Programa sintético:


Unidad 1: Introducción al entorno de trabajo y fundamentos del lenguaje
Introducción a Google Colab. Uso de celdas de texto y de código. Comentarios. Montaje de Google Drive y navegación de archivos y directorios. Conceptos básicos de programación. Números, operadores matemáticos y variables. Tipos de datos elementales: enteros, cadenas de caracteres y booleanos. Conversión de tipos. Uso de la función print(). Convenciones de nomenclatura. Valor None. Uso de comillas, concatenación de cadenas, f-strings y métodos básicos de strings. Introducción a los conceptos de función y método. Introducción al uso de herramientas de inteligencia artificial generativa como apoyo para el aprendizaje de programación: alcance, ventajas, limitaciones y criterios básicos de validación.


Unidad 2: Estructuras de datos básicas
Listas: creación, indexación, slicing, operaciones y métodos principales. Diccionarios: estructura clave-valor, acceso, modificación y métodos básicos. Tuplas y conjuntos. Selección de estructuras de datos según el problema a resolver.


Unidad 3: Lógica, condicionales y repetición
Valores booleanos y evaluación lógica. Operadores de comparación. Operadores lógicos and, or y not. Estructuras condicionales if, elif y else. Bucles for y while. Uso de range(). Comprensiones de listas. Aplicación de estructuras de control a problemas sencillos de procesamiento de datos.


Unidad 4: Funciones y modularización del código
Definición de funciones. Parámetros y argumentos. Valores de retorno. Alcance de variables. Uso de *args y **kwargs. Funciones lambda. Funciones incorporadas de Python. Organización básica del código para mejorar legibilidad y reutilización. Uso guiado de herramientas de IA para la generación y explicación de funciones simples en Python. Formulación de consignas efectivas (prompting) y evaluación crítica del código generado.


Unidad 5: Depuración, errores, módulos y bibliotecas
Lectura e interpretación de mensajes de error. Estrategias básicas de debugging. Manejo introductorio de excepciones. Aplicación de herramientas de IA generativa al proceso de depuración de código: interpretación de mensajes de error, propuesta de correcciones, comparación de soluciones alternativas y validación de resultados. Uso de módulos incorporados. Importación de bibliotecas. Noción general de repositorios y uso de código disponible en GitHub. Lectura y escritura básica de archivos. Introducción a NumPy como herramienta para el trabajo con arreglos y operaciones numéricas.


Unidad 6: Introducción al análisis de datos tabulares con pandas
Importación de archivos .txt, .csv, .xlsx y .tsv. Concepto de tabla de datos. Introducción a DataFrame y Series. Exploración inicial de datos. Selección de filas y columnas. Filtrado. Métodos básicos de pandas para inspección y manipulación de datos.


Unidad 7: Manipulación y transformación de datos
Operaciones avanzadas sobre DataFrame. Manejo y creación de columnas. Conversión entre diccionarios y tablas. Unión y combinación de tablas (merge, concatenación). Actualización de valores. Tratamiento de datos faltantes (NaN). Preparación de datos para análisis y visualización. Uso de IA como asistente para la escritura de código orientado al análisis de datos tabulares con pandas. Conversión de consignas en lenguaje natural en operaciones de filtrado, transformación, unión y limpieza de datos.


Unidad 8: Visualización de datos biológicos
Principios básicos de visualización de datos. Introducción a matplotlib y seaborn. Generación de gráficos simples y comparativos. Personalización de ejes, títulos, leyendas y escalas. Elección del tipo de gráfico según la naturaleza de los datos biológicos. Empleo de herramientas de IA para la generación inicial de código de visualización con matplotlib y seaborn. Exportación de figuras.


Unidad 9: Clase integradora
Resolución de una actividad integradora basada en un conjunto de datos biológicos. Importación, exploración, transformación, análisis y visualización de datos mediante las herramientas desarrolladas durante el curso. Discusión e interpretación de resultados.

Condiciones de aprobación:
Porcentaje de asistencia a clases teóricas y prácticas: 80%
Aprobación del trabajo final (TP) (≥60%)

Last modified: Friday, 15 May 2026, 1:26 PM