| Componente | Peso | Dónde | Descripción |
|---|---|---|---|
| Actividades de aprendizaje | 35 % | DataCamp y Teams | Cursos y miniproyectos de DataCamp de cada unidad (lista abajo) y otras actividades complementarias que se anuncian en Teams. |
| Exámenes rápidos | 15 % | Teams | Un examen corto al terminar cada unidad. |
| Examen intermedio | 20 % | Teams | Examen para llevar con defensa oral. |
| Proyecto integrador | 30 % | Kaggle, GitHub y Teams | Competencia de Kaggle con defensa oral. Ver Proyecto. |
Los laboratorios y los cuestionarios de autoevaluación del sitio no cuentan para la calificación. Son el mejor entrenamiento para los exámenes y el proyecto: los laboratorios te obligan a programar los métodos desde cero y se verifican solos.
Defensa oral
El examen intermedio y el proyecto tienen una parte oral breve e individual. Te voy a pedir que expliques lo que entregaste: por qué elegiste un método, qué hace una línea de tu código, qué pasaría si cambias un hiperparámetro, cómo validaste.
Puedes usar asistentes de IA para estudiar y para programar, y debes declarar para qué los usaste. Pero si en la defensa oral no puedes explicar lo que entregaste, asumiré que lo hizo una IA generativa y que no lo estudiaste ni intentaste entenderlo, y esa entrega vale cero para ti.
DataCamp
DataCamp es una plataforma de aprendizaje en línea de ciencia de datos. Cada curso alterna videos cortos con ejercicios de programación en Python que se resuelven y se califican en el navegador, sin instalar nada; los miniproyectos son problemas más abiertos que se resuelven en una libreta. Es una forma de practicar con muchos ejercicios pequeños lo que en clase vemos con más profundidad.
Cada unidad tiene cursos y miniproyectos de DataCamp que complementan las clases con ejercicios guiados. Se califica el porcentaje de actividades que terminas antes del cierre de cada unidad, que se anuncia en Teams.
Unidad 1 · Introducción y flujo de trabajo
Unidad 2 · Aprendizaje no supervisado
- CursoUnsupervised Learning in Python4 h
- CursoCluster Analysis in Python4 h
- CursoDimensionality Reduction in Python4 h
- ProyectoClustering Antarctic Penguin Species1 h
Unidad 3 · Fundamentos del aprendizaje supervisado
- CursoSupervised Learning with scikit-learn4 h
- CursoModel Validation in Python4 h
- CursoHyperparameter Tuning in Python4 h
- CursoWinning a Kaggle Competition in Python4 h
- EvaluaciónMachine Learning Fundamentals in Python
Unidad 4 · Modelos lineales
- CursoLinear Classifiers in Python4 h
- ProyectoPredictive Modeling for Agriculture1 h
Unidad 5 · Árboles y ensambles
Unidad 6 · Redes neuronales
Unidad 7 · Series de tiempo
Unidad 8 · MLOps y despliegue
- RutaMachine Learning in Production19 h
Puntos extra
Hay puntos extra si terminas completa la ruta profesional Machine Learning Scientist in Python (unas 85 horas). Incluye todos los cursos y miniproyectos de arriba y la evaluación Machine Learning Fundamentals in Python. Además tienes que terminar estos cursos:
Exámenes
Los exámenes rápidos y el examen intermedio se publican y se entregan en el equipo del curso en Microsoft Teams. Aquí quedan exámenes de semestres anteriores para que veas el tipo de preguntas.
- Examen en clase, 2024-2 (PDF)
- Examen para llevar, 2024-2 (PDF)
- Examen intermedio para llevar, 2025-2 (PDF)
Reglas generales
- Puedes discutir las ideas con tus compañeros, pero el código y las respuestas que entregas deben ser tuyos (o de tu equipo, en el proyecto).
- Si usas asistentes de IA, declara para qué los usaste. Eres responsable de entender y poder explicar todo lo que entregas.