BigData-Graphs-Evo-CA-Classroom

Big Data - Graphs - Evolutionary - Cellular Automata - Classroom

Live docs: https://sgevatschnaider.github.io/BigData-Graphs-Evo-CA-Classroom/

Material docente reproducible para Big Data, Teoria de Grafos, Algoritmos Evolutivos y Automatas Celulares.

Incluye: notebooks, modulos en src/, tests (nbmake) y docs (MkDocs Material con syllabus y cronograma).

Este repositorio contiene una colección de materiales didácticos para un curso introductorio a Big Data, Grafos, Algoritmos Evolutivos y Autómatas Celulares.

El objetivo es ofrecer notebooks reproducibles, datasets ligeros y módulos de código reutilizables para facilitar la enseñanza y el aprendizaje.
Este repositorio se complementa con GraphAI-Data-Science-ML, que contiene demos exploratorias y material de investigación.

✨ ¿Por qué este curso?

Enfoque Práctico: Aprendizaje basado en la ejecución y modificación de código real.
Reproducibilidad: Notebooks listos para ejecutar localmente o en la nube (Google Colab).
Modularidad: Código fuente organizado en módulos para facilitar su reutilización.
Open Source: Abierto a contribuciones y mejoras de la comunidad.

🎯 Público Objetivo y Requisitos

Este material está diseñado para:

Estudiantes de Ciencias de la Computación, Ingeniería o afines.
Autodidactas interesados en algoritmia e inteligencia artificial.
Profesores que busquen material interactivo para sus clases.

Requisitos Previos:

Conocimientos sólidos de Python (funciones, clases, estructuras de datos).
Familiaridad con álgebra lineal y estadística básica.
Experiencia mínima con terminal y git.

🛠️ Uso y Ejecución

1. Entorno Local

git clone https://github.com/sgevatschnaider/BigData-Graphs-Evo-CA-Classroom.git
cd BigData-Graphs-Evo-CA-Classroom

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

pip install -e .
pip install -r requirements.txt

pytest

2. Google Colab

Ejecuta los notebooks en la nube con un clic (badges en la sección siguiente).

3. GitHub Codespaces

Entorno “cero instalación” en tu navegador, si tu cuenta lo permite.

📂 Estructura del Repositorio

Haz clic para ver

``` BigData-Graphs-Evo-CA-Classroom/ ├── README.md ├── LICENSE ├── CITATION.cff ├── pyproject.toml ├── requirements.txt ├── .github/ ├── docs/ ├── src/classroom/ ├── notebooks/ ├── datasets/ └── tests/ ```

Notebooks Interactivos

Puedes abrir y ejecutar los notebooks en Google Colab directamente desde aquí:

📊 Introducción a la materia

📄 Recurso	📥 Acceso
Introducción al BIG DATA
Cómo TikTok Sabe lo que Quieres Ver
Introducción a Big Data en Google Colab
Sistemas de Recomendación y TikTok
Evolución y Funcionamiento de los Sistemas de Recomendación
Preguntas Big Data
Preguntas y Respuestas sobre Sistemas de Recomendación

📝 Sharding y Teorema CAP

📄 Recurso	📥 Acceso
Big data clase 2025
Sharding y el Teorema CAP en Sistemas Distribuidos

📝 Fundamentos de la Teoría de Grafos

📄 Recurso 📥 Acceso

📄 Recurso	📥 Acceso
Introducción a la Teoría de Grafos (Taller Interactivo) <summary>Resumen: (haz clic para expandir/colapsar)</summary><p>Este cuaderno interactivo introduce los conceptos esenciales de la teoría de grafos, transformando una lección teórica en una aplicación web visual y dinámica. Explora las definiciones de vértices y aristas, y detalla los distintos tipos de grafos (dirigidos, no dirigidos, ponderados, bipartitos, etc.) a través de visualizaciones claras. La lección destaca por su construcción técnica: utiliza Python con `networkx` y `matplotlib` para generar los grafos, los convierte a formato Base64 y los incrusta en una página HTML con CSS y JavaScript para ofrecer una interfaz interactiva con temas claro/oscuro y secciones colapsables. El objetivo es proporcionar una comprensión intuitiva y práctica de cómo se modelan y analizan las redes y relaciones.</p>

Introducción a la Teoría de Grafos (Taller Interactivo)

<summary>Resumen: (haz clic para expandir/colapsar)</summary><p>Este cuaderno interactivo introduce los conceptos esenciales de la teoría de grafos, transformando una lección teórica en una aplicación web visual y dinámica. Explora las definiciones de vértices y aristas, y detalla los distintos tipos de grafos (dirigidos, no dirigidos, ponderados, bipartitos, etc.) a través de visualizaciones claras. La lección destaca por su construcción técnica: utiliza Python con networkx y matplotlib para generar los grafos, los convierte a formato Base64 y los incrusta en una página HTML con CSS y JavaScript para ofrecer una interfaz interactiva con temas claro/oscuro y secciones colapsables. El objetivo es proporcionar una comprensión intuitiva y práctica de cómo se modelan y analizan las redes y relaciones.</p>

📄 Recurso	📥 Acceso
Modelo Erdős–Rényi — Visualización Interactiva (HTML) <summary>Resumen: (haz clic para expandir/colapsar)</summary><p>Demo en HTML/JS del modelo aleatorio G(n, p)…</p>

🤝 Cómo Contribuir

Reporta errores o abre un issue.
Haz un fork, crea una rama (feat/nueva-funcionalidad), implementa, prueba (pytest) y abre un PR.

⚖️ Licencia

Este proyecto está bajo Licencia MIT.

📖 Citar este trabajo

@software{Gevatschnaider_2025_BigDataClassroom,
  author       = {S. Gevatschnaider and Community Contributors},
  title        = {Big Data · Graphs · Evolutionary · Cellular Automata — Classroom: Interactive Educational Materials},
  month        = aug,
  year         = 2025,
  publisher    = {Zenodo},
  version      = {0.1.0},
  doi          = {10.5281/zenodo.XXXXXXX},
  url          = {https://github.com/sgevatschnaider/BigData-Graphs-Evo-CA-Classroom}
}

(El DOI real se genera al subir a Zenodo).

This site is open source. Improve this page.