🚀 Exploraciones Extra: Investigando Más Allá del Curso¶
Esta sección presenta exploraciones adicionales realizadas de forma autónoma para profundizar en técnicas de Data Science y Machine Learning Ético. Cada análisis complementa las unidades temáticas del curso con datasets reales de Kaggle y casos de estudio actuales.
📊 Resumen de Exploraciones¶
Completadas
Analizados
Aplicadas
Creados
📊 Proyectos de Exploración¶
📱 Social Media & Mental Health - Análisis Exploratorio de Comportamiento Digital¶
Dataset: Social Media and Mental Health Dataset (Kaggle) - Datos de estudiantes universitarios sobre uso de redes sociales y salud mental. Incluye tiempo de uso diario, plataformas preferidas (Instagram, TikTok, Facebook, Twitter, Snapchat), indicadores de bienestar psicológico (depresión, ansiedad, autoestima) y datos demográficos.
🎯 Objetivos del Análisis¶
- Investigar correlaciones entre tiempo en redes sociales y salud mental
- Identificar plataformas con mayor impacto en bienestar psicológico
- Detectar grupos de riesgo según patrones de uso
- Visualizar tendencias y distribuciones demográficas
- Extraer insights accionables sobre comportamiento digital
💻 Stack Tecnológico¶
🔗 Recursos¶
📄 Ver Reporte Completo →
📓 Descargar Notebook →
💳 Credit Card Fairness - Detección y Mitigación de Sesgo en Aprobaciones Crediticias¶
Dataset: Credit Card Approval Dataset (Kaggle) - 438,857 solicitudes de crédito con datos demográficos (género, edad, nivel educativo, estado civil) y financieros (ingresos, empleo, historial crediticio). Dataset con desbalance significativo: 68% mujeres vs 32% hombres.
🎯 Objetivos del Análisis¶
- Detectar sesgo demográfico en decisiones de aprobación de crédito
- Cuantificar disparidades entre grupos protegidos con métricas de fairness
- Evaluar impacto del sesgo en precisión del modelo (accuracy, precision, recall)
- Experimentar con técnicas de mitigación (ExponentiatedGradient + DemographicParity)
- Analizar trade-offs entre accuracy y fairness en contexto regulatorio
💻 Stack Tecnológico¶
🔗 Recursos¶
📄 Ver Reporte Completo →
📓 Descargar Notebook →
🛒 Retail Rocket - PCA y Feature Selection en E-Commerce¶
Dataset: Retail Rocket E-commerce Dataset (Kaggle) - 2.7M+ eventos de comportamiento de usuarios en una plataforma de e-commerce durante 4.5 meses. Incluye views, add-to-cart y transactions de 1.4M usuarios únicos sobre 235K productos.
🎯 Objetivos del Análisis¶
- Transformar eventos granulares en features agregadas por usuario
- Aplicar PCA para reducción dimensional y análisis de varianza
- Comparar Filter Methods (F-test, Mutual Information) vs Wrapper Methods (RFE)
- Evaluar trade-off entre complejidad del modelo y performance predictiva
- Identificar features más predictivas para conversión en e-commerce
💻 Stack Tecnológico¶
🔗 Recursos¶
📄 Ver Reporte Completo →
📓 Descargar Notebook →
🎓 Relación con el Curso¶
Estas exploraciones se alinean directamente con las unidades temáticas del curso de Ingeniería de Datos de la Universidad Católica del Uruguay:
| Exploración | Unidad Relacionada | Temas Aplicados | Habilidades Demostradas |
|---|---|---|---|
| Social Media & Mental Health | UT1 - Análisis Exploratorio | EDA, Visualización, Estadística Descriptiva, Correlaciones | Análisis de datos, storytelling con visualizaciones |
| Credit Card Fairness | UT2 - Calidad & Ética | Fairness Audit, Bias Detection, Ethical AI, Compliance | Machine Learning ético, métricas de fairness, regulación |
| Retail Rocket PCA | UT3 - Feature Engineering | PCA, Feature Selection, RFE, Filter Methods | Reducción dimensional, selección de variables, modelado predictivo |