📚 Evaluaciones del curso
🧮 Ponderaciones
| Evaluación | Ponderación |
|---|---|
| 📊 Proyecto 1 (entrega + presentación) | 30% |
| 📝 Actividad en clases 1 | 10% |
| 📝 Actividad en clases 2 | 10% |
| 📝 Actividad en clases 3 | 10% |
| 💳 Proyecto 2 (entrega + presentación) | 40% |
| Total | 100% |
🗓️ Cronograma — Evaluación 2
| Hito | Fecha | Hora | Lugar |
|---|---|---|---|
| 📢 Publicación de la evaluación | miércoles 6 de mayo de 2026 | — | — |
📥 Plazo de entrega (⏳ notebook .ipynb) |
martes 23 de junio de 2026 | 23:59 (hora local) | Entrega en el canal indicado por el/la docente |
| 🎤 Presentaciones | martes 1 de julio de 2026 | horario clases | Sede Vitacura (Sección Santiago) |
✅ Indicaciones de la entrega
- 📄 Formato y pauta: se detallarán en el enunciado de cada evaluación.
- 💻 Reproducibilidad: incluye código/datos (si aplica) y el informe del proyecto.
- ⏱️ Presentación: ajustarse al tiempo que indique la pauta.
💡 Tip: planifica tu trabajo considerando el plazo de 5 días entre publicación y entrega.
Programa del Curso
A continuación se presenta la planificación semanal del curso (Primer Semestre 2026), organizada clase por clase:
🗓️ Semana 1 (2 al 6 de marzo)
-
Clase 1: Intro
Introducción al curso, objetivos generales y panorama de la ciencia de datos. -
Clase 2: NumPy
Uso de arrays, operaciones vectorizadas y manejo eficiente de datos numéricos. -
Clase 3: Pandas
Estructuras de datos en pandas, manejo de DataFrames, selección, filtrado y manipulación.
🗓️ Semana 2 (9 al 13 de marzo)
-
Clase 4: Inferencia Estadística
Conceptos de inferencia, estimadores y sus propiedades. -
Clase 5: Test de Hipótesis
Pruebas estadísticas, errores tipo I y II, y aplicaciones prácticas.
🗓️ Semana 3 (16 al 20 de marzo)
🏖️ Receso Días Mechones
Nota de calendario: Suspensión de actividades docentes desde el bloque 7 del 18 de marzo al 20 de marzo. No se realizarán clases regulares esta semana para facilitar la participación.
🗓️ Semana 4 (23 al 27 de marzo)
- Clase 6: Regresión Lineal
Modelos de regresión lineal simple y múltiple, interpretación de coeficientes.
🗓️ Semana 5 (30 de marzo al 3 de abril)
- Clase 7: Resample Methods - Cross Validation
Validación cruzada, holdout y técnicas de evaluación de modelos.
🗓️ Semana 6 (6 al 10 de abril)
- Clase 8: Resample Methods - Bootstrapping
Muestreo con reemplazo, generación de intervalos de confianza y robustez.
🗓️ Semana 7 (13 al 17 de abril)
- Clase 9: Regularización
Técnicas de Ridge, Lasso y Elastic Net. Evitar sobreajuste.
🗓️ Semana 8 (20 al 24 de abril)
- Clase 10: Modelos No Lineales de Regresión
Polinomios, splines, regresión local y árboles.
🗓️ Semana 9 (27 de abril al 1 de mayo)
- Clase 11: Regresión Logística y Métricas de Clasificación
Clasificación binaria, métricas como precisión, recall, AUC.
🗓️ Semana 10 (4 al 8 de mayo)
- Clase 12: Modelos No Lineales de Clasificación
Árboles, KNN, Random Forest y boosting.
🗓️ Semana 11 (11 al 15 de mayo)
- Clase 13: Deep Learning
Redes neuronales básicas, forward/backpropagation, introducción a TensorFlow/Keras.
🗓️ Semana 12 (18 al 22 de mayo)
🏖️ Vacaciones para Estudiantes (Receso Universitario)
Suspensión de actividades docentes durante la semana completa.
🗓️ Semana 13 (25 al 29 de mayo)
- Continuación de Evaluaciones
Nota de calendario: Colchón Académico el 25 y 26 de mayo (no se realizarán certámenes ni entregas de informes).
🗓️ Semanas 14 a 17 (1 al 26 de junio)
- Evaluaciones Finales, Presentaciones de Proyectos y Cierre.
🗓️ Semana 18 (29 de junio al 3 de julio)
🏁 Término de Clases (Viernes 3 de julio)