- 1

Proyectos prácticos en ciencia de datos: del aprendizaje a la aplicación
04:23 - 2

Proyectos de Ciencia de Datos: Del Teórico al Práctico Realista
07:35 - 3

Cuándo iniciar un nuevo proyecto de ciencia de datos
04:36 - 4

Herramientas de Comunicación para Proyectos de Ciencia de Datos
05:41 - 5

Compartir Proyectos de Ciencia de Datos: Estrategias y Recursos
06:19 - 6

Comunicación Efectiva en Proyectos de Ciencia de Datos
07:46 Quiz crear proyectos ciencia datos 1
Publicación de Proyectos en GitHub: Limpieza y Conclusiones
Clase 22 de 31 • Curso para Crear tus Proyectos de Ciencia de Datos
Contenido del curso
- 7

Construcción de Proyectos en Ciencia de Datos: Planteamiento de Preguntas
02:54 - 8

Búsqueda y Selección de Conjuntos de Datos Eficientes
02:20 - 9

Análisis de Datos Abiertos para Detectar Anomalías en Compras Públicas
05:29 - 10

Limpieza de Datos: Técnicas y Buenas Prácticas
04:25 - 11

Limpieza de Datos con Python y Pandas para Proyectos de Transparencia
12:58 - 12

Exploración de Datos: Análisis Unidimensional y Bidimensional
02:56 - 13

Análisis y Exploración de Datos con Pandas y Matplotlib
11:05 - 14

Análisis Multidimensional y Visualización de Datos en Python
17:14 - 15

Enriquecimiento de Datos en Ciencia de Datos
03:51 - 16

Enriquecimiento de Datos para Modelos de Machine Learning
14:00 - 17

Modelos de Machine Learning: Supervisado y No Supervisado
04:37 - 18

Modelación de Datos con Aprendizaje Supervisado y No Supervisado
09:45 - 19

Clustering y Detección de Anomalías en Datos de Negocios
09:58 - 20

Detección de Anomalías en Datos Financieros con Modelos Gaussianos
08:38 - 21

Organización y Versionado de Proyectos con Git y Github
03:36 - 22

Publicación de Proyectos en GitHub: Limpieza y Conclusiones
05:23 Quiz crear proyectos ciencia datos 2
- 23

Cómo Compartir Proyectos de Ciencia de Datos Efectivamente
01:57 - 24

Cómo Escribir un Block Post Técnico Efectivo
03:15 - 25

Presentaciones Efectivas en Comunidades Tecnológicas
05:56 - 26

Optimización de Repositorios en GitHub para Impacto Profesional
04:50 - 27

APIs Restful: Construcción y Despliegue Eficiente
03:59 - 28

Creación de Productos de Datos con Python y Herramientas Visuales
04:49 Quiz crear proyectos ciencia datos 3
¿Cómo preparar tu proyecto para ser compartido?
Cuando has finalizado un proyecto de análisis de datos y has obtenido conclusiones significativas, el siguiente paso crucial es preparar tus resultados para compartirlos globalmente. El objetivo es hacer que la información sea accesible y comprensible para otros, al mismo tiempo que respetas las fuentes originales. En este artículo, exploraremos los pasos esenciales para asegurar que tu proyecto esté listo para ser publicado.
¿Cómo estructurar tus conclusiones?
Después de moderar, explorar, limpiar y enriquecer la información, es fundamental organizar tus conclusiones de manera lógica. Aquí no solo sintetizarás tus hallazgos, sino que también los contextualizarás para responder a preguntas centrales o para justificar cualquier cambio de enfoque a lo largo del proyecto.
- Tendencia central: Define claramente las conclusiones principales, como por ejemplo el promedio en gastos analizado, y explica su significado.
- Historias en los outliers: Identifica y narra las historias ocultas en los datos atípicos o anómalos que podrían ser relevantes para investigaciones futuras.
- Preguntas originales: Asegúrate de que tus conclusiones respondan a las preguntas iniciales del proyecto o justifica cualquier desviación del objetivo planeado.
¿Cómo preparar tu repositorio para publicarlo?
Antes de publicar tu proyecto, es crucial que el repositorio esté ordenado y documentado adecuadamente. Un repositorio bien preparado no solo facilita la replicación del proyecto por otros, sino que también refleja profesionalismo.
- Limpieza y organización:
- Verifica que el texto y los archivos estén correctamente estructurados.
- Revisa cualquier modificación y asegúrate de que los cambios estén guardados.
- Documenta cada paso y agrega comentarios que expliquen tu lógica y decisiones.
- Documentación adicional:
- Licencia: Asegúrate de incluir una licencia que detalle cómo otros pueden utilizar tu trabajo, respetando las licencias de los datos que usaste.
- README: Crea un archivo README detallado que explique el funcionamiento del proyecto, instrucciones para replicarlo, y cualquier aspecto importante a considerar.
¿Cómo subir tu proyecto a GitHub?
Subir tu proyecto a GitHub es un paso vital para compartirlo con el mundo. GitHub proporciona una excelente plataforma para almacenar, compartir y colaborar en proyectos de software.
-
Inicializa el repositorio:
git init
-
Agrega origen remoto:
git remote add origin [URL-del-repositorio]
-
Realiza un commit inicial: Asegúrate de agregar todos los archivos necesarios y comenta tu commit de inicio.
git add . git commit -m "Add initial commit"
-
Ignora archivos innecesarios: Incluye un archivo
.gitignorepara evitar subir archivos innecesarios como los checkpoints de Python.*.pyc pycache/ *.pyo
-
Sube el proyecto:
git push -u origin master
Finalmente, recuerda que al compartir tus proyectos contribuyes al conocimiento colectivo. Invita a otros a revisar, comentar y, potencialmente, mejorar tu trabajo. La comunidad de GitHub es un gran recurso para el aprendizaje colaborativo, así que no dudes en ser parte de ella. ¡Adelante y comparte tu talento!