Justificación y contexto de tu proyecto

1

Cómo crear tu proyecto de ciencia de datos

2

Crea proyectos para afianzar tus conocimientos en ciencia de datos

3

Cada cuánto hacer un proyecto de datos

4

Dónde sacar ideas para proyectos de ciencia de datos

5

Generar y comunicar un proyecto de datos

6

Casos: personas que ya pasaron por este camino

Quiz: Justificación y contexto de tu proyecto

Ejecutando un proyecto de ciencia de datos

7

Plantea una pregunta interesante

8

Obteniendo los datos para tu proyecto

9

Ejecutando: obteniendo los datos

10

Limpieza de la información

11

Ejecutando: limpia tu conjunto de datos

12

Explora y encuentra patrones en la información

13

Ejecutando: exploración de la información

14

Ejecutando: completando la exploración de la información

15

Enriquecimiento de los datos para análisis profundo

16

Ejecutando: enriquecimiento de los datos

17

Aplicando un modelo de machine learning

18

Ejecutando: aplicando un modelo supervisado de machine learning

19

Ejecutando: aplicando un modelo no supervisado de machine learning

20

Ejecutando: aplicando un modelo no supervisado de anomalías

21

Prepara tu trabajo para comunicarlo con el mundo

22

Ejecutando: prepara tu trabajo para comunicarlo con el mundo

Quiz: Ejecutando un proyecto de ciencia de datos

Comunicando los resultados

23

Por qué es importante comunicar los resultados

24

Escribiendo tu primer blogpost técnico

25

Compartiendo en comunidad con tu primera presentación

26

Cómo mejorar tu repositorio en GitHub para ciencia de datos

27

Haciendo deploy de tus modelos

28

Construyendo una aplicación full stack que consuma tu proyecto

Quiz: Comunicando los resultados

Últimos pasos

29

Elige terminar: es mejor terminado que perfecto

30

Recuerda los objetivos del proyecto: practicar y carta de presentación

31

Comparte tu proyecto

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

No se trata de lo que quieres comprar, sino de quién quieres ser. Aprovecha el precio especial.

Antes: $249

Currency
$209

Paga en 4 cuotas sin intereses

Paga en 4 cuotas sin intereses
Suscríbete

Termina en:

15 Días
13 Hrs
43 Min
52 Seg

Prepara tu trabajo para comunicarlo con el mundo

21/31
Recursos

¿Por qué versionar es crucial en Data Science?

En el emocionante mundo del desarrollo de proyectos de Data Science, uno de los aspectos más críticos para asegurar la eficiencia y la efectividad es el versionado. Habrás experimentado, en más de una ocasión, trabajar durante horas en un proyecto para luego olvidar guardar los avances o, peor aún, sobrescribir lo que sí funcionaba. Aquí es donde entran en juego herramientas como Git y GitHub, fundamentales para cualquier profesional del área.

¿Qué beneficios nos ofrece Git y GitHub?

  • Colaboración eficiente: Ambos permiten que múltiples colaboradores trabajen en un mismo proyecto sin perder los avances de los demás.
  • Control y seguimiento: Facilitan guardar versiones anteriores de un proyecto, lo que permite rastrear cambios y restaurar versiones anteriores en caso de errores.
  • Organización y estructura: Ayudan a mantener una estructura clara dentro del proyecto, esencial a medida que los proyectos se expanden y se vuelven más complejos.

¿Cómo optimizar nuestro repositorio para un proyecto de Data Science?

Organizar de manera eficiente un repositorio es un aspecto esencial de cualquier proyecto técnico. La organización no solo facilita el acceso a la información, sino que también permite que otros entiendan y colaboren fácilmente en el proyecto.

¿Qué consideraciones tener al organizar un repositorio?

  • Referentes y estándares: Existen referencias como el proyecto Cookie Cutter Data Science, que propone una estructura organizada en carpetas que ayuda a simplificar el manejo de la información.
  • Diferenciar entre datos crudos y limpios: Mantén los datos originales intactos dentro de una carpeta RAW. Posteriormente, limpia estos datos y preséntalos en otro notebook, sin desperdiciar los pasos originales que llevaron al dataset final.
  • Un repositorio limpio: Un repositorio bien organizado no solo facilita tu trabajo sino que mejora la comunicación con otros profesionales que puedan colaborar contigo en el futuro.

¿Cómo perfeccionar la comunicación de datos?

Una vez que tienes tu modelo y repositorio en orden, el siguiente paso es comunicar sus resultados adecuadamente. Aquí entran en juego no solo las habilidades técnicas, sino también las soft skills, que pueden ayudarte a elegir el público correcto y el medio más efectivo para transmitir tus resultados.

¿En qué mejorar nuestra entrega personal?

  • Claridad y simplicidad: Es esencial que los reportes sean claros e intuitivos para todos los stakeholders involucrados.
  • Visualizaciones efectivas: Invertir tiempo en crear visualizaciones puede ayudarte a transmitir de una manera más impactante los hallazgos del proyecto.
  • Educación continua: Considera cursos especializados que se ofrezcan en tu área de data science, visualizaciones o entorno avanzado para seguir refinando tus habilidades.

Recuerda que cada proyecto es una oportunidad para mejorar y crecer, así que no olvides revisar y perfeccionar cada aspecto del mismo. Así, podrás contribuir significativamente tanto a tu desarrollo personal como al avance del proyecto en el que trabajas. ¡Manos a la obra y sigue adelante!

Aportes 5

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Para comunicar los datos tenemos que elegir a nuestro público. Tenemos que elegir el medio que nuestro público va a preferir.
Para esto nuestro repositorio debe estar optimizado (Git y GitHub).
El poder versionar un proyecto es muy útil: se puede trabajar en forma colaborativa, guardar lo hecho y evitar pisar lo que sirve.
Es recomendable seguir un buen estándar para organizar los proyectos en nuestro repositorio. Referencia: cookiecutter data science.
No perder lo que ya intentamos hacer y lo que funcionó (como fué la metodología) . Dir: raw/notebooks originales.
Elige tu entregable personal

no reproduce el video… ayuda! gracias.

Cookiecutter data science es un gran aporte! Acabo de descubrirlo en esta clase y lo aplicare en todoso mis proyectos

a mi me toco batallar tambien, me fui a historial y seleccionar

Muy buenos consejos en esta clase 🥇