Almacenes y Minería de Datos

Curso completo de Almacenes y Minería de Datos. Aprende sobre Data Warehousing (Kimball, Data Lakehouses, ETL con PySpark) y el ciclo CRISP-DM (EDA, Preprocesamiento y Modelado Predictivo).

Autor/a

Diego Villalba

Ciencias de la Computación

Notas de curso · Semestre 2026–II

Almacenes y Minería
de Datos

De los almacenes de datos y pipelines ETL con PySpark hasta la clasificación supervisada, el clustering y la reducción de dimensionalidad — con rigor matemático, implementaciones en Python, prácticas en Databricks y más de 80 visualizaciones interactivas.

Diego Villalba · Facultad de Ciencias, UNAM · CC BY-NC-SA 4.0

Comenzar el curso → Ver temario

Partes

58+

Capítulos

80+

Visualizaciones

100%

Reproducible

Prefacio

Este curso nació originalmente en el semestre 2026-II y se ha ido actualizando y enriqueciendo con el paso del tiempo. En la actualidad, está fuertemente orientado a sentar las bases sólidas del Data Engineering y Data Science, con el objetivo primordial de dotar a los estudiantes de herramientas que son directamente aplicables a la industria. A lo largo del texto encontrarás ejemplos basados en casos de uso reales y prácticas guiadas con tecnologías modernas como PySpark y BigQuery.

En las tarjetas a continuación podrás explorar el contenido general del curso. Aunque la estructura está diseñada con un orden de aprendizaje progresivo sugerido, los capítulos están construidos de manera autocontenida, lo que te permitirá consultar directamente los temas que más te interesen.

Parte I

Entendimiento de Negocio

Gestión de stakeholders, ciclo de vida de los datos, Business Understanding Canvas y traducción de necesidades.

Parte II

Almacenes de Datos

Arquitectura DW, modelo multidimensional, pipelines ETL/ELT con PySpark, dbt, Airflow y consumo OLAP.

Parte III

Marco Metodológico

Ciclo de vida con CRISP-DM aplicado paso a paso y metodología para estructurar proyectos.

Parte IV

Análisis Exploratorio (EDA)

EDA univariado y multivariado usando métricas de localización, variabilidad, forma y correlación.

Parte V

Preprocesamiento

Pipelines de transformación, imputación, manejo de ruido, PCA y selección de características con sklearn.

Parte VI

Extracción de Patrones

Reglas de asociación, algoritmos Apriori y FP-Growth, métricas de soporte, confianza y lift.

Parte VII

Clasificación Supervisada

Árboles, Random Forest, XGBoost, modelos lineales, SVM, métodos probabilísticos y Redes Neuronales (PyTorch/JAX).

Parte VIII

Aprendizaje No Supervisado

Clustering (K-Means, Jerárquico, DBSCAN) y reducción de dimensionalidad (t-SNE, UMAP).

Transversal

Herramientas Modernas

PySpark, Databricks, Delta Lake, dbt, Airflow, sklearn, PyTorch y JAX con visualizaciones interactivas.

Temario

I Entendimiento de Negocio 3 capítulos

Stakeholders Ciclo de vida Business Understanding Canvas

II Almacenes de Datos 11 capítulos

Arquitectura DW Data Lakehouse Modelo multidimensional SCD PySpark & Databricks ETL/ELT dbt & Airflow Cubos OLAP API Consumo

III Marco Metodológico 2 capítulos

CRISP-DM Caso BigMart

IV Análisis Exploratorio de Datos (EDA) 15 capítulos

Localización Variabilidad Forma Heterogeneidad Concentración Correlación Dashboard Análisis Multivariado

V Preprocesamiento 6 capítulos

sklearn Pipeline Conversión Imputación Ruido PCA Selección χ²

VI Extracción de Patrones 3 capítulos

Apriori FP-Growth Soporte · Confianza · Lift

VII Clasificación 13 capítulos

Evaluación ROC/AUC Árboles Random Forest XGBoost Modelos Lineales SVM Bayesianos · GMM Redes Neuronales (PyTorch/JAX)

VIII Aprendizaje No Supervisado 5 capítulos

Métricas de clustering K-Means Jerárquico DBSCAN t-SNE · UMAP

Requisitos previos

Orientado a estudiantes de Ciencias de la Computación, Matemáticas, Física y carreras afines.

Cálculo y Álgebra Lineal

Derivadas parciales, gradientes, operaciones con matrices y valores propios.

Probabilidad y Estadística

Variables aleatorias, distribuciones, esperanza, varianza y teorema de Bayes.

Programación en Python

Nivel básico–intermedio: numpy, pandas y manejo de datos tabulares.

Bases de Datos

SQL básico y modelo relacional (recomendable, no indispensable).

Agradecimientos

Quiero expresar mi profundo agradecimiento a la profesora Jessica Santizo por su invaluable invitación a participar de manera inicial en este curso, así como por sus invaluables contribuciones y discusiones que han sido fundamentales para el mejoramiento continuo de este material.

Un agradecimiento muy especial a las y los alumnos que han cursado la materia; sus dudas, comentarios y retroalimentación constante han fortalecido enormemente la calidad y claridad del contenido en estas notas.

A la Universidad Nacional Autónoma de México (UNAM), nuestra gran casa de estudios; un baluarte invaluable del conocimiento libre y accesible para todos.

Finalmente, extiendo mi gratitud a los creadores de los diversos cursos y materiales en línea de múltiples entidades, comunidades y empresas tecnológicas. Gracias a su libre disposición y compromiso con el conocimiento abierto, ha sido posible la estructuración y realización de estas notas.

Autor

Diego Villalba

Facultad de Ciencias · Universidad Nacional Autónoma de México

Estas notas conectan la teoría matemática con implementaciones reproducibles en Python, priorizando intuición geométrica y rigor formal en igual medida. Contacto: diego.villalba@ciencias.unam.mx

Cómo citar

Si utilizas este material en tus trabajos, proyectos o investigaciones, por favor utiliza la siguiente cita en formato BibTeX:

@misc{villalba2026almacenes,
  title={Almacenes y Miner\'{i}a de Datos},
  author={Villalba, Diego},
  year={2026},
  howpublished={Repositorio de GitHub / GitHub Pages},
  note={Notas de curso de autor\'{i}a propia},
  url={https://diegoviillalba.github.io/almacenamienes-y-mineria-de-datos/}
}

Almacenes y Mineríade Datos