Skip to content

About

Material desarrollado en el programa de Talento Digital de Ciencia de Datos 2025-2026 🇨🇱 Material developed in the Talento Digital program in Data Science 2025-2026

Topics

Resources

Stars

1 star

Watchers

0 watching

Forks

Latest commit

 

History

56 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Portafolio de Ciencia de Datos

🇨🇱 🇪🇸 Descripción del repositorio

Este repositorio contiene ejercicios, casos prácticos y análisis desarrollados durante el programa de Ciencia de Datos – Talento Digital (2025–2026).

El objetivo principal es evidenciar competencias en ciencia de datos, limpieza, transformación y manipulación de datos, utilizando herramientas ampliamente utilizadas en entornos profesionales.

📁 Proyectos

Módulo Proyecto Herramientas principales
M3.3 Análisis de caso — Data Wrangling Pandas, NumPy
M3.4 Preparación & Wrangling de Datos Pandas, NumPy
M4 Análisis Exploratorio de Datos (EDA) Pandas, Matplotlib, Seaborn
M5 Inferencia Estadística SciPy, Pandas
M6 Predicción de Compras — AutoPredict Scikit-learn, Ridge, GradientBoosting
M7 Segmentación de Clientes K-Means, DBSCAN, Scikit-learn
M8 Clasificador de Ropa — StyleNet TensorFlow, CNN, Fashion-MNIST
M9 Retail Analytics Pipeline — RetailMax Apache Spark, PySpark, Spark MLlib

Data Science Portfolio

🇺🇸 🇬🇧 Repository description

This repository contains exercises, practical cases, and data analyses developed during the Data Science Program – Talento Digital (2025–2026).

Its main objective is to demonstrate skills in data analysis, data cleaning, transformation, and manipulation using tools commonly applied in professional environments.

📁 Projects

Module Project Main tools
M3.3 Case Analysis — Data Wrangling Pandas, NumPy
M3.4 Data Preparation & Wrangling Pandas, NumPy
M4 Exploratory Data Analysis (EDA) Pandas, Matplotlib, Seaborn
M5 Statistical Inference SciPy, Pandas
M6 Purchase Prediction — AutoPredict Scikit-learn, Ridge, GradientBoosting
M7 Customer Segmentation K-Means, DBSCAN, Scikit-learn
M8 Clothing Classifier — StyleNet TensorFlow, CNN, Fashion-MNIST
M9 Retail Analytics Pipeline — RetailMax Apache Spark, PySpark, Spark MLlib

👤 Autor / Author

Bernardita Ortega

LinkedIn GitHub Portfolio

About

Material desarrollado en el programa de Talento Digital de Ciencia de Datos 2025-2026 🇨🇱 Material developed in the Talento Digital program in Data Science 2025-2026

Topics

Resources

Stars

1 star

Watchers

0 watching

Forks

Contributors

Languages