Meta SMART:
S: Python (Pandas) para análisis y Power BI para visualización.
M: Completar un proyecto final de análisis de principio a fin y obtener un certificado de un curso de Power BI.
A: Con una dedicación de 20 horas semanales, el plan es realista.
R: Fortalecer mi perfil académico y profesional en el área de datos.
T: Fecha límite: 31 de diciembre de 2025
| Semana | Bloque de Estudio |
|---|---|
| Semana 1 | Fundamentos de Python - Variables, tipos de datos, operadores - Estructuras de control (if, else, while, for) - Funciones básicas y sintaxis general |
| Semana 2 | Estructuras de Datos y Módulos - Listas, tuplas, diccionarios, sets - Funciones avanzadas, manejo de errores - Módulos estándar y librerías básicas |
| Semana 3 | Programación Orientada a Objetos (OOP) - Clases, objetos, herencia - Métodos y encapsulamiento - Uso práctico de OOP en proyectos pequeños |
| Semana 4 | Introducción a Data Science - Numpy y Pandas (manejo de datos) - Visualización con Matplotlib y Seaborn - Análisis exploratorio de datos (EDA) |
| Semana 5 | Introducción a Machine Learning - Scikit-learn y modelos básicos (regresión, clasificación) - División de datasets, entrenamiento y evaluación - Proyecto final integrador |
| Semana | Resultado esperado | Aplicación que lograrás | Conocimiento que absorberás |
|---|---|---|---|
| Semana 1 | Escribir scripts simples en Python | Calculadora básica o juego de adivinanza de números | Sintaxis básica, variables, operadores, control de flujo |
| Semana 2 | Manejar datos con estructuras eficientes | Registro de usuarios o gestión de inventario en consola | Listas, diccionarios, manejo de errores, funciones y módulos |
| Semana 3 | Crear programas organizados y reutilizables | Sistema simple de gestión de estudiantes con clases | POO: clases, objetos, métodos, herencia, encapsulamiento |
| Semana 4 | Analizar y visualizar datos reales | Dashboard de análisis de datos con gráficos simples | Librerías Numpy, Pandas, Matplotlib, análisis exploratorio |
| Semana 5 | Construir modelos predictivos básicos | Modelo de regresión o clasificación con Scikit-learn | Machine Learning supervisado, preprocesamiento, evaluación de modelos |
