¡Prepárate para el Desafío!. Para garantizar una experiencia de aprendizaje fluida y aprovechar al máximo las sesiones de laboratorio, asegúrate de cumplir con los siguientes puntos antes de nuestra primera clase.
Se recomienda que el estudiante cuente con los siguientes conocimientos previos:
Python básico: variables, tipos, condicionales, bucles, funciones, lectura/escritura de archivos.
SQL básico: SELECT, filtros (WHERE), JOIN, GROUP BY, agregaciones y nociones de claves.
Pensamiento lógico y disposición para seguir guías paso a paso.
Si aún no dominas alguno de estos puntos, no es un impedimento automático: el curso incluye recursos de apoyo, pero sí requerirá práctica adicional.
Recomendado (para trabajar fluido):
CPU moderna (i5/Ryzen 5 o equivalente)
RAM: 8 GB mínimo (ideal 16 GB)
Almacenamiento libre: 15–30 GB (datasets, herramientas y logs)
Conexión a internet estable.
Aceptable (con limitaciones):
4 GB RAM puede funcionar para prácticas simples, pero con más fricción (y menos paciencia).
Opciones sugeridas:
Windows 10/11 (con alternativa WSL2 + Ubuntu si se requiere entorno Linux).
Linux (Ubuntu/Debian/Fedora) o macOS: válidos para las prácticas.
En caso de usar Windows, se indicará una ruta recomendada para trabajar con herramientas de datos de forma consistente (por ejemplo, WSL2).
Estas son las herramientas que se usarán a lo largo del curso. No es necesario instalarlas todas el primer día; se irán incorporando según el plan.
Navegador actualizado (Chrome/Edge/Firefox).
Editor / IDE: VS Code o PyCharm Community (opcional).
Cliente de Bases de Datos: PgAdmin, DBeaver Community (opcional).
Git (para versionamiento y repositorio del curso).
Acceso a EDUCA y al canal de comunicación Slack.
Instalación y configuración de herramientas y servicios:
PostgreSQL: base de datos para almacenamiento y modelado por capas.
Python y librerías orientadas a manipulación de datos (p. ej. pandas, polars, etc).
Apache Airflow: orquestación del pipeline (DAGs, tareas, logs).
Pentaho PDI (Kettle): contexto de enfoque low-code (introducción).
Power BI: consumo analítico, KPIs y visualización (nivel introductorio para los siguientes cursos).
Hábitos de trabajo:
Mantener un repositorio ordenado (estructura de carpetas y nombres consistentes).
Documentar decisiones mínimas: supuestos, fuentes, pasos de ejecución.
Entregar evidencias: grabaciones, capturas, logs, tablas resultantes, inforemes finales, README.
Si el entorno local presenta limitaciones:
Se ofrecerán rutas alternativas (por ejemplo, WSL2 en Windows o ejecución guiada por sesiones).
En casos puntuales, se podrán usar recursos en la nube gratuitos o contenedores Docker, según orientación del profesor.
