda a la extracci贸n de conclusiones.

Notas: el Data Science: son profesionales que tienen como base de su conocimiento la estad铆sticas y ciencias duras, quienes aplican las t茅cnicas de Datos, como Data Engineer, quienes son los mas t茅cnicos en el proceso de manipulaci贸n de la data, estos tambi茅n hacen parte de los Data Science actualmente, ahora adem谩s son parte del Rol Manager dentro de un equipo de profesionales de los datos

Este es uno de los mejores cursos que tiene Platzi. Personalmente para mi el mejor curso.

shoutout a Israel que es un crack!!

Data Science

Para los interesados en data science, en platzi esta la escuela: https://platzi.com/datos/

Uno de los mejores profesores!

La ciencia de datos permite la extracci贸n de conocimientos pr谩cticos a partir de datos a gran escala. Aqu铆, lo contextualizamos como un t茅rmino general, que abarca varios subdominios dispares. Nos enfocamos en c贸mo la gen贸mica encaja como un subdominio de aplicaci贸n espec铆fico, en t茅rminos de marcos de procesos conocidos de 3 V y 4 M (volumen-velocidad-variedad y medici贸n-miner铆a-modelado-manipulaci贸n, respectivamente). Analizamos m谩s a fondo las 鈥渆xportaciones鈥 e 鈥渋mportaciones鈥 t茅cnicas y culturales entre la gen贸mica y otros subdominios de la ciencia de datos (por ejemplo, astronom铆a). Finalmente, discutimos c贸mo el valor, la privacidad y la propiedad de los datos son problemas urgentes para las aplicaciones de ciencia de datos, en general, y son especialmente relevantes para la gen贸mica, debido a la naturaleza persistente del ADN.

Data Science es aplicar todas las t茅cnicas de procesamiento de datos. En su manera m谩s pura tiene que ver con gente con un background de estad铆sticas y ciencias duras.

Excelente curso!!!

DATA SCIENCE
.
Data Science es una disciplina que engloba las t茅cnicas de Big Data, Data Warehouse, Data Mining, ETL, Business Intelligence y Machine Learning juntas.
.
El perfil de personas que aplican a esta disciplina tienen un background en estad铆sticas, matem谩ticas entre otras ciencias. Sin embargo en la actual se encuentra complementado con otras disciplinas como** Data Engineerin**g que tiene que ver con la transformaci贸n de los datos.
.
Data scientist tambi茅n aplica el rol de Manager ya que es quien lleva el conocimiento y proyectos a la practica.

Roles que cumple un Data science:

  • Hacer un inventario de preguntas
  • Recolectar los datos
  • Procesar los datos
  • Analizar los datos recaudados
  • Desarrollar modelos de algoritmos
  • Dise帽ar nuevas estrategias

Llegu茅 a Platzi queriendo ser un experto en programaci贸n para el desarrollo Web espec铆ficamente, pero me di cuenta que gracias al amor que le tengo a las estad铆sticas y en general las matematicas que vi en la universidad, realmente vine a Platzi a salir como un Data Scientist y dominar el Machine Learning. Qu茅 gran curso para iniciar en este universo.

Data Science: Aplicar todos las t茅cnicas de procesamiento de datos, complementarlas entre ellas y armar un proceso completo de trabajo en base a los datos

Comparto mi resumen con respecto al bloque - BD en la vida real-
鈼 Big Data: Conjunto de datos tan grandes y complejos que supera la capacidad del software convencional para ser capturados, administrados y procesados en un tiempo razonable.

鈼 Data Warehouse: Almac茅n de datos, colecci贸n de datos orientada  a un determinado 谩mbito empresarial, se usa para realizar informes y an谩lisis de datos.

鈼 Data Mining: Miner铆a de datos, proceso en el que se intenta descubrir patrones en grandes vol煤menes de conjunto de datos para sacar informaci贸n 煤til. Utilizado en inteligencia artificial, aprendizaje aut贸nomo, estad铆stica y SBD

鈼 ETL: Extraer, Transformar y cargar. Permite mover datos desde m煤ltiples fuentes, reformatearlos y limpiarlos para cargar a otra BD para su an谩lisis. 

鈼 Business Intelligence: Inteligencia empresarial. Conjunto de estrategias enfocados a la administraci贸n y creaci贸n por medio del an谩lisis de datos existentes. 

鈼 Machine Learning:聽Aprendizaje automatizado. Desarrollar t茅cnicas que permitan que la computadora aprenda a partir de datos debidamente procesados con el fin que se obtengan nuevos nuevos patrones, se utilizan sentencias BigQuery para almacenarlas en los algoritmos

鈼 Data Science: Ciencia de datos. Es el pro, crack, maquina, capo, duro, pepa, genio, tesos de los mas tesos en el manejo de m茅todos cient铆ficos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas

BRUTAL!

Una carrera del futuro

Excelente profesor! Todo bien explicado de principio a fin.

Dataismo!!! encontre mi religion 馃槈

Gigante Israel. 1000 Gracias!

Data Science es una disciplina interdisciplinaria que utiliza t茅cnicas avanzadas de an谩lisis de datos, como la estad铆stica y el aprendizaje autom谩tico, para extraer conocimientos y conocimientos accionables de los datos. Se utiliza en muchas industrias para tomar decisiones informadas, mejorar la eficiencia y la productividad, reducir costos y aumentar las ganancias.

Un data scientist es el mejor en estad铆stica que cualquier programador, y mejor programador que cualquier estad铆stico. 馃槂!

Data Science

Es aplicar el tratamiento de los datos con las distintas t茅cnicas que existen, tiene que ver con la gente que tiene conocimientos de estad铆sticas, ciencias y matem谩ticas.

Muchas veces es el que lleva un cargo de liderar un proyecto para tomar las decisiones adecuadas en el mismo y obtener el personal que logre organizar este proyecto de la manera m谩s eficiente.

Es aplicar todo lo que hemos visto, t茅cnicas de ETL, Data Mining, Business Intelligence. Aunque esta mas dirigida a personas con background de estad铆sticas, hoy en d铆a tambi茅n participan personas con el perfil de Data Engineering. Al hacer Data Science estamos aplicando todo lo visto en los temas anteriores, no solo a nivel t茅cnico sino que desarrollamos la experiencia y conocimientos sobre las distintas tecnolog铆as, en que parte del desarrollo de nuestro proyecto tenemos que utilizarlas, etc. Con lo cual el Data Science juega el papel de manager dentro de un equipo de profesionales de datos.

Author: Cesar Gonzalez 鈥 Estudiante de Platzi

El mejor curso que he tomado hasta hora en platzi todo un crack el profesor.

Data science es en la rama en que me quiero especializar!

Me interesa mas el aspecto de matem谩tico y estadistico, el aspecto de elegir modelos y ajustarlos, pero eso de data mining, etl y en general el proceso de limpiar los datos no me motiva xD

Data Science/ Data Engineering
Aplicaci贸n de de todas las herramientas vistas hasta ahora. Con gran conocimiento del manejo de bases de datos y las herramientas matem谩ticas necesarias para el tratamiento de datos. Es quien coordina el proyecto

Comparto la definicion de Wikipedia:
"Data science is an inter-disciplinary field that uses scientific methods, processes, algorithms and systems to extract knowledge and insights from many structural and unstructured data. Data science is related to data mining, machine learning and big data

  • Data engineering, personificaci贸n del individuo que va aplicar todas las t茅cnicas anteriormente mencionadas, es un manager, coordina todo un proyecto de datos.

  • No tomo decisiones sin datos certeros

Realmente el perfil profesional de Data Science es el mas buscado en todas las empresas basados en datos. Aunque ya hay otros roles que se van creando tal como PMO, CDO y otros.

Muchas empresas hoy en d铆a buscan Data Scientist sin saber qu茅 es un Data Scientist!
Creo que hay un perfil distinto -o as铆 lo veo yo- que ser铆a el 鈥淔ull Stack Data鈥

Muchas gracias por aclararme la definici贸n de Data Science instructor Israel, al principio yo cre铆a que era la rama de la ciencia que solo manejaba datos cient铆ficos y se almacenaban en una computadora, pero ahora sabemos que tambi茅n se emplean en las empresas.

Al contratar Data Scientists ser谩n empleados principalmente como gerentes porque conocen las distintas t茅cnicas de procesamiento de datos y al saber esto pueden crear el equipo ideal para manejo de datos de la empresa.

Muchos algoritmos de Machine Learnig ya existen y son muy usados en la industria. Lo que hace el Data Science es, entre otras cosas, saber cu谩ndo utilizar uno u otro.

muy buen curso, reforce muchos temas visto ya en la universidad y a entender temas que solo vi y aprobe por aprobe pero que en su momento no vi lo importante que son. Muchas gracias Israel

Data Science

Master en las t茅cnicas de procesamiento de datos. Ataca problemas y genera soluciones bas谩ndose en la data. Toma decisiones asertivas.

Data Science
Procesamiento de datos, segmentaci贸n de informaci贸n de acuerdo con intereses relevantes e implementaci贸n de distintas metodolog铆as para luego transformar en conocimiento aplicable en la toma de decisiones para mejorar el presente y proyectar de cara al futuro.

Partes de las dem谩s areas que llega abarcar Data Science

Un excelente curso, gracias, Israel.

It鈥檚 one of my objetives!

Muchas gracias por la informaci贸n!!

Muy buena clase, gracias por la explicacion.

Gracias

los datos realmente me apasionan, estos conocimientos me han permitido darle un nuevo sentido a mi trabajo diario en logistiica .

Gracias!!! me has aclarado el panorama y de forma muy did谩ctica!!!

interesante!
鈽呪槄鈽呪槄鈽

Buenardo el curso, me encant贸

Data铆smo: No tomo decisiones si no es con datos certeros.

Me pareci贸 buena esta descripci贸n:
Data science es una disciplina que utiliza m茅todos, procesos, algoritmos y sistemas cient铆ficos para extraer conocimiento y perspectivas 煤tiles a partir de datos estructurados y no estructurados. Se aplica en una variedad de campos, incluyendo negocios, finanzas, salud, ingenier铆a, ciencia de materiales, biolog铆a y muchas otras 谩reas en las que se generan y procesan grandes cantidades de datos. Los cient铆ficos de datos trabajan con habilidades en matem谩ticas, estad铆sticas, programaci贸n y conocimiento del dominio del problema para analizar y comprender los datos, y generar conocimiento accionable y aplicable.

data science puede trabajar y unificar las dem谩s ramas de transformaci贸n de datos

increible

Excelente profe 鉂わ笍

Se me hace un tema muy interesante en la cual me gustar铆a investigar un poco mas

Excelente explicaci贸n!!!

DATA SCIENCE

La suma de todas las habilidades de manejo de datos en un solo t茅rmino.

Data Science: se convierte en la personificaci贸n del rol que tiene en su background todas las habilidades anteriormente se帽aladas, adem谩s de matem谩ticas, estad铆stica e ingenier铆a. Puede jugar el papel de manager y coordinar el gran proyecto de transformar la data en cosas de valor para el negocio.

  • Aplica todo lo visto hasta el momento.
  • Aplica todo lo visto a nivel t茅cnico y se debe saber cuando emplear las diferentes herramientas.

**hola a todos **
_Platzi lanzo un reto llamado datacademy que fue todo un 茅xito y muchos estuvimos all铆, yo en particular cuando entre a esta maravillosa escuela no sab铆a que ruta e en escoger en este maravilloso mundo de los datos, por este reto la ruta que mas me gusto y se ajusto a mis necesidades fue data Science, ese reto fue una gran experiencia, que me abri贸 las puertas a este maravilloso mundo de los datos _

Que tema tan interesante.

So, el data scientist es como el full stack o el ingeniero senior de las disciplinas de datos. Construye un dream team dataista y coordina. Tambien sabe un poco de ml, data mining, bi, etl, etc.

Data science, como su nombre indica, es la ciencia que estudia los datos. Se encarga de extraer informaci贸n de grandes cantidades de datos. Data Science combina la estad铆stica, las matem谩ticas y la inform谩tica para interpretar datos. El objetivo es tomar decisiones.

El perfil del data scientist es al que espero llegar antes de 2 a帽os.

Los datos son considerados como el petr贸leo del siglo XXI.

Uno de los mejores cursos que tome de manera virtual. Un crack el profe!

Dataismo --> no tomo decisiones si no es con datos certeros ,jeje

Muy buena la explicaci贸n !!!

El mejor profe explicando siempre tan claro!

Creo que de ahora en adelante ser茅 fiel siguiente del Data铆smo*

Excelente explicaci贸n

muchas gracias por compartir sus buenos conocimientos.

Excelente curso aprend铆 much铆simo. Mil gracias Israel V谩zquez

Muy buena teor铆a para aclarar los conceptos.

Gracias profe. X las clases. Me gust贸 el curso. Espero regres茅 con mas cursos

Definitivamente un personaje como estos no puede faltar en una compan铆a. Bendito sea el data铆smo.

隆Todas las clases fueron muy bien explicadas!

Muy buena info!