Skip to content

Commit 33c9f48

Browse files
committed
WIP learning path
1 parent 56abc3b commit 33c9f48

File tree

21 files changed

+264
-122
lines changed

21 files changed

+264
-122
lines changed

learning-path/advanced-a.md

Lines changed: 0 additions & 15 deletions
This file was deleted.

learning-path/advanced-b.md

Lines changed: 0 additions & 15 deletions
This file was deleted.

learning-path/beginner.md

Lines changed: 0 additions & 30 deletions
This file was deleted.
Lines changed: 1 addition & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1 @@
1+
# Cloud
Lines changed: 1 addition & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1 @@
1+
# Despliegue
Lines changed: 35 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,35 @@
1+
# Cloud y DevOps
2+
3+
En esta sección, hemos recopilado una selección de recursos especialmente
4+
diseñados para potenciar las habilidades de los Pythonistas que se especializan
5+
en Cloud y DevOps. Tanto si estás dando tus primeros pasos en este ámbito como
6+
si ya eres un experto en Cloud y DevOps, encontrarás enlaces a herramientas
7+
clave, libros imprescindibles, blogs especializados y videos tutoriales que te
8+
ayudarán a dominar Python en el contexto de la nube y la infraestructura como
9+
código.
10+
11+
Para aquellos que están incursionando en Cloud y DevOps con Python, te
12+
recomendamos explorar recursos que te introduzcan a conceptos fundamentales como
13+
despliegue automatizado, orquestación de contenedores con Docker y Kubernetes,
14+
gestión de infraestructura con herramientas como Terraform, y cómo utilizar
15+
Python para automatizar tareas de DevOps. Estos recursos te brindarán una base
16+
sólida para trabajar de manera eficiente en entornos de Cloud y DevOps con
17+
Python.
18+
19+
Para los Pythonistas con experiencia en Cloud y DevOps, te ofrecemos recursos
20+
avanzados como libros especializados en arquitectura cloud, implementación de
21+
pipelines de CI/CD con Python, blogs que exploran casos de uso reales en Cloud y
22+
DevOps, videos sobre técnicas avanzadas de despliegue y gestión de
23+
infraestructura en la nube, y tutoriales prácticos que te desafiarán a optimizar
24+
y escalar tus procesos de desarrollo en la nube. Con estos recursos a tu
25+
disposición, podrás llevar tus habilidades de Python en Cloud y DevOps al
26+
siguiente nivel, mejorar la eficiencia de tus proyectos y destacarte como un
27+
experto en este campo en constante evolución. ¡Explora, aprende y conviértete en
28+
un Pythonista líder en Cloud y DevOps!
29+
30+
## Contenido
31+
32+
```{toctree}
33+
deployment.md
34+
cloud.md
35+
```
Lines changed: 1 addition & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1 @@
1+
# Ciencias de Datos Avanzado
Lines changed: 1 addition & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1 @@
1+
# Ciencias de Datos Básico
Lines changed: 33 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,33 @@
1+
# Ciencias de Datos
2+
3+
En esta sección, hemos recopilado una lista de recursos cuidadosamente
4+
seleccionados para impulsar las habilidades de los Pythonistas interesados en el
5+
mundo de la Ciencia de Datos. Ya sea que estés dando tus primeros pasos en este
6+
campo apasionante o que ya seas un experto en la materia, encontrarás enlaces a
7+
herramientas especializadas, libros fundamentales, blogs relevantes y videos
8+
instructivos que te ayudarán a dominar Python para la Ciencia de Datos.
9+
10+
Para aquellos que están comenzando en la Ciencia de Datos con Python, te
11+
recomendamos explorar recursos que te introduzcan en las bibliotecas clave como
12+
NumPy, Pandas, Matplotlib y Scikit-Learn, así como tutoriales que te guíen a
13+
través de la manipulación de datos, visualización y análisis estadístico con
14+
Python. Estos recursos te proporcionarán una base sólida para comprender y
15+
trabajar eficazmente con datos utilizando Python.
16+
17+
Para los Pythonistas con experiencia en Ciencia de Datos, te ofrecemos recursos
18+
avanzados como libros especializados en análisis predictivo, blogs que
19+
profundizan en conceptos avanzados de Ciencia de Datos aplicados con Python,
20+
videos sobre técnicas de modelado y visualización de datos avanzados, y
21+
tutoriales que te desafiarán a resolver problemas complejos y a explorar nuevas
22+
áreas de aplicación de Python en la Ciencia de Datos. Con estos recursos, podrás
23+
expandir tus habilidades, mantenerte actualizado con las últimas tecnologías en
24+
Ciencia de Datos y avanzar en tu carrera como un Pythonista experto en este
25+
emocionante campo. ¡Explora, aprende y conviértete en un maestro en la Ciencia
26+
de Datos con Python!
27+
28+
## Contenido
29+
30+
```{toctree}
31+
basic-data-science.md
32+
advanced-data-science.md
33+
```

learning-path/index.md

Lines changed: 86 additions & 32 deletions
Original file line numberDiff line numberDiff line change
@@ -1,75 +1,132 @@
11
# ¡Python de cero a Pro!
22

3-
En el vasto mundo del aprendizaje, las rutas de aprendizaje se erigen como faros guía, iluminando el camino hacia el conocimiento. Imagina un sendero serpenteante, tejido con módulos y habilidades específicas, diseñado para que cada estudiante trace su propio recorrido. Estas rutas no solo fomentan la autonomía y el compromiso, sino también reducen la deserción y aceleran la asimilación de saberes. ¿Te atreves a explorarlas?
3+
En el vasto mundo del aprendizaje, las rutas de aprendizaje se erigen como faros
4+
guía, iluminando el camino hacia el conocimiento. Imagina un sendero
5+
serpenteante, tejido con módulos y habilidades específicas, diseñado para que
6+
cada estudiante trace su propio recorrido. Estas rutas no solo fomentan la
7+
autonomía y el compromiso, sino también reducen la deserción y aceleran la
8+
asimilación de saberes. ¿Te atreves a explorarlas?
49

5-
Con nuestras recomendaciones podrás explorar cada tópico del desarrollo de software enfocado en Python e incluyendo algunos tópicos de ayuda como Docker o integración continua, te invitamos a revisar y complementar tus conocimientos con los recursos a continuación.
10+
Con nuestras recomendaciones podrás explorar cada tópico del desarrollo de
11+
software enfocado en Python e incluyendo algunos tópicos de ayuda como Docker o
12+
integración continua, te invitamos a revisar y complementar tus conocimientos
13+
con los recursos a continuación.
614

7-
Como mapa general estos son los tópicos que cubriremos en nuestra ruta de aprendizaje:
15+
Como mapa general estos son los tópicos que cubriremos en nuestra ruta de
16+
aprendizaje:
817

918

1019
```{sketchviz}
1120
---
1221
static-subdir: images/sketchviz
1322
---
1423
digraph G {
15-
graph [fontname = "Handlee"];
16-
node [fontname = "Handlee"];
17-
edge [fontname = "Handlee"];
24+
graph [fontname="Handlee"];
25+
node [fontname="Handlee"];
26+
edge [fontname="Handlee"];
1827
1928
bgcolor=transparent;
2029
21-
p_1 [label = "Python básico"]
22-
p_2 [label = "Python Avanzado"]
30+
p_1 [
31+
label="Python Básico",
32+
href="/learning-path/python-developer/basic-python/",
33+
target="_top"
34+
]
35+
p_2 [
36+
label="Python Avanzado",
37+
href="/learning-path/python-developer/advanced-python/",
38+
target="_top"
39+
]
2340
24-
d_1 [label = "Desarrollador I"]
25-
d_2 [label = "Desarrollador II"]
41+
d_1 [
42+
label="Desarrollador I",
43+
href="/learning-path/web-developer/developer-1/",
44+
target="_top"
45+
]
46+
d_2 [
47+
label="Desarrollador II",
48+
href="/learning-path/web-developer/developer-2/",
49+
target="_top"
50+
]
2651
27-
dc_1 [label = "Ciencia de datos básico"]
28-
dc_2 [label = "Ciencia de datos avanzado"]
52+
dc_1 [
53+
label="Ciencias de Datos Básico",
54+
href="/learning-path/data-science/basic-data-science/",
55+
target="_top"
56+
]
57+
dc_2 [
58+
label="Ciencias de Datos Avanzado",
59+
href="/learning-path/data-science/advanced-data-science/",
60+
target="_top"
61+
]
2962
30-
dv_1 [label = "Despliegue"]
31-
dv_2 [label = "Cloud"]
63+
dv_1 [
64+
label="Despliegue",
65+
href="/learning-path/cloud-devops/deployment/",
66+
target="_top"
67+
]
68+
dv_2 [
69+
label="Cloud",
70+
href="/learning-path/cloud-devops/cloud/",
71+
target="_top"
72+
]
3273
33-
ml_1 [label = "ML básico"]
34-
ml_2 [label = "ML avanzado"]
74+
ml_1 [
75+
label="ML Básico",
76+
href="/learning-path/machine-learning-ai/basic-ml/",
77+
target="_top"
78+
]
79+
ml_2 [
80+
label="ML Avanzado",
81+
href="/learning-path/machine-learning-ai/advanced-ml/",
82+
target="_top"
83+
]
3584
3685
subgraph cluster_python {
3786
style=filled;
3887
color=lightgrey;
39-
node [style=filled,color=pink];
88+
node [style=filled, color=pink];
4089
p_1 -> p_2;
4190
label = "*Desarrollador Python*";
4291
fontsize = 20;
92+
href="/learning-path/python-developer/";
93+
target="_top";
4394
}
4495
4596
subgraph cluster_web {
4697
style=filled;
4798
color=lightgrey;
48-
node [style=filled,color=pink];
99+
node [style=filled, color=pink];
49100
d_1 -> d_2;
50-
label = "*Desarrollador web*";
101+
label = "*Desarrollador Web*";
51102
fontsize = 20;
52103
color=lightblue;
104+
href="/learning-path/web-developer/";
105+
target="_top";
53106
}
54107
55108
subgraph cluster_science {
56109
style=filled;
57110
color=lightgrey;
58-
node [style=filled,color=pink];
111+
node [style=filled, color=pink];
59112
dc_1 -> dc_2;
60-
label = "*Data Science*";
113+
label = "*Ciencias de Datos*";
61114
fontsize = 20;
62115
color=lightblue;
116+
href="/learning-path/data-science/";
117+
target="_top";
63118
}
64119
65120
subgraph cluster_devops {
66121
style=filled;
67122
color=lightgrey;
68-
node [style=filled,color=pink];
123+
node [style=filled, color=pink];
69124
dv_1 -> dv_2;
70125
label = "*Cloud y DevOps*";
71126
fontsize = 20;
72127
color=green;
128+
href="/learning-path/cloud-devops/";
129+
target="_top";
73130
}
74131
75132
subgraph cluster_ml {
@@ -80,26 +137,23 @@ digraph G {
80137
label = "*Machine Learning e IA*";
81138
fontsize = 20;
82139
color=green;
140+
href="/learning-path/machine-learning-ai/";
141+
target="_top";
83142
}
84143
85-
start -> p_1;
86144
p_2 -> d_1;
87145
p_2 -> dc_1;
88146
d_2 -> dv_1;
89147
dc_2 -> ml_1;
90-
91-
92-
start [label="*Inicio*" shape=Mdiamond];
93148
}
94-
95149
```
96150

97151
```{toctree}
98152
:hidden: true
99153
100-
beginner.md
101-
intermediate.md
102-
advanced-a.md
103-
advanced-b.md
104-
pro.md
154+
python-developer/index.md
155+
web-developer/index.md
156+
data-science/index.md
157+
cloud-devops/index.md
158+
machine-learning-ai/index.md
105159
```

0 commit comments

Comments
 (0)