Clase 1: Presentación de la asignatura e introducción al machine learning

Objetivo

Presentar la asignatura, motivar el rol del machine learning en las Ciencias del Comportamiento y establecer las bases conceptuales para el desarrollo del curso.

Contenidos

  • Contexto y relevancia de la asignatura en el campo de estudio.
  • Repaso del programa: temas principales, metodología de trabajo y cronograma de clases.
  • Modalidad de evaluación: criterios y expectativas.
  • Presentación de los objetivos generales del trabajo práctico integrador.
  • Introducción al machine learning: aprendizaje a partir de datos, tipos de problemas, predicción vs. explicación.
  • Articulación con Estadística para las Ciencias del Comportamiento: qué herramientas se asumen como base.
  • Puesta en marcha del entorno de trabajo: Google Colab (ejecución de notebooks, celdas de código y texto, importación de librerías, carga de archivos).
  • Fundamentos de Python para análisis de datos: variables y tipos, estructuras (listas, diccionarios), control de flujo (for, condicionales) y funciones.
NotaUn solo caso guía toda la clase

Todo el contenido teórico se explica a través de Nimbus, una empresa de software ficticia con un problema real de rotación de personal. El equipo de People Analytics de Nimbus corre un primer experimento (un piloto de fruta gratis en la oficina) para practicar estadística inferencial, y de ahí surge la pregunta que va a guiar buena parte del semestre: ¿se puede predecir si un empleado va a renunciar? Ese mismo caso vuelve, ampliado, en cada clase siguiente.

Notebooks

La segunda mitad de la clase es un primer contacto guiado con Python y Google Colab: no hay ejercicios para resolver todavía, es un recorrido interactivo por cargar un dataset desde una URL, correr celdas de código y texto, entender qué es una librería, y reconocer los bloques básicos de Python (variables, tipos, listas, diccionarios, condicionales, loops) usando los datos reales de Nimbus.

Los datos de Nimbus que usa la notebook se pueden descargar desde acá:

Archivo Contenido Descargar
nimbus_empleados.csv 600 × 7: atributos estables de cada empleado (sede, área, género, educación, antigüedad, grupo del piloto de fruta) .csv
nimbus_salario.csv 1.800 × 4: panel de salario mensual por empleado y año (2023-2025) .csv

Accedé a la notebook:

Lenguaje Leer en el sitio Ejecutar en Colab Descargar
Python (principal) Notebook renderizada Open in Colab .ipynb
R (par validado) Notebook renderizada Open in Colab .ipynb
Tip

Las dos notebooks recorren el mismo recorrido con las mismas conclusiones: elegí el lenguaje en el que quieras trabajar. La versión Python es la del dictado; la versión R es material de referencia equivalente.

TipLinks para utilizar en la notebook de R (copiar y pegar es suficiente)

Slides

Diapositivas de la clase

Lecturas

Obligatoria:

  • James, G., Witten, D., Hastie, T., Tibshirani, R. & Taylor, J. (2023). An Introduction to Statistical Learning with Applications in Python, capítulo 1. Springer. statlearning.com (gratuito, oficial).

Complementaria (repaso de Python):

  • McKinney, W. (2022). Python for Data Analysis (3ª ed.), capítulo 3: “Built-In Data Structures, Functions, and Files”. O’Reilly. wesmckinney.com/book/python-builtin (gratuito, oficial). Cubre listas, diccionarios, condicionales y loops: lo mismo que recorre la notebook, pero como material de consulta. El propio autor lo señala como el capítulo para quien nunca programó en Python. El libro vuelve en la Clase 2 (caps. 5 a 7).