Introducción#
Sigla: ECOZ3922
NRC: 3319
Materia: Programación y manejo de base de datos
Docente: Alejandro Acosta León
Identificación#
Número de Créditos: |
3,00 |
Número de sesiones de docencia: |
3,00 sesiones |
Total de horas de aprendizaje: |
144 horas |
Horas de aprendizaje en contacto con el docente |
|
Horas Presenciales: |
48 horas |
Horas de aprendizaje práctico experimental |
|
Horas Aplicación: |
64 horas |
Horas de aprendizaje autónomo: |
32 horas |
Pre-Requisito: |
ESTZ0055-PROBABILIDADES Y ESTADISTICA |
Co-Requisito: |
N/A |
Temas#
Unidad |
Tema |
Progreso |
Sesiones |
Acum. |
|---|---|---|---|---|
Unidad 1: Introducción a la programación y bases de datos |
1.1. Introducción a los datos y su importancia |
P1 |
2 |
2 |
1.2. Elementos de una base de datos |
P1 |
1 |
3 |
|
1.3. Introducción al lenguaje de consultas SQL |
P1 |
1 |
4 |
|
1.4. Sintaxis básica de SQL para consultas |
P1 |
1 |
5 |
|
Unidad 2: Bases de datos relacionales |
2.1. Diseño de esquemas de bases de datos |
P1 |
1 |
6 |
2.2. Condicionales y operadores en SQL |
P1 |
1 |
7 |
|
2.3. Uniones e intersecciones (join, append) |
P1 |
3 |
10 |
|
Unidad 3: Programación en Python para el manejo de datos |
3.1. Introducción a Python |
P1 |
2 |
12 |
3.2. Configuración del entorno de trabajo: Jupyter Notebooks |
P1 |
1 |
13 |
|
3.3. Sintaxis variables y operadores |
P2 |
7 |
20 |
|
3.4. El ecosistema de Python |
P2 |
1 |
21 |
|
3.5. Datos multidimensionales: Numpy y Pandas |
P2 |
4 |
25 |
|
Unidad 4: Análisis y visualización de datos |
4.1. Estadísticas descriptivas y análisis exploratorio de datos |
P2 |
3 |
28 |
4.2. Gráficos a la medida (matplotlib y seaborn) |
P2 |
5 |
33 |
|
4.3. Tableros de control interactivos (Power BI) |
P2 |
3 |
36 |
|
Unidad 5: Modelamiento |
5.1. Introducción a los modelos |
P3 |
3 |
39 |
5.2. Aprendizaje supervisado |
P3 |
2 |
41 |
|
5.3. Aprendizaje no supervisado |
P3 |
3 |
44 |
|
Unidad 6: Proyecto final |
6.1. Proyecto final |
P3 |
4 |
48 |
Evaluación#
(25% de nota final) Progreso 1
(25% de P1) Controles semanales y participación: todas las semanas tendremos micro-controles (5-10 minutos) referentes al material revisado en la clase anterior. Durante las clases se harán preguntas referentes al material de lectura de la clase, los puntos de participación se sumarán a la nota de los controles.
(25% de P1) Taller grupal 1: usando una base de datos de ventas, el grupo deberá generar consultas en SQL para extraer datos y obtener conclusiones sobre las dinámica de la empresa analizada. Deberán explicar dichas conclusiones junto con el código utilizado para llegar a los resultados.
(50% de P1) Examen P1: temas 1.1 al 3.2
(35% de nota final) Progreso 2
(25% de P2) Controles semanales y participación.
(25% de P2) Taller grupal 2: a partir de una base de Tweets, realizaremos un conteo de palabras, hashtags y menciones más comunes. El grupo deberá presentar los hallazgos más relevantes y explicar el código utilizado.
(50% de P2) Examen P1: temas 3.3 al 4.2
(40% de nota final) Progreso 3
(50% de P3) Controles semanales y participación.
(50% de P3) Proyecto final: se seleccionarán al menos dos películas de la página RottenTomatoes, a partir de los comentarios de críticos y audiencia, se deberá calcular un índice de recomendación de la película. El grupo deberá presentar los resultados y explicar el código utilizado para obtenerlos.
¿Cómo serán los exámenes?
#
Referencias bibliográficas#
# |
Autor |
Nombre |
Año |
Link |
|
|---|---|---|---|---|---|
1 |
Zapata, J. |
Ciencia de Datos con Python |
2022 |
Principal |
|
2 |
Turrell, A. |
Coding for economists |
2022 |
https://aeturrell.github.io/coding-for-economists/intro.html |
Principal |
3 |
Alves, M. |
Causal Inference for The Brave and True |
2022 |
https://matheusfacure.github.io/python-causality-handbook/landing-page.html |
Complementaria |