{"id":23138558,"url":"https://github.com/rociobenitez/ai-ml-datascience-bootcamp","last_synced_at":"2026-05-08T01:49:46.362Z","repository":{"id":264919366,"uuid":"894665383","full_name":"rociobenitez/AI-ML-DataScience-Bootcamp","owner":"rociobenitez","description":"Curso práctico de Machine Learning y Ciencia de Datos","archived":false,"fork":false,"pushed_at":"2025-01-26T17:32:12.000Z","size":113970,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-02-09T20:28:47.698Z","etag":null,"topics":["ai","bootcamp","classification-models","data-mining","data-science","jupyter-notebook","machine-learning","matplotlib","python","regression-models","seaborn","sklearn"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/rociobenitez.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-11-26T19:01:24.000Z","updated_at":"2025-01-26T17:32:15.000Z","dependencies_parsed_at":"2025-01-24T19:31:38.025Z","dependency_job_id":null,"html_url":"https://github.com/rociobenitez/AI-ML-DataScience-Bootcamp","commit_stats":null,"previous_names":["rociobenitez/ai-ml-datascience-bootcamp"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/rociobenitez%2FAI-ML-DataScience-Bootcamp","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/rociobenitez%2FAI-ML-DataScience-Bootcamp/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/rociobenitez%2FAI-ML-DataScience-Bootcamp/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/rociobenitez%2FAI-ML-DataScience-Bootcamp/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/rociobenitez","download_url":"https://codeload.github.com/rociobenitez/AI-ML-DataScience-Bootcamp/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":247157134,"owners_count":20893210,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["ai","bootcamp","classification-models","data-mining","data-science","jupyter-notebook","machine-learning","matplotlib","python","regression-models","seaborn","sklearn"],"created_at":"2024-12-17T13:11:07.354Z","updated_at":"2026-05-08T01:49:41.332Z","avatar_url":"https://github.com/rociobenitez.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Complete A.I. \u0026 Machine Learning, Data Science Bootcamp\n\nEste repositorio contiene todo el trabajo realizado durante el curso _Complete A.I. \u0026 Machine Learning, Data Science Bootcamp_. La estructura del proyecto y los contenidos están organizados para facilitar la navegación y el aprendizaje.\n\n---\n\n## **Índice**\n\n1. [Introducción](#introducción)\n2. [Estructura del proyecto](#estructura-del-proyecto)\n3. [Instalación y configuración](#instalación-y-configuración)\n4. [Progreso del curso](#progreso-del-curso)\n\n---\n\n## Introducción\n\nEste curso cubre temas esenciales de Machine Learning, Inteligencia Artificial y Ciencia de Datos. Está dividido en 20 secciones, cada una con notebooks y scripts detallados. A medida que avanzamos, se añadirá más información en este archivo.\n\n---\n\n## Estructura del proyecto\n\n```\nproject/\n├── data/                   # Datos crudos o procesados\n│   ├── raw/                # Datos originales sin procesar\n│   ├── processed/          # Datos procesados listos para análisis\n├── notebooks/              # Jupyter notebooks organizados por sección\n│   ├── 01-introduction.ipynb\n│   ├── 02-data-cleaning.ipynb\n│   └── ...                 # Archivos por cada sección del curso\n├── scripts/                # Scripts de Python para tareas específicas\n│   ├── data_preprocessing.py\n│   ├── model_training.py\n│   └── utils.py\n├── models/                 # Modelos entrenados y checkpoints\n│   ├── model_v1.pkl\n│   └── model_v2.pkl\n├── results/                # Resultados generados (gráficos, métricas, etc.)\n│   ├── plots/\n│   ├── metrics/\n│   └── logs/\n├── references/             # Recursos externos como papers, enlaces, etc.\n├── environment/            # Configuración de entorno\n│   ├── environment.yml     # Archivo de Conda con dependencias\n│   └── requirements.txt    # Alternativa para instalar dependencias con pip\n├── README.md               # Documentación principal\n└── .gitignore              # Archivos y carpetas a ignorar en Git\n```\n\n## Estructura del proyecto\n\nLa estructura del repositorio está organizada en diferentes directorios para una navegación eficiente:\n\n```\nassets/                 # Imágenes y archivos\ndata/                   # Datos crudos y procesados\nnotebooks/              # Notebooks organizados por sección\nscripts/                # Scripts para tareas repetitivas\nmodels/                 # Modelos entrenados\nresults/                # Gráficos y métricas generadas\nreferences/             # Recursos externos y papers\nenvironment/            # Archivos de configuración del entorno\nREADME.md               # Documentación principal\n```\n\nCada carpeta está diseñada para contener recursos específicos y mantenerse modular.\n\n---\n\n## Instalación y configuración\n\n### Requisitos:\n\n- Python \u003e= 3.9\n- Conda instalado (Miniconda o Anaconda)\n\n### Instrucciones:\n\n1. Clona este repositorio:\n   ```bash\n   git clone https://github.com/tu_usuario/tu_proyecto.git\n   cd tu_proyecto\n   ```\n2. Crea y activa el entorno de Conda:\n   ```bash\n   conda env create -f environment/environment.yml\n   conda activate tu_entorno\n   ```\n3. Instala las dependencias adicionales (si es necesario):\n   ```bash\n   pip install -r environment/requirements.txt\n   ```\n\n---\n\n## Progreso del curso\n\nEl curso está dividido en 20 secciones. Este es un resumen del progreso realizado hasta ahora:\n\n| Sección | Título                                                | Descripción breve                                                                                                                                   | Estado |\n| ------- | ----------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------- | ------ |\n| 1       | [Machine Learning 101](/docs/section_01.md)           | Qué es ML y tipos de ML                                                                                                                             | ✅     |\n| 2       | [ML and Data Science Framework](/docs/section_02.md)  | Framework de 6 pasos, features, modelado, overfitting vs. underfitting, y herramientas clave                                                        | ✅     |\n| 3       | [Data Science Environment Setup](/docs/section_03.md) | Configuración de entornos, herramientas clave y uso de Jupyter Notebook                                                                             | ✅     |\n| 4       | [Pandas](/docs/section_04.md)                         | Introducción y práctica con Pandas: manipulación, análisis y preparación de datos.                                                                  | ✅     |\n| 5       | [Numpy](/docs/section_05.md)                          | Arrays, Matrices, Operaciones, Estadísticas, Transformaciones                                                                                       | ✅     |\n| 6       | [Matplotlib](/docs/section_06.md)                     | Data visualization, customization, saving plots                                                                                                     | ✅     |\n| 7       | [Scikit-learn](/docs/section_07.md)                   | Workflow en Scikit-Learn: obtener y preparar los datos, elegir estimador e hiperparámetros, ajustar, hacer predicciones, evaluar, mejorar el modelo | 🚧     |\n| 8       | Supervised Learning - Clasificación + Regresión       |                                                                                                                                                     | ❌     |\n| 9       | Supervised Learning - Clasificación                   |                                                                                                                                                     | ❌     |\n| 10      | Supervised Learning - Time Series Data                |                                                                                                                                                     | ❌     |\n| 11      | Data Engineering                                      |                                                                                                                                                     | ❌     |\n| 12      | Redes neuronales                                      | Deep Learning, Transfer Learning and TensorFlow 2                                                                                                   | ❌     |\n| ...     | ...                                                   | ...                                                                                                                                                 | ...    |\n\n- **✅ Completado**\n- **🚧 En progreso**\n- **❌ Pendiente**\n\n---\n\n## Recursos y Enlaces de interés\n\n- 🔗 [Jupyter Notebook vs Google Colab](/docs/extra/jupyter-vs-colab.md)\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Frociobenitez%2Fai-ml-datascience-bootcamp","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Frociobenitez%2Fai-ml-datascience-bootcamp","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Frociobenitez%2Fai-ml-datascience-bootcamp/lists"}