Material Detail

EVALUACIÓN DE LA CALIDAD DEL RECURSO COMO MATERIAL DE APRENDIZAJE EN LOS ESTUDIOS DE GRADO DE INGENIERÍA INFORMÁTICA DE LA UPM Description: Overview: Es un manual completo sobre ciencia de datos en Python que encontré muy útil. Cubre desde lo básico de IPython hasta machine learning con Scikit-Learn. Lo que más me gusta es que está disponible gratis online y puedes ejecutar todo el código directamente. Se enfoca en el perfil de Data Scientist y encaja en la subdisciplina de gestión de datos e información de MERLOT. Me parece ideal para quienes queremos aprender análisis de datos de forma práctica. Tipos de formato de materiales: Images/graphics, Other Interactivity, Links to related material Type of Material: Open (Access) Textbook Technical Requirements: Básicamente necesitas un navegador web para leer el libro online. Si quieres probar el código, necesitas tener Python instalado (yo uso la versión 3.11) con Jupyter, NumPy, Pandas, Matplotlib y Scikit-Learn. Lo bueno es que si no tienes nada instalado, puedes usar Google Colab o Binder directamente desde el navegador. Yo personalmente lo he probado en Chrome y funciona perfecto. Learning Goal(s): Dominar IPython y Jupyter notebooks para computación científica. Manipular arrays eficientemente con NumPy. Analizar y transformar datos con Pandas. Crear visualizaciones efectivas con Matplotlib/Seaborn. Implementar algoritmos de machine learning con Scikit-Learn. Aplicar técnicas de feature engineering y validación de modelos. Resolver proyectos completos de ciencia de datos end-to-end. Recommended Use(s): Lo veo perfecto para Bases de Datos cuando se toca análisis de datos, y especialmente útil para Algoritmos y Estructuras de Datos para entender el manejo eficiente de grandes volúmenes de datos fuera de nuestro material. También me ha servido para Programación para Sistemas cuando trabajamos con librerías. Dado que damos esas asignaturas con Java, ver la implementación con Python me sirve para entender de forma más simple los diferentes conceptos. Target Student Population: Estudiantes de 2º curso en adelante que quieran aprender ciencia de datos por su cuenta, ya que en nuestro grado no enseñan Python. Como ya tenemos base de programación con Java (Programación I y II), es más fácil aprender Python por nuestra cuenta. Ideal para estudiantes que quieren especializarse en datos o prepararse para el mercado laboral. Prerequisite Knowledge: Como en nuestro grado no enseñan Python, necesitas aprenderlo por tu cuenta primero. Yo recomendaría tener buena base de programación (haber pasado Programación I y II con Java) para que sea más fácil hacer la transición a Python. También ayuda haber cursado Algoritmos y Estructuras de Datos para entender mejor los conceptos, aunque sea en Java. Evaluations and Observations Quality of Content: Lista Fortalezas de la calidad del contenido: Contenido técnicamente preciso y actualizado con las mejores prácticas de ciencia de datos. Cobertura exhaustiva de las librerías fundamentales del ecosistema Python científico. Ejemplos bien documentados y reproducibles que ilustran conceptos clave. Estructura pedagógica clara que progresa de fundamentos a aplicaciones avanzadas. Referencias y enlaces a documentación oficial y recursos adicionales válidos. Consistencia en el estilo de codificación y metodología a lo largo del libro. Lista Preocupaciones de la calidad del contenido: Algunos ejemplos asumen conocimientos previos que no siempre tengo. No explica suficientemente por qué se elige una librería sobre otra en ciertos casos. Faltan ejercicios para practicar al final de cada capítulo. Algunos conceptos matemáticos se dan por obvios. No hay suficientes comparaciones con otros enfoques o lenguajes. Potential Effectiveness as a Teaching/Learning Tool: Lista Fortalezas de la efectividad del recurso como una herramienta de aprendizaje: Los ejemplos interactivos en Jupyter me ayudan a entender mejor que solo leer teoría. Puedo modificar el código y ver inmediatamente los resultados. Me ayuda a visualizar conceptos abstractos que vimos en Algoritmos y Estructuras de Datos. Es muy motivador porque ves aplicaciones reales desde el primer capítulo. La progresión es natural: primero datos, luego visualización, después machine learning. Los gráficos y visualizaciones hacen más fácil entender los conceptos. Lista Preocupaciones de la efectividad del recurso como una herramienta de aprendizaje: Como no tengo base previa en Python, a veces me pierdo en detalles de sintaxis. No hay evaluaciones o tests para saber si realmente entendí los conceptos. Algunos capítulos saltan muy rápido de básico a avanzado. Falta más conexión con lo que estudiamos en el grado (todo es muy específico de datos). No hay una guía clara de qué partes son más importantes para principiantes. Ease of Use: Lista Fortalezas de la facilidad de uso del recurso: Interfaz web responsiva y de carga rápida. Integración perfecta con plataformas de ejecución online (Colab, Binder). Estructura de navegación clara con índice detallado. Código bien formateado y fácil de copiar. Diseño responsive compatible con diferentes dispositivos. Enlaces y referencias externas actualizadas y funcionales. Lista Preocupaciones de la facilidad de uso del recurso: Para principiantes en Python puede ser abrumador no saber por dónde empezar. No hay una guía de "empezar aquí" para diferentes niveles. Algunos ejemplos necesitan datos que no siempre están disponibles inmediatamente. La búsqueda dentro del sitio podría ser mejor. No hay forma fácil de hacer anotaciones o marcar secciones importantes.