Temario Del Curso
- Instalación de Python y herramientas (VS Code, Jupyter Notebook).
- Primeros pasos: sintaxis básica y ejecución de scripts.
- Introducción a Git: configuración inicial y creación de un repositorio en GitHub.
- Primer commit: subir un script simple a GitHub.
- Variables y tipos de datos: int, float, str, bool.
- Operaciones básicas: aritméticas, comparación, lógicas.
- Uso de Git: commits frecuentes para ejercicios.
- Ejercicios prácticos: cálculos simples.
- Estructuras condicionales: if, elif, else.
- Ejercicios prácticos: programas con decisiones lógicas.
- Uso de GitHub: crear ramas para ejercicios.
- Subida de ejercicios a GitHub.
- Bucles: for y while.
- Uso de range() y bucles anidados.
- Ejercicios prácticos: iteraciones y patrones.
- Uso de Git: commits descriptivos para cada ejercicio.
- Estructuras de datos: listas, tuplas, diccionarios.
- Métodos comunes: append, remove, keys, values.
- Ejercicios prácticos: manipulación de listas y diccionarios.
- Uso de GitHub: pull requests para revisión de código.
- Definición de funciones: parámetros, retorno.
- Funciones con argumentos por defecto y *args, **kwargs.
- Ejercicios prácticos: funciones reutilizables.
- Uso de Git: crear ramas para nuevas funciones.
- Instalación y configuración de Pandas.
- Creación de Series y DataFrames.
- Carga de datos desde CSV y JSON.
- Uso de GitHub: almacenar scripts de Pandas.
- Selección de datos con loc[] y iloc[].
- Filtrado de filas y columnas en DataFrames.
- Ejercicios prácticos: consultas en datasets.
- Uso de Git: commits para ejercicios de filtrado.
- Manejo de valores nulos y duplicados.
- Conversión de tipos de datos.
- Ejercicios prácticos: limpieza de un dataset real.
- Uso de GitHub: ramas para limpieza de datos.
- Aplicación de funciones con apply().
- Agrupación y agregación con groupby().
- Ejercicios prácticos: transformaciones complejas.
- Uso de Git: versionado de scripts transformados.
- Estadísticas descriptivas con describe().
- Ordenación de datos con sort_values().
- Ejercicios prácticos: análisis exploratorio.
- Uso de GitHub: pull requests para análisis.
- Introducción a Matplotlib y Seaborn.
- Creación de gráficos: barras, líneas, histogramas.
- Ejercicios prácticos: visualización de datasets.
- Uso de Git: commits para gráficos generados.
- Pivoteo de datos con pivot_table().
- Resumen de datos con agregaciones avanzadas.
- Ejercicios prácticos: tablas dinámicas.
- Uso de GitHub: almacenar scripts de pivoteo.
- Introducción a Dialogflow: agentes, intenciones, entidades.
- Integración de Dialogflow con Python y Pandas.
- Ejercicios prácticos: bot con respuestas basadas en datos.
- Uso de Git: ramas para desarrollo del bot.
- Conexión del bot con Telegram o WhatsApp.
- Despliegue del bot con Flask y Google Cloud Functions.
- Proyecto final: Bot que responde con análisis de datos (e.g., estadísticas de un DataFrame).
- Uso de Git y GitHub: versionado y despliegue del proyecto final.
- Presentación del proyecto y retroalimentación.