Data Science · CC3084

Repositorio académico de trabajo para los ejercicios, laboratorios y proyectos desarrollados durante el curso CC3084 · Data Science.

El objetivo es mantener cada proyecto organizado, documentado y reproducible, incluyendo el conjunto de datos, el cuaderno de análisis, las dependencias y las conclusiones principales.

Sitio publicado

Los cuadernos se presentan también como un sitio web creado con Quarto y publicado automáticamente mediante GitHub Pages:

https://vann06.github.io/Data-Science/

Cada cambio enviado a la rama main activa el proceso de publicación definido en .github/workflows/publish.yml.

Proyectos

Proyecto	Descripción	Herramientas
01 · Series de tiempo	Análisis y predicción de la temperatura promedio mensual de Guatemala entre 1950 y 2026. Incluye estacionariedad, ARIMA/SARIMA, Holt-Winters, suavizamiento exponencial y naive estacional.	Python, pandas, statsmodels, scikit-learn, Matplotlib

Estructura del repositorio

Data-Science/
├── 01_series_tiempo/
│   ├── data/
│   │   └── raw/                  # Datos originales
│   ├── notebooks/                # Cuadernos de análisis
│   ├── codebook.md               # Descripción de variables
│   ├── README.md                 # Documentación del proyecto
│   └── requirements.txt          # Dependencias del proyecto
├── .github/workflows/
│   └── publish.yml               # Publicación automática en GitHub Pages
├── _quarto.yml                   # Configuración del sitio
├── index.qmd                     # Página de inicio
├── styles.css                    # Estilos visuales del sitio
└── README.md

Tecnologías utilizadas

• Python para el análisis y modelado.
• Jupyter Notebook para combinar código, resultados, gráficas y explicaciones.
• pandas y NumPy para manipulación de datos.
• Matplotlib para visualización.
• SciPy y statsmodels para pruebas estadísticas y modelos de series de tiempo.
• scikit-learn para métricas de evaluación.
• Quarto para convertir los cuadernos en un sitio web.
• GitHub Actions y GitHub Pages para publicación automática.

Cómo ejecutar un proyecto

1. Clonar el repositorio

git clone https://github.com/Vann06/Data-Science.git
cd Data-Science

2. Crear y activar un entorno virtual

En Windows:

python -m venv .venv
.venv\Scripts\activate

En macOS o Linux:

python3 -m venv .venv
source .venv/bin/activate

3. Instalar las dependencias del proyecto

pip install -r 01_series_tiempo/requirements.txt

4. Abrir el cuaderno

jupyter notebook 01_series_tiempo/notebooks/series-tiempo.ipynb

Convenciones de trabajo

Cada proyecto se mantiene en una carpeta independiente y debe contener:

1. Los datos originales sin modificar en data/raw/.
2. Uno o más cuadernos en notebooks/.
3. Un archivo requirements.txt con las dependencias.
4. Un README.md con el objetivo, metodología y forma de ejecución.
5. Un codebook.md cuando el conjunto de datos requiera explicación de variables.
6. Resultados y conclusiones escritos de forma clara y respaldados por el análisis.

Repositorio desarrollado como área de trabajo académica para el curso CC3084 · Data Science, Universidad del Valle de Guatemala.