🧭 Python Data Science Program

232 clases · 9 partes · pauta avanzada y completa (expansión 2026)

Curso completo de Python y Data Science — desde fundamentos hasta despliegue de modelos en producción

📚 Índice de clases · 📖 Syllabus · 🏗️ Arquitectura · 🎯 Evaluación

Integra currículo modular extenso, laboratorio interactivo local, portal del alumno, app de escritorio nativa para Windows y app Android.

📖 ¿Qué significa "pauta derivada"? Cada parte del temario sigue explícitamente la secuencia y los énfasis de cinco libros referentes:

🧠 Géron (Hands-On ML, 3ª ed.) → estructura de las partes 1 (ML clásico) y 2 (Deep Learning)
📊 VanderPlas (Python Data Science Handbook) → parte 0 (NumPy, pandas, matplotlib)
🏭 Huyen (Designing ML Systems) → parte 4 (MLOps en producción)
📈 ISLP (Statistical Learning with Python) → parte 3 (estadística inferencial) + rigor matemático de la parte 1
⚖️ Barocas/Hardt/Narayanan (Fairness and ML) → parte 7 (ética, fairness, privacidad)

Detalle completo (qué aporta cada uno, cómo se adapta) en docs/syllabus.md § Fuentes y pauta.

💡 Origen y orientación del proyecto: este repositorio nació como muestra de habilidades técnicas y pedagógicas, y hoy se desarrolla como recurso personal de aprendizaje, enseñanza y mejora continua del propio producto. Es público y abierto a cualquier persona que quiera aprender, enseñar o contribuir.

📊 Estado actual del producto

🎯 Aspecto	Estado
🏷️ Versión	`v3.11.0` (agosto 2026 — la clase se renderiza en HTML también en la app Windows: mismo conversor que GitHub Pages (`app/class_html.py`), código con resaltado de sintaxis, cabecera de clase, columna de lectura, zoom de texto, tema oscuro real e icono de producto · 🎓 232/232 clases · 232/232 notebooks ejecutables)
📚 Clases	232 en 9 partes · numeración secuencial limpia 001-232
🗂️ Estructura	✅ las 232 clases con `README.md` pedagógico + `notebook.ipynb` ejecutable (cobertura 100%)
✍️ Contenido pedagógico	🟢 Las 9 partes (232/232 = 100%) — completas y modernizadas con Definiciones · Errores comunes · FAQ en cada clase + 35 clases dedicadas a temas modernos 2024-2026 + stack completo de MLOps (DVC, MLflow, Feast, K8s, FastAPI, drift, shadow/canary, SHAP, Great Expectations, behavioral tests) + data engineering (Airflow, Prefect/Dagster, PySpark, Polars, DuckDB/BQ/Snowflake, Kafka, Parquet/Avro, star schemas) + recomendadores (CF, SVD/ALS, content+FAISS, LightFM, métricas top-N, cold-start) + ética/fairness/privacidad (DP/EO/calibration, DP-SGD, FedAvg, GDPR + AI Act 2024/1689, reproducibilidad) + 4 capstones integradores (tabular E2E con MLflow+FastAPI+Streamlit, NLP o series con backtesting cuantil, visión transfer learning con ONNX, portafolio público en GitHub Pages con MkDocs/Quarto)
🧭 Descubribilidad Pages	✅ tabla de contenidos automática + badges por clase + banner global de progreso
🧪 Laboratorio de ejecución Python	✅ Flask shell + kernel Jupyter real (`jupyter_client` + `ipykernel`), lee los `classes//notebook.ipynb` reales, outputs ricos (HTML, imágenes, errores con traceback) — herramienta separada** del viewer nativo, pensada para ejecutar código sobre los notebooks
🖥️ App Windows	✅ app Qt nativa (PySide6) — sin web, sin localhost · la clase se renderiza en HTML con resaltado de sintaxis · binario publicado en release v3.11.0 (`PythonDSProgram_windows_portable_v3.11.0.zip`) · capturas
📱 App Android	✅ 232 clases embebidas · APK debug publicado en release v3.11.0 (`PythonDSProgram_android_v3.11.0_debug.apk`, 138 MB, Expo SDK 51, versionCode 42) — rebuildeado: bundle JS regenerado (el commiteado estaba obsoleto y no traía el currículo) + icono del producto
🛡️ Postura	local-first — no internet abierta sin capas adicionales

📥 Descarga rápida — Release v3.11.0 (2026-08-04)

Binarios oficiales del programa. Verificación de integridad en SHA256SUMS_v3.11.0.txt.

Artefacto	Tamaño	Qué es
`PythonDSProgram_windows_portable_v3.11.0.zip`	274 MB	App Windows Qt nativa (PySide6) — la clase se renderiza en HTML con el mismo conversor que GitHub Pages, código resaltado, cabecera de clase, zoom y tema oscuro real; bundle slim, sin PDFs/PPTX embebidos (el viewer los abre desde el repo)
`PythonDSProgram_android_v3.11.0_debug.apk`	138 MB	APK Android debug (Expo SDK 51 · versionCode 42 · versionName 3.11.0) — 232 clases embebidas (verificado dentro del APK) · icono del producto · bundle JS regenerado

ℹ️ El release v3.11.0 no incluye instalador Inno Setup .exe (no hay Inno Setup en el entorno de build) — el ZIP portable es el artefacto autónomo. El script installer/setup.iss ya queda configurado con el icono del producto para cuando se compile. La versión v3.8.1 del instalador sigue disponible en su release histórico.

⚠️ El APK de v3.8.0 se publicó con el catálogo vacío (mostraba 0 clases). Desde entonces se verifica el contenido dentro del binario antes de publicar: el de v3.11.0 se abrió y se contaron las 232 clases en su index.android.bundle.

🔗 Página completa del release v3.11.0

🖥️ Así se ve la app de escritorio

Desde v3.11.0 la clase se renderiza como HTML dentro de la app, con el mismo conversor que genera GitHub Pages (app/class_html.py): código con resaltado de sintaxis, tablas de verdad, columna de lectura acotada, tema claro/oscuro y zoom de texto.

📸 Las 6 capturas (ambos temas, README y notebook) están en docs/screenshots/ y en la página Las apps del portal. Se regeneran con python scripts/capture_app_screenshots.py.

📱 Y la app Android

La app Android es la versión de bolsillo: embebe las 232 clases en el bundle JS, así que el catálogo se consulta sin conexión, y cada clase abre su notebook en Colab con un toque. Muestra la ficha de la clase (objetivo, resultados, temas, materiales, práctica) en pestañas Teoría/Práctica con seguimiento de progreso — no el README completo, que es lo que sí muestran este repositorio, el portal y la app de escritorio.

🎨 En v3.11.0 también recibió el icono del producto: hasta v3.10.0 se instalaba con el robot verde genérico del template de Expo.

🗺️ Las 9 partes del currículo

Cada parte tiene su propio README con narrativa completa: de qué trata, qué problemas resuelve, resultados de aprendizaje, estructura temática y enlaces a las clases.

#	Parte	Clases	Foco	README
0️⃣	Prerrequisitos ✅	49 (001-049)	Python aplicado, NumPy, pandas, Polars, Parquet/Arrow/DuckDB, viz, SQL, NoSQL, APIs, async	📘 leer
1️⃣	ML clásico ✅	50 (050-099)	Regresión, clasificación, ensembles, no supervisado, Optuna, SHAP, calibración, Model Cards	📘 leer
2️⃣	Deep Learning ✅	75 (100-174)	Keras + PyTorch + Lightning, CNN (SAM/YOLOv11), Transformers + Flash/RoPE/GQA, LLMs (LoRA/DPO/vLLM), multimodal (CLIP/Whisper), MCP/agentes, SDXL+ControlNet, RL, ONNX/JAX, despliegue	📘 leer
3️⃣	Estadística inferencial y causal ✅	19 (175-193)	Hipótesis + effect size, BCa bootstrap, A/B (CUPED+sequential), DoubleML, Synthetic Controls, Bayes (PyMC v5+NumPyro+ArviZ)	📘 leer
4️⃣	MLOps ✅	14 (194-207)	DVC, MLflow, Feast, GH Actions+CML, Docker, FastAPI, K8s, serverless, drift (PSI/CBPE), Prefect, shadow/canary, SHAP, Great Expectations, behavioral tests	📘 leer
5️⃣	Ingeniería de datos ✅	8 (208-215)	Airflow TaskFlow, Prefect/Dagster, PySpark (AQE/skew), Polars (lazy/streaming), DuckDB/BQ/Snowflake, Kafka+Kinesis, Parquet/Avro, star schema SCD2	📘 leer
6️⃣	Recomendadores ✅	7 (216-222)	CF user/item-based, SVD+ALS implicit, content (TF-IDF+sentence-transformers+FAISS), hybrid LightFM, métricas top-N (NDCG/MAP/recall), cold-start (Bayes+bandits)	📘 leer
7️⃣	Ética, fairness, privacidad ✅	6 (223-228)	Sesgos (Suresh-Guttag), métricas DP/EO/calibration + impossibility theorem, privacidad diferencial (Laplace/Gauss/DP-SGD), federated learning (FedAvg + leakage), GDPR + AI Act EU 2024/1689, reproducibilidad (seeds/lock files/model cards)	📘 leer
8️⃣	Capstones ✅	4 (229-232)	Tabular E2E (EDA+ColumnTransformer+GBM+Optuna+MLflow+FastAPI+Streamlit+SHAP), NLP/series (rama A: DistilBERT/RAG · rama B: forecasting con baselines+SARIMA+ML+backtesting+cuantiles), Visión transfer learning (ConvNeXt/EfficientNetV2/ViT + RandAugment/MixUp + ONNX), Portafolio público (MkDocs Material/Quarto + GitHub Pages + demos hosted + deck + CV técnico)	📘 leer

🎓 Programa completo

232/232 clases desarrolladas (100%) con patrón pedagógico v3.0 — Definiciones · Resultados · Temas · Dataset · Ejercicios · Homework verificable · Errores comunes · FAQ · Referencias + notebook ejecutable + PDF + PPTX. PDFs y PPTX por clase, por parte y unificados ya están generados (docs/pdfs/, docs/presentaciones/). Siguiente foco del repo: migrar el catálogo del currículo a la UI Android (mobile/src/data/classes.js sigue stub), mejoras al laboratorio de ejecución Python (ver ROADMAP.md).

🧭 Rutas recomendadas según perfil

👤 Perfil	📖 Documento de entrada	🎯 Qué mirar primero
🏛️ Institución / evaluador	docs/GUIA_EVALUACION.md	valor, evidencia y límites reales
🎯 Reclutador técnico	RECRUITER.md	evidencia técnica rápida en 5 minutos
🏗️ Stakeholder técnico	docs/ARQUITECTURA_PRODUCTO.md	capas, flujos y fronteras
📦 Producto / maintainer	docs/CATALOGO_PRODUCTO.md	superficies, artefactos y reglas de comunicación
👩‍🏫 Docente	docs/herramientas-pedagogicas-de-aula.md	mediación, problemas de aula y ritmo
🎓 Alumno	docs/student-guide.md	uso del curso y expectativas
⚙️ Operación	RUNBOOK.md	arranque, smoke checks y apagado
🔐 Seguridad	SECURITY.md	postura actual y riesgos aceptados

Si no sabes por dónde entrar, usa docs/INDEX.md.

⏱️ Cómo leer este repo según tiempo disponible

⏰ Tiempo	Secuencia recomendada	🎯 Resultado esperado
5 min	`README` → `RECRUITER.md`	evidencia rápida de qué funciona hoy
15 min	`README` → `docs/GUIA_EVALUACION.md` → `docs/CATALOGO_PRODUCTO.md`	entender superficies, arquitectura y criterio de operación
30 min	secuencia anterior + `docs/syllabus.md` + `docs/ARQUITECTURA_PRODUCTO.md`	entender el currículo completo, capas y growth path

📚 La documentación está pensada como sistema, no como inventario de archivos.

🎛️ Superficies del producto

Superficie	Rol	Estado
🧪 Laboratorio de ejecución Python (`app/`)	shell Flask + kernel Jupyter real (`jupyter_client` + `ipykernel`) que ejecuta los notebooks del currículo	✅ operativo
🌐 Portal del alumno (`site/`)	punto de entrada oficial para estudiantes	✅ operativo
🏛️ Vista institucional (`site/product/`)	presentación visual del producto	✅ operativa
📚 Currículo modular (`classes/`)	232 clases en 9 partes (numeración secuencial 001-232): Prerrequisitos, ML clásico, Deep Learning, Estadística inferencial y causal, MLOps, Ingeniería de datos, Recomendadores, Ética, Capstones	🟢 Las 9 partes (232/232 = 100%) completas y modernizadas — 35 clases dedicadas a temas 2024-2026 + stack MLOps + data engineering + recomendadores + ética/fairness/privacidad + 4 capstones integradores end-to-end
🖥️ App de escritorio Windows (`launcher.py` + `app_desktop/` + `program.spec` + `installer/`)	ventana Qt nativa (PySide6) — sin web, sin localhost, sin WebView, sin Python en el PC del alumno; la clase se renderiza en HTML con `app/class_html.py`	✅ binario v3.11.0 publicado en release
📱 App Android (`mobile/`)	Expo/React Native con integración Google Colab	✅ APK debug v3.11.0 publicado en el release · 232 clases embebidas · icono del producto
📄 PDFs (`docs/pdfs/`)	guías por clase + bundles por parte + curso completo	✅ generados (232 por clase + 9 por parte + 1 unificado)
📊 Presentaciones (`docs/presentaciones/`)	decks `.pptx` por clase + bundles por parte + curso completo	✅ generados (232 por clase + 9 por parte + 1 unificado)

La fuente de verdad de esta taxonomía vive en docs/CATALOGO_PRODUCTO.md.

📚 Materiales listos para usar

🗂️ Currículo (232 clases)

🧭 Índice navegable: classes/README.md
📖 Pauta completa: docs/syllabus.md
📝 Cada clase incluye README.md (ficha pedagógica) + notebook.ipynb (ejecutable) + clase-NNN-...-guia-explicativa.pdf + clase-NNN-...-presentacion.pptx para descarga directa desde la carpeta de la clase.

📥 Material consolidado del curso

📦 Bundle	PDF	PPTX
🎓 Curso completo (232 clases · 9 partes)	curso-completo.pdf (1.9 MB)	curso-completo.pptx (2.0 MB)
Parte 0 — Prerrequisitos	parte-0…-completa.pdf	parte-0…-completa.pptx
Parte 1 — ML clásico	parte-1…-completa.pdf	parte-1…-completa.pptx
Parte 2 — Deep Learning	parte-2…-completa.pdf	parte-2…-completa.pptx
Parte 3 — Estadística inferencial	parte-3…-completa.pdf	parte-3…-completa.pptx
Parte 4 — MLOps	parte-4…-completa.pdf	parte-4…-completa.pptx
Parte 5 — Ingeniería de datos	parte-5…-completa.pdf	parte-5…-completa.pptx
Parte 6 — Recomendadores	parte-6…-completa.pdf	parte-6…-completa.pptx
Parte 7 — Ética / Fairness / Privacidad	parte-7…-completa.pdf	parte-7…-completa.pptx
Parte 8 — Capstones	parte-8…-completa.pdf	parte-8…-completa.pptx

Generación: python scripts/generate_class_assets_v3.py (por clase) y python scripts/generate_part_bundles.py (bundles por parte + unificado).

📄 PDFs de estudio adicionales

PDFs listos para imprimir o compartir. Viven en docs/pdfs/ y son independientes del flujo de clases.

📑 Documento	Descripción
guia-estudio-repositorio.pdf	🗺️ Ruta de lectura rápida del repo para evaluador o reclutador
guia-total-python-data-science.pdf	📘 Guía ampliada de Python con Data Science investigada con fuentes oficiales

🏗️ Arquitectura en una mirada

graph LR
    INST["Institución"] --> PRODUCT["site/product/\nVista institucional"]
    ALUM["Alumno"] --> PORTAL["site/\nPortal del alumno"]
    ALUM --> MOBILE["mobile/\nApp Android"]
    DOC["Docente"] --> LAB["app/\nLab ejecución Python\n(Flask + kernel Jupyter)"]
    DOC --> WIN["PythonDSProgram.exe\nApp Windows nativa (PySide6 / Qt)"]

    PRODUCT --> DOCS["docs/\nDocumentación canónica"]
    PORTAL --> DOCS
    MOBILE --> CLASSES["classes/\n232 clases · 9 partes"]
    MOBILE --> COLAB["Google Colab\n(ejecución de código)"]
    LAB --> CLASSES
    LAB --> DATA["datasets/\n6 CSV sintéticos"]
    LAB --> NOTEBOOKS["app/notebooks/\n6 labs interactivos"]
    LAB --> SAVED["app/saved_notebooks/\nTrabajo del alumno"]
    WIN --> CLASSES

🖥️ La app Windows nativa (PythonDSProgram.exe) lee directamente classes/ con widgets Qt — no levanta Flask ni se conecta al laboratorio. El laboratorio (app/) es una herramienta separada, opcional, para ejecutar código de los notebooks.

La arquitectura completa, con flujos y fronteras, está en docs/ARQUITECTURA_PRODUCTO.md.

🗺️ Mapa del currículo (9 partes · 232 clases · v3.11.0 · 🎓 232/232 README + 232/232 notebooks ejecutables · 100% real)

graph TD
    P0["0️⃣ Prerrequisitos<br/>49 clases (001-049)"]:::found
    P1["1️⃣ ML clásico<br/>50 clases (050-099)"]:::ml
    P2["2️⃣ Deep Learning<br/>75 clases (100-174)"]:::dl
    P3["3️⃣ Estadística inferencial y causal<br/>19 clases (175-193)"]:::stats
    P4["4️⃣ MLOps<br/>14 clases (194-207)"]:::ops
    P5["5️⃣ Ingeniería de datos<br/>8 clases (208-215)"]:::data
    P6["6️⃣ Recomendadores<br/>7 clases (216-222)"]:::rec
    P7["7️⃣ Ética, fairness, privacidad<br/>6 clases (223-228)"]:::eth
    P8["8️⃣ Capstones<br/>4 proyectos (229-232)"]:::cap

    P0 --> P1
    P0 --> P3
    P1 --> P2
    P1 --> P4
    P3 --> P1
    P2 --> P4
    P4 --> P5
    P1 --> P6
    P2 --> P6
    P0 --> P7
    P1 --> P8
    P2 --> P8
    P4 --> P8

    classDef found fill:#7c5cff,stroke:#5b3fc7,color:#fff
    classDef ml fill:#2e8b57,stroke:#1f6f43,color:#fff
    classDef dl fill:#0ea5e9,stroke:#0369a1,color:#fff
    classDef stats fill:#f59e0b,stroke:#b45309,color:#fff
    classDef ops fill:#ef4444,stroke:#b91c1c,color:#fff
    classDef data fill:#8b5cf6,stroke:#6d28d9,color:#fff
    classDef rec fill:#ec4899,stroke:#be185d,color:#fff
    classDef eth fill:#14b8a6,stroke:#0f766e,color:#fff
    classDef cap fill:#facc15,stroke:#a16207,color:#000

⚙️ Capacidades actuales

📚 Currículo y pedagogía

Currículo (v3.11.0): 232 clases en 9 partes (numeración secuencial 001-232) — Prerrequisitos (49), ML clásico (50), Deep Learning (75), Estadística inferencial y causal (19), MLOps (14), Ingeniería de datos (8), Recomendadores (7), Ética (6), Capstones (4). Las 9 partes (232/232 = 100%) completas y modernizadas 2024-2026;
pauta derivada de Hands-On ML (Géron 3ª ed.), Python Data Science Handbook (VanderPlas), Designing ML Systems (Huyen), ISLP (James et al), Fairness and ML (Barocas/Hardt/Narayanan);
cada clase: README.md pedagógico (Definiciones · Errores comunes · FAQ · Referencias) + notebook.ipynb ejecutable + clase-NNN-...-guia-explicativa.pdf + clase-NNN-...-presentacion.pptx;
6 datasets sintéticos: ventas_tienda, retencion_clientes, soporte_tickets, transporte, estudiantes, comentarios_productos;
guías de instructor, metodología, criterios de evaluación y ética de datos.

🧪 Laboratorio de ejecución Python

shell Flask + kernel Jupyter real (jupyter_client + ipykernel) — un kernel por sesión, con interrupt/restart;
descubre y ejecuta los classes/**/notebook.ipynb reales del currículo (no templates);
outputs ricos: HTML, imágenes PNG/JPEG base64, errores con traceback, streams stdout/stderr;
atajos estilo Jupyter (Ctrl+Enter ejecutar, Shift+Enter ejecutar y avanzar);
guardado de notebooks en JSON local (app/saved_notebooks/);
endpoints GET /health y GET /ready para healthchecks.

🖥️ App Windows nativa (PySide6)

ventana Qt nativa con QTreeView del currículo y tabs README / Notebook — sin web, sin localhost, sin WebView, sin Flask de fondo;
READMEs renderizados con QTextBrowser.setMarkdown(); notebooks renderizados celda por celda con outputs (imágenes base64 → QPixmap);
toolbar con "Abrir PDF/PPTX/Carpeta" — en el bundle frozen abre la URL raw del repo (los PDFs/PPTX no van empaquetados);
bundle slim distribuido como ZIP portable en el release v3.11.0; el instalador Inno Setup .exe queda pendiente (no hay Inno Setup en el entorno de build — el ZIP portable es el artefacto autónomo; la versión v3.8.1 del instalador sigue en su release histórico);
sin dependencias Python en el PC del usuario final.

📱 App Android

Expo/React Native (SDK 51, RN 0.74.5, versionCode 42, versionName 3.11.0);
integración con Google Colab para ejecución de código sin Python local;
seguimiento de progreso local con AsyncStorage;
APK debug v3.11.0 (versionCode 42) publicado en el release · catálogo con las 232 clases en 9 partes, generado desde classes/**/README.md con scripts/generate_mobile_curriculum.py (los enlaces a Colab ahora resuelven a notebooks reales);
navegación jerárquica: partes → clases (con buscador) → detalle de clase.

📊 Presentación y distribución de materiales

PDFs y PPTX por clase generados en docs/pdfs/classes/ y docs/presentaciones/classes/ (232 + 232);
bundles por parte (9 PDFs + 9 PPTX) y unificados (curso-completo.pdf, curso-completo.pptx);
landing pública para alumnos en GitHub Pages (site/);
vista institucional HTML con narrativa de producto (site/product/);
PDFs adicionales de estudio en docs/pdfs/.

🚀 Inicio rápido

🅰️ Opción A — app de escritorio Windows (usuarios finales)

Descarga PythonDSProgram_windows_portable_v3.11.0.zip desde el release v3.11.0, descomprime y ejecuta PythonDSProgram.exe. Es una app Qt nativa (PySide6): no abre navegador, no levanta servidor HTTP, no requiere Python ni Edge WebView2 instalados. Para construir el .exe desde fuente ver docs/BUILD_INSTALLER.md.

🅱️ Opción B — modo desarrollo (entorno virtual)

python -m venv .venv
.venv\Scripts\activate        # Windows
# source .venv/bin/activate   # macOS / Linux
pip install -r requirements.txt
python run_program.py

Abre automáticamente http://127.0.0.1:8000 en el navegador.

🐳 Opción C — Docker local

docker compose up --build

🛡️ Opción D — Docker endurecido

docker compose -f docker-compose.prod.yml up -d --build

📦 Build de distribución

# Instala dependencias de build (la app Windows es Qt nativa con PySide6)
pip install "PySide6>=6.6" pyinstaller

# Genera bundle + ZIP portable + instalador (requiere Inno Setup 6)
build_windows.bat

Ver docs/BUILD_INSTALLER.md para instrucciones completas.

✅ Validación y CI/CD

pytest                   # suite completa
ruff check .             # lint
python -m bandit -r app run_program.py launcher.py app_desktop -x app/saved_notebooks  # seguridad estática

Workflows activos:

⚙️ Workflow	Qué cubre
🧪 ci.yml	tests, lint, build de contenedor
🔒 security.yml	auditoría de dependencias, SAST
🚀 deploy-pages.yml	despliegue de `site/` a GitHub Pages

🔐 Seguridad y límites

🛡️ Protecciones activas

✅ validación de slugs e identificadores (regex, evita path traversal);
✅ límite de payload por request (1 MB);
✅ límite de longitud de código (20 KB);
✅ timeout de ejecución por celda (30 s) + reinicio de sesión;
✅ eviction de sesiones antiguas (100 sesiones máx, TTL 1 hora);
✅ CSP estricto sin dependencias CDN externas;
✅ defaults de arranque a 127.0.0.1;
✅ nosec justificado para falsos positivos de Bandit en polling loops.

⚠️ Límites conocidos

❌ no hay autenticación integrada;
❌ no hay sandbox fuerte para código no confiable;
❌ no hay rate limiting de red;
❌ no hay TLS nativo;
❌ el runner es para uso local en aula, no para internet abierta.

📖 Ver SECURITY.md para detalle completo.

🗺️ Mapa documental

📄 Documento	Rol
🎯 RECRUITER.md	evidencia técnica rápida para evaluadores
📜 CHANGELOG.md	historial de cambios por versión
🤝 CONTRIBUTING.md	cómo contribuir al proyecto
🛣️ ROADMAP.md	dirección futura del producto
⚙️ RUNBOOK.md	operación diaria
🔐 SECURITY.md	postura de seguridad y límites
🧭 docs/INDEX.md	índice completo por audiencia y objetivo
📦 docs/CATALOGO_PRODUCTO.md	fuente de verdad de superficies y artefactos
🏗️ docs/ARQUITECTURA_PRODUCTO.md	arquitectura funcional con diagramas
✅ docs/GUIA_EVALUACION.md	ruta ejecutiva de 10 minutos
🖥️ docs/BUILD_INSTALLER.md	cómo generar el instalador Windows
📱 docs/MOBILE_APP.md	cómo construir y distribuir la app Android
🧪 docs/entorno-interactivo.md	el laboratorio de ejecución Python y su funcionamiento
🧠 docs/metodologia-docente.md	marco pedagógico del producto
👩‍🏫 docs/instructor-guide.md	playbook de ejecución docente
🎓 docs/student-guide.md	guía de onboarding del alumno
🚢 docs/despliegue-seguro-y-operacion.md	CI/CD, Docker y hardening
☁️ docs/MIGRACION_AWS.md	migración a la nube AWS — arquitectura, costos y paso a paso

🗂️ Las notas internas del maintainer viven en docs/maintainer/.

🎯 Qué es y qué no es este repo

✅ Lo que este repo sí es

📚 una base seria de capacitación técnica en Python y Data Science;
🧩 un sistema que integra contenido, práctica interactiva y presentación;
🖥️ una app de escritorio nativa para distribución en aula sin configuración;
🎓 una muestra de criterio pedagógico, operacional y de seguridad;
🌱 una propuesta que puede empezar acotada y crecer sin rehacerse.

❌ Lo que este repo no vende

🚫 una plataforma multiusuario endurecida para internet abierta;
🚫 una app móvil ya en producción (el APK debug v3.11.0 embebe las 232 clases, pero es un build debug sin firmar, no una publicación en Play Store);
🚫 una promesa de personalización infinita antes de cerrar condiciones;
🚫 profundidad total en todas las direcciones desde la primera versión.

💡 Idea fuerza

El valor de este proyecto no depende de competir contra una tecnología puntual. Su valor está en traducir herramientas a aprendizaje real, con secuencia pedagógica, criterio docente, operación responsable y una base documental que permite evaluarlo como producto.

¿Te resulta útil? ⭐ Dale una estrella al repo.

Hecho con 🧠 y ☕ por Vladimir Acuña

Name		Name	Last commit message	Last commit date
Latest commit History 111 Commits
.github/workflows		.github/workflows
app		app
app_desktop		app_desktop
classes		classes
datasets		datasets
dist_installer		dist_installer
docs		docs
examples		examples
historicos		historicos
installer		installer
mini_project		mini_project
mobile		mobile
scripts		scripts
site		site
src		src
tests		tests
.dockerignore		.dockerignore
.env.example		.env.example
.gitignore		.gitignore
CHANGELOG.md		CHANGELOG.md
CONTRIBUTING.md		CONTRIBUTING.md
Dockerfile		Dockerfile
LICENSE		LICENSE
Makefile		Makefile
README.md		README.md
RECRUITER.md		RECRUITER.md
ROADMAP.md		ROADMAP.md
RUNBOOK.md		RUNBOOK.md
SECURITY.md		SECURITY.md
build_windows.bat		build_windows.bat
docker-compose.prod.yml		docker-compose.prod.yml
docker-compose.yml		docker-compose.yml
launcher.py		launcher.py
program.spec		program.spec
pyproject.toml		pyproject.toml
requirements.txt		requirements.txt
run_program.py		run_program.py

Folders and files

Latest commit

History

Repository files navigation