Aprender data science

Analiza las diferencias clave para 2025:

• Data Analyst: Enfoque en SQL, Excel, Power BI y análisis descriptivo.
• Data Scientist: Enfoque en Python avanzado, Machine Learning, Estadística matemática y modelos predictivos. Listo, cuando: Has redactado un documento de una página con tu elección y los 3 sectores industriales de interés.

Configura tu estación de trabajo:

• Descarga e instala Python 3.12 desde python.org.
• Instala Visual Studio Code.
• Añade las extensiones: Python, Jupyter y Pylance.
• Verifica la instalación en la terminal con python --version. Listo, cuando: La terminal devuelve 'Python 3.12.x' y puedes ejecutar un print('Hola Mundo') en un archivo .ipynb.

El dominio de SQL es innegociable:

• Descarga e instala PostgreSQL 16.
• Instala dBeaver Community Edition como interfaz gráfica.
• Crea una base de datos de prueba llamada 'portafolio_db'. Listo, cuando: dBeaver está conectado con éxito a tu base de datos local.

Domina la manipulación de datos con el libro del creador de Pandas:

• Enfócate en NumPy, carga de datos, limpieza y transformaciones (capítulos 4-12).
• Replica los ejemplos de código en un Jupyter Notebook. Listo, cuando: Tienes un notebook con ejemplos de merge, pivot_table y limpieza de valores nulos.

Aprende SQL de forma práctica y gratuita:

• Realiza todos los módulos, desde SELECT básicos hasta Window Functions y CTEs.
• Guarda las consultas más complejas en un archivo .sql para tu portafolio. Listo, cuando: Has completado el capítulo final sobre análisis de datos de ejecuciones hipotecarias.

Lee 'Practical Statistics for Data Scientists':

• Enfócate en: Distribuciones de datos, Pruebas de significancia (A/B Testing) y Regresión.
• Entiende el concepto de p-valor y el Teorema del Límite Central. Listo, cuando: Puedes explicar la diferencia entre una distribución normal y una binomial con tus propias palabras.

Aprende la implementación real:

• Lee los capítulos sobre Scikit-Learn, Regresión Lineal y Árboles de Decisión.
• Ejecuta los ejemplos de código usando el dataset de viviendas de California. Listo, cuando: Has entrenado un modelo de regresión con un RMSE inferior al benchmark del libro.

Tu primer proyecto serio:

• Descarga el dataset de Kaggle.
• Realiza un Análisis Exploratorio de Datos (EDA).
• Entrena un modelo de Random Forest para predecir la supervivencia.
• Sube tu predicción a la plataforma. Listo, cuando: Tu nombre aparece en el Leaderboard de la competición con un score de precisión.

Visualización profesional:

• Conecta Power BI a un dataset de ventas (p.ej. de Kaggle).
• Crea medidas usando DAX (Total Sales, YoY Growth).
• Diseña una vista de alto nivel con filtros de fecha y categoría. Listo, cuando: El dashboard es funcional y visualmente coherente siguiendo los principios de 'Storytelling with Data'.

Hazte visible:

• Crea un repositorio para cada proyecto (Titanic, SQL Analysis, Power BI).
• Escribe un README.md profesional para cada uno que explique: Problema, Herramientas, Metodología y Conclusión. Listo, cuando: Tienes un perfil de GitHub con al menos 3 repositorios públicos y documentados.

Atrae reclutadores:

• Cambia tu titular a 'Aspiring Data Analyst | Python | SQL | Power BI'.
• Añade tus proyectos de GitHub en la sección 'Destacados'.
• Solicita 3 recomendaciones de colegas o mentores. Listo, cuando: Tu perfil alcanza el nivel 'Estelar' según el indicador de LinkedIn.

Networking real:

• Regístrate o marca en tu calendario las fechas del 14 al 16 de mayo de 2025 para asistir a este evento de Big Data y Data Science en Málaga.
• Identifica 3 ponentes con los que te gustaría conectar. Listo, cuando: Tienes el recordatorio en el calendario o la entrada comprada.

Planificación a largo plazo:

• Reserva las fechas para el mayor evento de IA y Datos en España.
• Prepara tarjetas de visita digitales (p.ej. código QR a tu LinkedIn). Listo, cuando: Registro completado o recordatorio anual configurado.