En este módulo haremos una introducción al programa y prepararemos un entorno de trabajo similar al que te encontrarás en el mercado laboral.
- Fork del repositorio inicial
- Preparar IDE (VSCode)
- Preparar el entorno de desarrollo (versiones de python, virtualenv, poetry…)

Estudiaremos los principales conceptos de Exploratory Data Analysis (EDA) y los pondremos en práctica sobre una serie de problemas propuestos.
- Data types
- Distribuciones
- Missing values / outliers
- Correlaciones
- Encoding

Trabajaremos los fundamentos del aprendizaje automático sobre los que se construye toda la práctica.
- Qué entendemos por aprendizaje automático
- Tipos de aprendizaje.
- Aprendizaje supervisado: clasificación y regresión.
- Modelos lineales y problemas de dimensionalidad.
- Métricas y cómo evaluar el ajuste de un modelo

Aprenderemos a ajustar el mejor modelo posible a un problema debidamente caracterizado.
- Modelos no lineales
- Regularización
- Cross-validation
- Ajuste de hiperparámetros

El modelado matemático del problema es una parte importante del proceso pero no la única. En este módulo cubriremos los principios fundamentales del diseño de sistemas que permitan desplegar nuestros modelos en un entorno real.
- Model deployment
- Monitorización, logging y alerting.
- Concept drift y model retraining.

Caso práctico sobre cómo enfrentar un problema de negocio para poder caracterizarlo y traducirlo en un problema de datos que lo represente correctamente. Responderemos a preguntas como:
- Cómo traducir un problema real en uno de datos.
- Qué es necesario definir a priori y cómo definirlo de forma correcta
- Qué datos utilizar y cómo

Fin de semana presencial que dedicaremos a trabajar aspectos de recruiting y mock interviews para identificar áreas de mejorar de cara poder trabajarlas durante la segunda parte del programa.

Durante estas 5 semanas aplicaremos los fundamentos de data science a un proyecto real, con un especial foco en entender el problema, caracterizarlo y traducirlo a un problema datos que podamos modelar.
- Traducir problema de negocio en un problema de datos
- Aplicar EDA + Modelado + Evaluación al problema
- Storytelling. Poder presentar el enfoque, los resultados y conclusiones de una forma convincente a audience técnicas y no técnicas

Para lograrlo seguiremos un proceso que incluya:
- Sesión de presentación del proyecto
- Trabajo en grupos con el soporte de un mentor senior de Zrive
- Contacto semanal con los stakeholders para resolver dudas y hacer seguimiento del proyecto
- Presentación final de los resultados obtenidos a los stakeholders del proyecto

Aunque el grado de uso de estas tecnologías variará en función de la organización y del equipo, son tecnologías y conceptos que pueden ser muy importantes para el trabajo diario y el desarrollo profesional de un Data Scientist. Por eso, en este módulo extra queremos cubrir los conceptos fundamentales para darte las herramientas que te permitan profundizar en ellas cuando sea necesario.