CEIA_Analisis_de_datos

KO | EN

gitlite — search

#javascript #hacktoberfest #typescript #llm #deep-learning #linux #docker #windows #awesome #kubernetes #vue #awesome-list #mcp #open-source

CEIA_Analisis_de_datos

(★ 19)

Repositorio de material práctico de la materia Análisis de Datos de la Carrera de Especialización en Inteligencia Artificial de la FIUBA

CEIA_Analisis_de_datos Latest Version Download

Download Latest Version (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

![](https://github.com/FIUBA-Posgrado-Inteligencia-Artificial/CEIA_Analisis_de_datos/blob/main/banner.png)

Bienvenidos al repositorio de la materia **Análisis de Datos**! Aquí encontrarán los materiales de clase, notebooks, datasets y recursos adicionales.

---
## 📂 Estructura del Repositorio

- **`notebooks/`** → Contiene las notebooks con los ejemplos y ejercicios de cada clase.
- **`datasets/`** → Conjunto de datos utilizados en los ejemplos y prácticas.
- **`recursos/`** → Ejericios, reportes y otros materiales útiles.
- **`scripts/`** → One-offs / no reutilizable.
- **`utils/`** → Funciones auxiliares utilizadas en las notebooks.

---
### ⚠️ Recordá que las diapositivas de las clases y los enunciados de los TPs se encuentran en el [Campus posgrado de la FIUBA](https://campusposgrado.fi.uba.ar/course/view.php?id=240).

---
### 🎓 ¿Sos alumno de una cohorte anterior? Encontrá [aquí](recursos/guia-coh-anterior.md) las instrucciones para descargar los contenidos correspondientes a tu curso y bimestre.

---
## 📝 Contenido del Curso
#### Atención! Las notebooks se agregan antes de cada clase

<table>
    <tr>
        <td>Clase</td>
        <td>Tema</td>
        <td>Notebooks</td>
    </tr>
    <tr>
        <td>1️⃣</td>
        <td>Introducción al Análisis de Datos</td>
        <td><a href=notebooks/clase_01_introduccion.ipynb>Introducción a Pandas. Ejemplos para importar datos desde distintas fuentes</a></td>
    </tr>
    <tr>
        <td rowspan="2">2️⃣</td>
        <td rowspan="2">Análisis exploratorio de datos (EDA).<br>
        Análisis de datos faltantes y outliers.</td>
        <td><a href=notebooks/clase_02_correlacion.ipynb>Ejemplos de correlación</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_02_intro_EDA.ipynb>Ejemplo de EDA para el dataset Titanic</a></td>
    </tr>
    <tr>
        <td rowspan="3">3️⃣</td>
        <td rowspan="3">EDA (continuación)</td> 
        <td><a href=notebooks/clase_03_medidas_asociacion.ipynb>Medidas de asociación de variables</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_03_analisis_faltantes_outliers.ipynb>Análisis de faltantes y outliers</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_03_EDA_ejemplo_SMN.ipynb>Repaso práctico con datos reales del SMN</a></td>
    </tr>
    <tr>
        <td rowspan="4">4️⃣</td>
        <td rowspan="4">Preprocesamiento y limpieza de datos</td>
        <td><a href=notebooks/clase_04_split_y_stratify.ipynb>Intro a ML parte II: split del dataset</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_04_codificacion.ipynb>Codificación</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_04_tratamiento_datos_faltantes.ipynb>Tratamiento de faltantes</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_04_tratamiento_outliers.ipynb>Tratamiento de outliers</a></td>
    </tr>
    <tr>
        <td rowspan="5">5️⃣</td>
        <td rowspan="5">Procesamiento de datos (continuación)</td>
        <td><a href=otebooks/clase_05_discretizacion.ipynb>Discretización</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_05_normalizacion_estandarizacion.ipynb>Normalización y estandarización</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_05_tratamiento_datos_faltantes_adv.ipynb>Técnicas avanzadas de tratamiento de faltantes</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_05_tratamiento_outliers_adv.ipynb>Técnicas avanzadas de tratamiento de outliers</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_05_desbalance.ipynb>Desbalance</a></td>
    </tr>
    <tr>
        <td rowspan="1">6️⃣</td>
        <td rowspan="1">Reducción de la dimensionalidad</td>
        <td><a href=notebooks/clase_06_seleccion_features.ipynb>Selección de features</a></td>
    </tr>
    <tr>
        <td rowspan="7">7️⃣</td>
        <td rowspan="7">Taller práctico y bonus</td>
        <td><a href=notebooks/clase_06_extraccion_features.ipynb>Extracción de features</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_07_bonus_EDA_automatico.ipynb>EDA automático</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_07_bonus_EDA_audio.ipynb>EDA audio</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_07_bonus_EDA_texto.ipynb>EDA texto</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_07_bonus_EDA_imagenes.ipynb>EDA imágenes</a></td>
    </tr>
    <tr>
        <td><a href=notebooks/clase_07_bonus_PCA_imagenes.ipynb>PCA aplicado a imágenes</a></td>
    </tr>
    -->
</table>

---
## 📚 Bibliografía recomendada [aquí](recursos/bibliografia-recomendada.md).

---
## 📅 Fechas importantes

* Presentación del trabajo práctico final:
    * **Miércoles 19 de agosto de 2026**.

---
---
## ⚙️ Instalación y Configuración del Entorno

En esta sección se explican los pasos para utilizar este repositorio.

### **➡️ Opción 1: Usar un env de Conda**

#### Prerrequisitos 
* Anaconda o miniconda
* Git

#### 1. Clonar el repositorio:

```bash
git clone https://github.com/FIUBA-Posgrado-Inteligencia-Artificial/CEIA_Analisis_de_datos.git
cd CEIA_Analisis_de_datos
```

#### 2. Crear y activar el environment:

```bash
conda env create -f environment.yml
conda activate add-env
```

#### 3. Abrir Jupyter:

```bash
jupyter notebook
```
---
### **➡️ Opción 2: Usar un env de Poetry o UV**

Este proyecto también permite usar Poetry o UV para manejo de dependencias. Seguir los pasos detallados a continuación para crear un environment a partir del archivo `pyproject.toml` proporcionado.

#### Prerrequisitos
 * Opción A - Poetry: [Instrucciones de instalación Poetry](https://python-poetry.org/docs/#installing-with-the-official-installer)
 * Opción B - UV: [Instrucciones de instalación UV](https://docs.astral.sh/uv/getting-started/installation/)
 * Python 3.11 o 3.12
 * Git

#### A1/B1. Clonar el repo:

```bash
git clone https://github.com/FIUBA-Posgrado-Inteligencia-Artificial/CEIA_Analisis_de_datos.git
cd CEIA_Analisis_de_datos
```

---
### Opción A - Poetry
#### A2. Crear el environment (ejemplo con Python 3.11, ajustar a 3.12 de ser necesario):

* macOS/Linux

```bash
poetry env use python3.11  
```

* Windows

```bash
poetry env use py -3.11 
```

#### A3. Instalar dependencias (Linux/MacOS/Windows):
```bash
poetry install --no-root
```

#### A4. Verificar que el environment se instaló correctamente:

```bash
poetry env list
```
> Este comando devuelve todos los environments asociados al proyecto (verificar que `ceia-analisis-de-datos-xxxxxxx-py3.11` aparece en la lista)

```bash
poetry env info
```
> Este comando muestra detalles tales como la versión de Python y el path (ej., `/Users/<username>/Library/Caches/pypoetry/virtualenvs/...` en macOS o `C:\Users\<username>\AppData\Local\pypoetry\...` en Windows).

#### A5. Activar el environment:

* macOS/Linux (zsh/bash) y Windows (PowerShell/CMD):

```bash
poetry shell 
```

> Después de ejecutar el comando, el nombre del environment debería aparecer en el prompt de la terminal entre paréntesis (ej., `ceia-analisis-de-datos-py3.11`).

#### A6. Verificar activación:

```bash
python --version
```
> Debería mostrar Python 3.11.X o 3.12.X.

Luego, ejecutar:
```bash
which python  # macOS/Linux
where python  # Windows
```
> Debería apuntar al Pyhton del env. de Poetry (ej., /Users/<username>/Library/Caches/pypoetry/virtualenvs/ceia-analisis-de-datos-xxxxx-py3.11/bin/python o C:\Users\<username>\AppData\Local\pypoetry\Cache\virtualenvs\ceia-analisis-de-datos-xxxxx-py3.11\Scripts\python.exe).

**Saltar al paso [A7/B6](#a7b6-registrar-el-environment-en-jupyter) para registrar el environment en Jupyter.**

---
### Opción B - UV
#### B2. Crear el environment (ejemplo con Python 3.11, ajustar a 3.12 de ser necesario):

* macOS/Linux/Windows

```bash
uv venv --python 3.11 
```
#### B3. Activar el environment:

* macOS/Linux (zsh/bash):
```bash
source .venv/bin/activate 
```
* Windows (PowerShell):
```bash
.venv\Scripts\activate
```
* Windows (CMD):
```bash
.venv\Scripts\activate.bat
```

#### B4. Instalar dependencias (Linux/MacOS/Windows):
```bash
uv pip install -e .
```

#### B5. Verificar activación:

```bash
python --version
```
> Debería mostrar Python 3.11.X o 3.12.X.

Luego, ejecutar:
```bash
which python  # macOS/Linux
where python  # Windows
```
> Debería apuntar al Pyhton del env. de UV (ej., /path/to/CEIA_Analisis_de_datos/.venv/bin/python en macOS/Linux o C: C:\path\to\CEIA_Analisis_de_datos\.venv\Scripts\python.exe en Windows).

Continuar al paso [A7/B6](#a7b6-registrar-el-environment-en-jupyter) para registrar el environment en Jupyter.

---
#### A7/B6. Registrar el environment en Jupyter:

```bash
python -m ipykernel install --user --name=ceia-analisis-de-datos --display-name "Python (CEIA)"
```

#### A8/B7. Abrir Jupyter y seleccionar el kernel correcto:

```bash
jupyter notebook
```
Una vez abierto Jupyter, ir a **Kernel** → **Change Kernel** y seleccionar **"Python (CEIA)"**.

---
### **➡️ Opción 3: Usar Google Colab**

Al momento de la actualización de este repositorio (Marzo 2025) Colab utiliza Python 3.11 y no debería haber inconvenientes para ejecutar las notebooks de la materia con esta herramienta. Pasos a seguir:

1. Desde Colab, ir al menú **File** y hacer click en **Open** **Notebook**.

2. En la nueva ventana que se abre, ir a la opción **GitHub** (en el menú de la derecha).

3. En la barra buscadora, copiar el nombre del repo:

```bash
FIUBA-Posgrado-Inteligencia-Artificial/CEIA_Analisis_de_datos
```

4. Asegurarse que en **Repository** aparezca el nombre correcto (`FIUBA-Posgrado-Inteligencia-Artificial/CEIA_Analisis_de_datos`) y la branch sea **main**. Hacer click en la notebook deseada para abrir.

---
## 📫 Contacto

* [✉️](macroldan@fi.uba.ar) María Carina Roldán 
* [✉️](arigarmendia@gmail.com) Ariadna Garmendia

CEIA_Analisis_de_datos

CEIA_Analisis_de_datos Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

CEIA_Analisis_de_datos

CEIA_Analisis_de_datos Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

Download README