UNIDAD 2

Tópicos de la ciencia
de datos
Curso: Introducción a la ciencia de datos
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

Unidad 2: Tópicos de la ciencia de datos

1. Hacer una pregunta interesante
1.1. Regresión
1.2. Clasificación
1.3. Clustering
1.4. Sistema de Recomendaciones
1.5. Sistemas de Consultas
1.6. Identificación de Patrones
2. Conseguir los datos necesarios
2.1. Obtener los Datos
2.2. Depurar los Datos
2.3. Detectar y eliminar Anomalías
2.4. Valores Faltantes
3. Explorar los Datos
3.1. Analizar la estructura de los Datos
3.2. Navegar en los Datos
3.3. Resumen Estadístico
3.4. Visualizar los Datos
4. Aplicar a los Datos el algoritmo necesario
5. Comunicar los resultados

1. Hacer una pregunta interesante

La pregunta que queremos responder es el inicio de todo proceso de análisis de datos, es lisa y llanamente
la información que queremos obtener a partir de los datos. Por ejemplo, podemos tener un conjunto de
datos sobre propiedades inmuebles, incluyendo sus características y precios a partir del construiremos un
modelo que nos permita tasar automáticamente una propiedad a partir de sus características.

Así como éste podríamos listar una enorme cantidad de problemas que podemos resolver usando Data
Science. Como no hay espacio para listar todos los problemas posibles vamos a agruparlos en categorías
intentando que cada una de estas categorías sea representativa de una buena cantidad de problemas. Es
además una buena forma de presentar terminología que usaremos constantemente a lo largo del curso. Por
favor notemos que vamos a presentar estas categorías simplemente desde el punto de vista de qué
pregunta podemos hacernos en base a nuestros datos, no vamos a entrar aún en detalles ni terminología
propios de cada tipo de problema.

_______________________________________________________________________________________________________________________________

UNIDAD 2 2
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

1.1. Regresión
En un problema de regresión queremos predecir el valor de una variable numérica y continua a partir de un
cierto conjunto de datos. En general contamos con un cierto set de entrenamiento en el cual conocemos el
valor de la variable que queremos predecir. El objetivo es entonces construir un modelo que nos permita
predecir el valor de nuestra variable de decisión a partir de datos nuevos.

El caso más simple es la regresión lineal en el cual nuestro modelo es una recta, la recta que mejor se
ajusta a los puntos de nuestro set de entrenamiento. Los problemas de regresión pueden usarse para
predecir el valor de las acciones en el mercado de valores, para estimar el costo de una propiedad, para
calcular la cantidad de personas en un casino, para estimar las ganancias de un negocio que queremos
abrir, etc. Las claves para identificar un problema de regresión son las siguientes:

• Queremos predecir una variable que es numérica y en general continua

• Contamos con un set de entrenamiento para el cual conocemos el valor de dicha variable

1.2. Clasificación
La clasificación automática es muy similar a la regresión pero la variable que queremos predecir no es
continua sino discreta, frecuentemente tiene pocos valores posibles y en muchos casos los valores posibles
son solo dos (clasificación binaria). La idea es la misma que antes, contamos con un set de entrenamiento
en el cual para cada dato conocemos la clase a la cual pertenece el mismo, queremos construir un modelo
que nos permita clasificar automáticamente datos nuevos cuya clase desconocemos.

_______________________________________________________________________________________________________________________________

UNIDAD 2 3
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

Un caso típico de la clasificación binaria es el análisis de sentimiento, que podría ser una categoría en sí
misma dada su enorme utilidad. En un problema de análisis de sentimiento queremos saber si un cierto
texto es positivo o negativo, es decir si habla bien o mal de un cierto tema. Como set de entrenamiento
deberíamos contar entonces con textos para los cuales ya conocemos su sentimiento. Como podrán
imaginarse esto tiene muchísimas aplicaciones como por ejemplo analizar si los reviews de un producto son
buenos o malos, determinar si un usuario de una Red Social está pasando por un mal momento, medir la
actitud del público en general ante determinadas noticias por los comentarios que existen en un medio
gráfico, etc. Y ésta es sólo una de las muchísimas formas que puede tomar un problema de clasificación.

Otro ejemplo que estudiaremos más adelante consiste en predecir la clase a la cual pertenece un vino en
base a sus propiedades químicas, contamos como set de entrenamiento con un conjunto de vinos para los
cuáles conocemos su clase y el valor de ciertas propiedades químicas del mismo y en base a estos datos
queremos construir un modelo que nos permita predecir la clase para vinos nuevos cuya clase
desconocemos en base a sus propiedades.

Para reconocer un problema de clasificación en general hay que estar atentos a las siguientes pistas:

• Queremos determinar la clase a la que pertenece cada dato

• La clase es una variable discreta con un set de valores posibles limitado y definido
• Contamos con un set de entrenamiento para el cual conocemos los datos y a qué clase pertenecen

En algunos casos existe una zona gris entre problemas de clasificación y de regresión, como ejemplo
planteemos el siguiente problema: Contamos con reviews para un determinado producto, por ejemplo autos
y para cada review hay un número de 1 a 5 que indica que tan positivo es el mismo, por ejemplo las típicas
estrellitas con las que podemos calificar cosas en varios sitios. Este problema lo podríamos plantear como
un problema de clasificación con cinco clases o bien como un problema de regresión con valores posibles
del 1 al 5. La diferencia es que en un problema de regresión nuestro modelo podría predecir 3.45 para un
cierto review mientras que en un problema de clasificación los valores posibles son solo 1,2,3,4 y 5. No

_______________________________________________________________________________________________________________________________

UNIDAD 2 4
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

existe una receta para resolver este tipo de situaciones; en algunos casos obtendremos mejores resultados
planteando el problema como una regresión y en otros como una clasificación.

Es frecuente plantear un problema de clasificación binaria como un problema de regresión en donde los
valores posibles están en el intervalo [0,1]. Esto trae aparejada la ventaja de que los valores que el regresor
genera pueden, bajo ciertas circunstancias, interpretarse como la probabilidad de que la observación sea un
1.

1.3. Clustering
En un problema de clustering contamos con datos que queremos dividir en grupos de forma automática, por
ejemplo, podemos tener artículos de noticias y querer agruparlos en categorías de forma tal que queden
juntos todos los de deportes, economía, política, etc.

En algunos casos la cantidad de çlusters "la debemos indicar previamente y en otros el algoritmo es capaz
de determinarla por sí mismo. Otro ejemplo podría ser agrupar películas automáticamente, de forma que
queden juntas las que son de un mismo género.

La detección de comunidades en una red social es un típico problema de clustering en donde los puntos son
los usuarios y queremos agruparlos automáticamente en comunidades, de esta forma podemos descubrir
grupos de usuarios que tienen un cierto interés en común aun sin saber exactamente cuál es dicho interés.

A los problemas de clustering se los suele llamar “aprendizaje no supervisado” en contraste con los
problemas de regresión o clasificación que son de tipo supervisado. La diferencia está dada porque no
necesitamos conocer el valor de una cierta variable o clase para cada punto, es decir que solo necesitamos
los datos en crudo y el algoritmo es capaz de encontrar los clusters automáticamente.

Un problema de clustering se caracteriza, entonces, de la siguiente forma:

§ Contamos con un set de datos

§ Queremos agrupar este set de datos en clusters/grupos/comunidades

_______________________________________________________________________________________________________________________________

UNIDAD 2 5
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

§ No son necesarios labels

Existe una cierta relación entre los problemas de clustering y de clasificación, por ejemplo dado un problema
de clasificación podríamos aplicar clustering primero y luego clasificar a cada punto de acuerdo al cluster al
cual pertenece en base a la clase mayoritaria de dicho cluster. Este procedimiento no es muy frecuente pero
es conveniente tenerlo en cuenta porque permite entender el funcionamiento de ciertos algoritmos que
combinan las propiedades de un problema de clustering y uno de clasificación.

Una aplicación que combina clustering (aprendizaje no supervisado) y clasificación (aprendizaje

supervisado) es la que denominamos “Aprendizaje transductivo” en donde usamos los datos para los cuales
no conocemos su clase como forma de ayuda a un clasificador tradicional.

El aprendizaje no-supervisado es una rama muy importante en Data Science ya que solo trabaja con datos
sin necesidad de tener un "label"para los mismos, es decir que solo necesitamos los datos en crudo y estos
en general son mucho más fáciles de conseguir que datos ya previamente clasificados. El aprendizaje
transductivo es un área muy nueva dentro de Data Science y que sin dudas merece ser explorada.

1.4. Sistema de Recomendaciones

El objetivo de un sistema de recomendaciones es muy simple: recomendarle al usuario cosas que pueden
interesarle. El caso más típico es el de recomendar libros en Amazon, películas en Netflix o productos en un
newsletter de un supermercado. También es posible recomendar a un usuario otros usuarios a seguir en
una red social o contenidos que puedan interesarles en un newsreader.

Los sistemas de recomendación son en general particularmente complejos e involucran el esfuerzo conjunto
de varios algoritmos y herramientas, tienen realmente muchos detalles a considerar y por eso vamos a
dedicarles un extenso tratamiento más adelante.

Las características de un Sistema de Recomendaciones son:

● Tenemos un conjunto de ítems y un conjunto de usuarios

● Queremos recomendarles a los usuarios ítems que puedan interesarles

1.5. Sistema de Consultas

Un sistema de consulta es simplemente un buscador, un search engine, el contenido que se almacena
puede ser de cualquier formato aunque en general se almacenan páginas HTML o texto plano. El objetivo
del sistema de consulta es recuperar los textos o páginas o ítems de información más relevantes para la
consulta planteada por el usuario. Todos estamos familiarizados con este tipo de sistemas ya que son los
que definen a los buscadores en la web como Google y otros.

Las características de un sistema de consultas son:

● Almacenamos información no-estructurada como textos planos, páginas HTML, imágenes, sonido,
etc.
● Queremos encontrar los items de información más relevantes para las consultas realizadas

_______________________________________________________________________________________________________________________________

UNIDAD 2 6
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

1.6. Identificación de Patrones

Este tipo de problemas caracterizan la rama de la computación conocida como "Data Mining". El objetivo es
descubrir información interesante a partir de un conjunto de datos. El ejemplo más clásico es descubrir
asociaciones entre los productos que los clientes compran en un comercio, cosas del estilo .el que compra
X frecuentemente también compra Y". A esta tarea se la suele llamar pattern mining. En muchos casos los
algoritmos de pattern mining encuentran asociaciones inusuales o insospechadas, como por ejemplo que
quienes compran pañales en un supermercado también suelen comprar cerveza (un ejemplo muy popular
en el mundo de Data Science), tal vez esto se deba a que ambas cosas sirven para solucionar el llanto.

Las características de un sistema de identificación de patrones son:

● Contamos con información que frecuentemente es de tipo transaccional (compras, ventas, visitas a
una página, etc)
● Queremos encontrar patrones, asociaciones entre los ítems que se incluyen dentro de cada
transacción

Reconocer el tipo de problema que tenemos es sumamente importante ya que nos permite determinar
cuales son las armas con las que contamos, es decir los algoritmos que en general suelen funcionar muy
bien para problemas similares al que queremos resolver.

2. Conseguir los datos necesarios

Conseguir los datos necesarios es un paso fundamental de cualquier proceso de Data Science, en general
es la parte que mayor cantidad de tiempo y esfuerzo insume y lamentablemente no suele ser la tarea mas
divertida y gratificante. Conseguir los datos no solo pasa por hacerse de la información que necesitamos
sino también depurarla y transformarla en el formato que necesitamos para nuestra tarea. Algunos de los
puntos clave en la tarea de recolección de los datos son los siguientes:

2.1. Obtener los datos

En esta fase el objetivo es obtener los datos en crudo, en muchos casos esto implica la creación de
programas especiales para la captura de los mismos, en otros casos los datos ya están disponibles en una
base de datos o en algún formato de archivo. Un detalle importante en esta fase es que en muchos
problemas necesitamos un set de entrenamiento y en muchos casos no lo tenemos. Por ejemplo, podemos
necesitar la calificación de películas para un sistema de recomendaciones o el sentimiento de una buena
cantidad de reviews para un sistema de análisis de sentimiento. Lo notable en estos casos es que no es
posible automatizar la creación de los labels para los datos ya que esto es precisamente lo que
pretendemos lograr. Es necesario entonces contar con intervención manual pidiendo a un grupo de
humanos que se encargue de crear los labels que necesitamos. Una forma de lograr esto es mediante la
contratación del servicio de Amazon conocido como “Mechanical Turk”

_______________________________________________________________________________________________________________________________

UNIDAD 2 7
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

En este servicio los usuarios pueden contratar labor humana ofreciendo un cierto precio para realizar tareas
repetitivas. Otros usuarios pueden tomar estas tareas y cobrar el dinero ofrecido luego de terminarlas. Esta
forma de crowdsourcing es muy popular en la comunidad de Data Science en los casos en los cuales es
inevitable contar con intervención humana para crear los sets de entrenamiento. Un factor interesante a
analizar es si el tipo de comunidad que suele tomar este tipo de trabajos no introduce algún tipo de bias1
indeseado en los datos.

Para la carga de datos de diversas fuentes es necesario contar con un buen conjunto de bibliotecas que
permitan leer datos en diversos formatos: SQL, XML, JSON, CSV, TXT, etc.

2.2. Depurar los datos

La depuración de datos es frecuentemente la parte que insume mayor tiempo en todo proceso de Data
Science, suele ser una tarea bastante tediosa y extensa que prácticamente nadie quiere hacer pero es
imprescindible ya que de la calidad de los datos va a depender el éxito de nuestra tarea. Depurar los datos
implica dejarle a nuestros programas datos que son correctos sintáctica y semánticamente. Los errores a
corregir son de todo tipo como por ejemplo: formateo de fechas y formatos numéricos, corrección de
caracteres inválidos en strings, conversión de tipos, identificación y solución de valores nulos o faltantes,
etc.

Más allá de la corrección del valor de cada dato es necesario también asegurarse que los datos estén Bien
Formados, es decir que cada "fila" sea una observación y que cada "columna" sea un atributo.
Frecuentemente los datos llegan en formatos que no están bien formados y es necesario realizar algunas
manipulaciones para transformarlos.

Veamos algunos ejemplos de datos que no están bien formados y la forma de corregirlos.

Ejemplo 1: Nuestro primer ejemplo muestra las notas que los alumnos obtuvieron en ciertas materias:

Este caso es uno de las formas más comunes de datos mal formados, el problema es que no tenemos cada
observación en una fila sino que tenemos varias. Es por esto que el atributo "nota" no aparece como
nombre de la columna. Para que los datos estén bien formados cada fila tiene que ser una observación y
cada columna un atributo. La forma de corregir este set de datos sería la siguiente:

1
Por bias se entiende a una tendencia arbitraria que favorece datos de un cierto tipo

_______________________________________________________________________________________________________________________________

UNIDAD 2 8
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

En esta versión podemos ver que cada observación es una fila y cada atributo es una columna.

Ejemplo 2: En la siguiente tabla mostramos para algunas materias la cantidad de alumnos que obtuvieron
notas dentro de un cierto rango

En este caso el problema es que tenemos valores de atributos como nombres de columnas, esto no cumple
la definición de datos bien formados. Para corregirlo aplicamos una transformación similar a la de nuestro
primer ejemplo:

La versión corregida cumple el principio de que cada observación sea una fila y cada atributo sea una
columna.

2.3. Detectar y eliminar anomalías

La detección de anomalías (outliers) implica el reconocimiento y corrección o eliminación de datos erróneos,
un dato anómalo es aquel que tiene valores imposibles para uno o más de sus atributos. Decimos que la
anomalía es absoluta cuando puede detectarse sin necesidad de contexto, es un error semántico, por
ejemplo una persona cuya edad es de 765 años. La anomalía es en cambio relativa cuando el dato es
semánticamente posible pero no tiene sentido en el contexto de los demás datos, por ejemplo una distancia

_______________________________________________________________________________________________________________________________

UNIDAD 2 9
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

de 7000 kilómetros en una base de datos en donde todas las distancias están entre 50 y 80 kilómetros.
Probablemente se trate de un dato mal ingresado con dos ceros extra.

La detección de anomalías no siempre es una tarea fácil y son necesarios algoritmos específicos para
detectar los puntos anómalos, esto se debe a que en muchos casos los valores de los atributos de un dato
pueden parecer razonables pero la combinación de valores es la que resulta anómala. Por ejemplo
consideremos una persona que tiene edad 4 años y altura 187 cm. Tanto la edad como la altura son valores
lógicos y válidos para una persona, lo que no es lógico es la combinación ya que un chico de 4 años no
puede medir casi dos metros.

En la figura anterior podemos ver como un dato anómalo puede perjudicar muy seriamente un problema de
regresión lineal, el peso de la anomalía cambia completamente el comportamiento de nuestro modelo,
ciertos algoritmos son más sensibles a los outliers que otros, es un dato a tener en cuenta para saber la
importancia que debemos darle a la detección de anomalías en nuestro proceso.

2.4. Valores faltantes

En muchos casos, por no decir en una amplia mayoría, van a existir datos con valores faltantes para ciertos
atributos. Esto puede deberse a que para ciertos datos algunos atributos no tienen sentido o bien a la forma
en que los datos fueron recolectados. Por ejemplo en un censo de la población todos los datos
correspondientes al trabajo de una persona no se completan si la persona no tiene trabajo o bien si no
quiere informarnos sobre su trabajo.

El problema surge cuando los datos faltantes no son válidos para el algoritmo con el cual vamos a procesar
la información. Algunos algoritmos admiten datos incompletos y otros no. En los casos en los que los datos
incompletos no son admisibles debemos solucionarlos de alguna forma.

Una opción es eliminar aquellas observaciones para las cuales algún atributo tiene valores faltantes, esto es
válido siempre y cuando sean solamente una pequeña minoría dentro de nuestro conjunto de datos. Cuando
esto no es posible es necesario de alguna forma completar los atributos faltantes, a esto lo llamamos
imputación. El proceso de imputación de valores faltantes puede hacerse de muchas formas, una forma muy

_______________________________________________________________________________________________________________________________

UNIDAD 2 10
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

simple es completar con el valor promedio o la mediana para atributos numéricos y con el valor más popular
para atributos categóricos. Pero también podemos encarar el proceso de imputación como un mini-proceso
interno de Data-Science, en cuyo caso compartiremos los atributos numéricos mediante un algoritmo de
regresión y los datos categóricos con un algoritmo de clasificación. Lo que hacemos en estos casos es
tomar todos los atributos que tiene nuestro dato y en base a estos atributos predecir los atributos faltantes
tomando como set de entrenamiento el conjunto de datos para los cuales el atributo tiene algún valor.

Existen varios algoritmos de imputación y algunos lenguajes cuentan con funciones para completar los
valores faltantes en los datos automáticamente.

3. Explorar los datos

En este punto surge lo que llamamos .análisis de datos exploratorioçuya principal característica es obtener
un entendimiento básico de los datos con los cuales se va a trabajar sin tener ningún objetivo en particular.
Es decir que simplemente exploramos los datos pero no pretendemos obtener respuestas a partir de los
mismos. A continuación explicamos brevemente algunas tareas típicas del análisis exploratorio de datos

3.1. Analizar la estructura de los datos

Analizamos la estructura general de los datos para entender con qué información vamos a trabajar.

1. Ver cuántos datos (observaciones) tenemos en total

2. Ver cuantos atributos tiene cada observación
3. Ver el nombre y tipo de dato de cada observación
4. Ver cuantos valores faltantes existen y en qué proporción se presentan para cada atributo

3.2. Navegar los datos

Una vez que conocemos los atributos y sus tipos de datos podemos visualizar los datos como si fueran una
planilla de cálculo o simplemente como texto. Esta navegación muy básica nos permite entender cuáles son
los valores de nuestros atributos, cuáles son los valores más populares, en qué casos hay valores faltantes
y detectar algunas posibles anomalías

3.3. Resumen estadístico

Una herramienta fundamental del análisis exploratorio es hacer un resumen estadístico de cada atributo de
nuestros datos, algunos datos importantes a conocer son:

1. Valor máximo y mínimo

2. Promedio y media
3. Cantidad de valores faltantes y proporción
4. Quantiles
5. Desviación standard

_______________________________________________________________________________________________________________________________

UNIDAD 2 11
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

3.4. Visualizar los datos

Esta es una etapa fundamental, la idea es simplemente visualizar gráficamente diferentes aspectos de
nuestros datos, podemos realizar todo tipo de ploteos exploratorios, como por ejemplo de un atributo contra
otro, o de un atributo solo a lo largo de todo el conjunto de datos. Este análisis es muy útil para determinar
varias cosas: en primer lugar podemos ver el grado de correlación entre los atributos, algunos atributos
están muy relacionados entre sí mientras que otros son independientes. Podemos también observar
posibles anomalías en los datos cuando algunas de nuestras observaciones tengan valores que sobresalen
del resto. Finalmente podemos apreciar o inferir el valor predictivo de ciertos atributos. Para ilustrar la
importancia del análisis exploratorio vamos a mostrar un caso famoso que se conoce como .el cuarteto de
Anscombe "la siguiente tabla nos muestra los datos en forma tabular.

Tenemos cuatro tablas con dos atributos cada una: X e Y . Si calculamos algunas estadísticas de nuestros
datos obtenemos la información de la siguiente tabla.

Como podemos ver todos los valores de X e Y presentan el mismo promedio, suma de valores y desviación
estándar, es decir que podríamos decir que estadísticamente X1-Y1, X2-Y3, X3-Y3 y X4-Y4 son iguales. Sin
embargo si graficamos estos cuatro plots vemos lo siguiente:

_______________________________________________________________________________________________________________________________

UNIDAD 2 12
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

Como podemos ver datos que son estadísticamente idénticos pueden ser completamente diferentes
gráficamente, por eso es sumamente importante realizar todo tipo de plots para tener un buen conocimiento
del conjunto de datos con el que trabajamos. El cerebro humano procesa la información gráfica de forma
mucho más eficiente que los números, podemos entender fácilmente la “forma” de los datos del cuarteto de
Anscombe al ver los plots pero esta forma no es tan fácil de visualizar si solamente vemos la tabla con los
datos en forma numérica. Estos plots no tienen que ser ni lindos ni tampoco detallados, son simplemente
herramientas para rápidamente dar un vistazo gráfico a los datos.

4. Aplicar a los datos el algoritmo necesario

Una vez que los datos han sido depurados estamos en condiciones de aplicar el o los algoritmos necesarios
para responder las preguntas que tenemos. Esta es la fase más interesante de todo el proceso, donde
realmente ocurre la magia, no vamos a hablar en detalle sobre los algoritmos que podemos aplicar ya que
todo el resto del curso trata sobre este tema.

En este curso no cubriremos en detalle los algoritmos de aprendizaje automático. Sin embargo al final
haremos uso de los mismos con un ejemplo de prueba.

_______________________________________________________________________________________________________________________________

UNIDAD 2 13
 INTRODUCCIÓN A LA CIENCIA DE DATOS

_________________________________________________________________________________________________________________________________

5. Comunicar los resultados

La última etapa del proceso es comunicar los resultados logrados, las respuestas a las preguntas que nos
hicimos en un principio. En general esto implica la creación de reportes o visualizaciones que nos permitan
transmitir las conclusiones a las que hemos llegado a partir de los datos. Como hemos mencionado
previamente las personas entienden los gráficos de una forma mucho más eficiente que una tabla de
números o una narrativa, es por esto que la comunicación de resultados está dominada por visualizaciones.
Vamos a dedicar un extenso capítulo a la visualización de datos más adelante.

Lo invitamos a resolver la actividad de autoevaluación correspondiente al módulo en el

entorno virtual. También lo alentamos a participar de la actividad de intercambio con sus
colegas del curso y los tutores. Luego, continuamos con el tercer módulo del curso.

_______________________________________________________________________________________________________________________________

UNIDAD 2 14