Introduccion
The slides are available here!
Introducción a la Ciencia de Datos, IA y Machine Learning
La Minería de Datos (o Data Mining) es un campo que busca la extracción de conocimiento a partir de grandes cantidades de datos mediante métodos automáticos o semiautomáticos. Se nutre de diversas disciplinas —como estadística, inteligencia artificial o informática— para encontrar patrones y estructuras relevantes en esos datos.
Sin embargo, dentro del panorama general, es útil diferenciar algunos conceptos clave:
- Data Science (Ciencia de Datos) se centra en el análisis de datos para extraer conocimiento.
- Machine Learning (Aprendizaje Automático) utiliza algoritmos para predecir y tomar decisiones basadas en los datos.
- Artificial Intelligence (Inteligencia Artificial) va un paso más allá y busca sistemas que puedan realizar tareas “inteligentes” de manera autónoma, a veces usando ML como herramienta fundamental.
De forma simplificada:
- Data mining genera entendimiento
- Machine learning genera predicciones
- Artificial intelligence genera acciones
Material Necesario
Python y Anaconda
Para trabajar con análisis de datos y Machine Learning, se recomienda utilizar:
- Computadora con Python instalado.
- Anaconda (versión con Python 3.x)
- Descarga desde https://www.anaconda.com/download
- Incluye la distribución de Python y diversas bibliotecas útiles.
- Jupyter Notebook
- Un entorno interactivo para escribir y ejecutar código Python en celdas, visualizar gráficos, explicar y anotar pasos.
- Permite prototipar y analizar datos de forma ordenada.
Pandas
pandas es una biblioteca de Python especializada en la manipulación y el análisis de datos. Ofrece estructuras de datos como:
- DataFrame: tablas con filas y columnas, parecidas a las hojas de cálculo.
- Series: columnas o vectores unidimensionales.
Con pandas podemos:
- Leer datos (csv, Excel, bases de datos SQL).
- Filtrar, agrupar y transformar datos rápidamente.
- Crear resúmenes estadísticos y visualizaciones sencillas.
En muchas tareas de minería de datos, pandas es la base para cargar y preprocesar el dataset antes de aplicar modelos de Machine Learning.
Cheatsheets
Además, existen cheatsheets muy útiles para repasar rápidamente las funciones principales:
 |  |  |
 |  |  |
Les pueden encontrar aca.
Diferentes Métodos en Minería de Datos / Machine Learning
Hay varias tareas principales dentro del aprendizaje a partir de datos:
- Clasificación: predecir etiquetas (clases discretas).
- Regresión: predecir un valor (continuo).
- Clustering: agrupar elementos según su similitud (sin etiquetas dadas).
- (Otros) Reducción de dimensión, detección de anomalías, etc.
Visión general
Un diagrama popular de Scikit-learn muestra el mapa de estos métodos:
A continuación, describimos algunos ejemplos de clasificaciones, regresiones y clusterings comunes.
Clasificación
La clasificación consiste en asignar una etiqueta a cada dato de un conjunto de posibles clases. Ejemplos:
- Reconocimiento de emociones en el habla: determinar si alguien está enojado, feliz, triste, etc.
- Clasificación de especies de animales: a partir de características de la imagen, decidir si es un gato, un puma, etc.
- Detección de tumores en imágenes médicas: clasificar entre “tumor presente” vs “sin tumor”.
Regresión
La regresión busca predecir un valor numérico continuo. Ejemplos:
- Reconocer la intensidad de una emoción: ¿cuánto enojo muestra la persona?
- Evaluar daños tras un terremoto: estimar la severidad de daños en una escala cuantitativa.
- Medir la severidad de Alzheimer en la voz: ¿qué tan avanzada está la enfermedad?
Clustering
El clustering (agrupamiento) agrupa automáticamente los datos según su semejanza, sin etiquetas previas. Ejemplos:
- Topic mining en foros políticos: descubrir de qué hablan los ciudadanos (temas más discutidos).
- Detección de desinformación en redes sociales: agrupar noticias sospechosas.
- Segmentación de clientes: agrupar usuarios según sus preferencias para campañas de marketing.
Laboratorio: Exploración de Datos con MovieLens
Como primer enfoque, estudiaremos un conjunto de datos de críticas de películas (MovieLens):
- Consta de ~3 millones de puntuaciones (“ratings”).
- Incluye descriptores sociales: edad, sexo, etc.
- Permite aplicar un análisis básico de minería de datos.
En este lab, aprenderemos a:
- Cargar los datos en
pandas. - Explorar variables (estadísticas descriptivas).
- Cruzar información de películas y usuarios.
- Visualizar distribuciones y relaciones simples.