Planificación Semanal

Semana	Fecha	Unidad	Temario Teórico-Práctico (Notebooks)	Lecturas Recomendadas
1	26/08/2026	Unidad 1	Análisis Exploratorio y Probabilidad Repaso de estadística descriptiva. Manipulación de datos y visualización con Pandas y Seaborn. Conceptos fundamentales de probabilidad y variables aleatorias.	[1] Cap. 1 a 4 [5] Cap. 1
2	02/09/2026	Unidad 2	Inferencia, Estimación y Teorema Central del Límite Estimación paramétrica (puntual y por intervalos). Tamaños de muestra. Pruebas de normalidad (Shapiro-Wilk, Q-Q Plots).	[1] Cap. 8 [5] Cap. 2
3	09/09/2026	Unidad 2	Test de Hipótesis y Análisis de Varianza (ANOVA) Pruebas paramétricas (t de Student, F) y no paramétricas (Wilcoxon). Análisis de varianza (ANOVA de 1 factor) y comparaciones post-hoc (Tukey).	[1] Cap. 8 [5] Cap. 2
4	16/09/2026	-	OLIMPÍADAS INTERUCA Jornada institucional y deportiva. Sin dictado de clases teóricas ni prácticas.	-
5	23/09/2026	Unidad 3	Regresión Lineal Simple y Múltiple Estimadores MCO, supuestos de Gauss-Markov. Bondad de ajuste ($R^2$, RMSE).	[5] Cap. 3 [6] Cap. 1 y 2
6	30/09/2026	Unidad 3	Diagnóstico de Modelos, Outliers y PCA Análisis de residuos, multicolinealidad (VIF), valores atípicos y apalancamiento (Distancia de Cook). Ingeniería de características y Análisis de Componentes Principales (PCA). 🚨 Entrega de TP 1, TP 2 y TP 3	[4] Cap. 3 [6] Cap. 3 y 4 [7] Cap. 3
7	07/10/2026	-	EVALUACIÓN PARCIAL Evaluación teórico-práctica presencial.	-
8	14/10/2026	Unidad 4	Regresión Logística y Naive Bayes Clasificación binaria, función sigmoidea, interpretación de Odds Ratios. Clasificador Naive Bayes. Curvas ROC, matrices de confusión y métricas de rendimiento.	[4] Cap. 8 [7] Cap. 2
9	21/10/2026	Unidad 5	Modelos Basados en Árboles, Ensembles y Series de Tiempo Árboles de clasificación y regresión (CART). Random Forest y validación cruzada. Nociones de Series de Tiempo.	[4] Cap. 8 y 9 [7] Cap. 2 y 5
10	28/10/2026	Unidad 6	Inferencia Causal: Fundamentos, DAGs y Causal ML Correlación vs. Causalidad. Grafos Acíclicos Dirigidos (DAGs) y variables confusoras (confounders). Criterio Backdoor. Estimación de efectos con DoWhy/EconML. Taller de consultas y avances del TP Integrador.	[2] Cap. 1 a 6 [3] Cap. 1 a 6
11	04/11/2026	-	Taller Práctico / Avances TP Integrador Espacio para aplicar Inferencia Causal a los proyectos finales. Pruebas de refutación de modelos. 🚨 Entrega de TP 4, TP 5 y TP 6	-
12	11/11/2026	-	Cierre Técnico y Preparación de Defensas Tutorías por grupo para el cierre de hitos del TP Integrador (Hito 3 y 4). Resolución de dudas y formato de reporte.	-
13	18/11/2026	-	RECUPERATORIO / DEFENSA TP INTEGRADOR Examen recuperatorio y defensa oral obligatoria del Proyecto Integrador. Cierre formal de cursada.	-

Fechas Límite de Entregas (Deadlines):

Miércoles 30/09 (Semana 6): Entrega TP 1, TP 2 y TP 3.
Miércoles 04/11 (Semana 11): Entrega TP 4, TP 5 y TP 6.
Miércoles 18/11 (Semana 13): Entrega Final y Defensa Oral del Trabajo Práctico Integrador.

Detalle de Bibliografía y Capítulos Requeridos (Excluyendo Markov de obligatoria)

[1] León-García, A. (2019). Probability, statistics, and random processes for electrical engineering (4th ed.). Pearson.
- Cap. 1 a 4: Probabilidad, variables aleatorias.
- Cap. 8: Inferencia estadística y contraste de hipótesis.
- Nota: El Cap. 11 (Cadenas de Markov) se asigna como lectura complementaria.
[2] Ness, R. O. (2025). Causal AI. Manning Publications. (Disponible en O'Reilly UCA)
- Cap. 1 a 6: Fundamentos, DAGs, ajuste y Causal Machine Learning.
[3] Molak, A. (2023). Causal inference and discovery in Python. Packt Publishing. (Disponible en O'Reilly UCA)
- Cap. 1 a 6: Modelos Causales Gráficos, estimación en DoWhy y EconML.
[4] Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques. Morgan Kaufmann.
- Cap. 3, 8 y 9: Limpieza, PCA, Árboles, Naive Bayes y Ensembles.
[5] Chan, Y. L., Badano, A., & Rey, M. (2020). Análisis inteligente de datos con lenguaje R. edUTecNe.
- Cap. 1 a 3: Análisis exploratorio, ANOVA y Regresión múltiple.
[6] Szretter Noste, M. E. (2017). Apunte de regresión lineal. UBA - FCEyN.
- Cap. 1 a 4: Modelo lineal, MCO, diagnóstico de residuos y puntos influyentes.
[7] Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python. O'Reilly Media.
- Cap. 1 a 3 y 5: Scikit-Learn, regresión, clasificación, PCA y GridSearch.