La siguiente es la Guía 1: Las Casas de Boston – Descubriendo la Regresión Lineal en GitHub Codespaces con Copilot, adaptada a tu flujo de trabajo con Python, Streamlit y la integración de Copilot en el IDE de VsCode dentro de Codespaces.

📘 Guía 1: Las Casas de Boston

Descubriendo la Regresión Lineal en GitHub Codespaces con Copilot

Objetivo

Que los estudiantes aprendan a:

  1. Crear y administrar un repositorio en GitHub.
  2. Usar GitHub Codespaces como entorno de desarrollo en la nube con Python.
  3. Trabajar asistidos por Copilot Chat para generar archivos completos (README.md, requirements.txt, scripts Python).
  4. Implementar y visualizar un modelo de Regresión Lineal con el dataset housing.csv.
  5. Desplegar la aplicación en Streamlit Community Cloud.

🛠️ Flujo de trabajo recomendado

1. Crear repositorio en GitHub

  • Nombre sugerido: boston_housing_regression.
  • Incluir un README inicial y un .gitignore para Python.

2. Abrir en Codespaces

  • Desde el repositorio, clic en Code → Codespaces → Create codespace on main.

3. Configurar entorno con Copilot

  • Verificar que esté activado GitHub Copilot y Copilot Chat.
  • Asegurarse de que la extensión de Python esté instalada (Codespaces suele incluirla).

4. Generación automática de archivos con prompts en Copilot Chat

Ejemplos de prompts para el Chat:

  • README.md

    Crea un archivo README.md para este proyecto explicando que analizamos el dataset housing.csv aplicando un modelo de regresión lineal en Python y visualizamos los resultados con Streamlit.

  • requirements.txt

    Genera el archivo requirements.txt con los módulos necesarios: pandas, numpy, matplotlib, seaborn, scikit-learn, streamlit.

  • script principal

    Crea un archivo llamado app.py que lea el dataset housing.csv, muestre estadísticas descriptivas, visualizaciones de las variables y ajuste un modelo de regresión lineal simple y múltiple usando scikit-learn. La salida debe mostrarse en una interfaz con Streamlit.

  • visualización específica

    Agrega al script app.py un gráfico de dispersión que relacione la variable MEDV (valor medio de las casas) con RM (número medio de habitaciones) e incluye la recta de regresión.

5. Ejecutar y validar en Codespaces

  • Abrir terminal integrada.

  • Instalar dependencias:

    pip install -r requirements.txt

  • Probar la app:

    streamlit run app.py

6. Control de versiones con el ícono de rama

  • Stage Changes → seleccionar los archivos modificados.
  • Commit → escribir un mensaje como “Primera versión de la app”.
  • Sync Changes → enviar cambios al repositorio remoto.

7. Despliegue en Streamlit Community Cloud

  • Ir a https://share.streamlit.io.
  • Conectar con GitHub.
  • Seleccionar el repositorio boston_housing_regression.
  • Indicar el archivo principal app.py.

✅ Checklist para estudiantes