¿Cómo puede Python ayudarnos a entender por qué algunas especies desaparecen y otras sobreviven? Hoy en día tenemos muchos datos sobre especies, poblaciones y ambientes. El problema ya no es la falta de información, sino qué hacer con ella. Muchas veces analizamos estos datos por separado y, en ese proceso, se nos escapan patrones importantes que podrían ayudarnos a explicar por qué algunas especies sobreviven y otras no. En este punto, Python deja de ser solo una herramienta técnica y se convierte en una forma práctica de explorar datos, probar ideas y hacer mejores preguntas.
En esta charla se presentará una aplicación práctica de Python para optimizar y aplicar el algoritmo DBSCAN (Density-Based Spatial Clustering of Applications with Noise), un método que permite agrupar datos similares y detectar patrones en conjuntos de datos complejos. El trabajo se desarrolló en colaboración con el Instituto de Ciencias Biológicas de la Universidad Federal de Goiás (ICB-UFG) y utiliza datos biológicos para estudiar patrones de supervivencia, extinción y diversificación genética. Como ejemplo especies sometidas a alta presión ambiental, como el guacamayo azul, una especie nativa de Sudamérica afectada por la pérdida de hábitat y la fragmentación de sus poblaciones.
A lo largo de la charla compartiré cómo abordamos este problema con Python: qué decisiones tomamos, qué funcionó, qué no y por qué. Veremos cómo preparar los datos, cómo experimentar con este tipo de clustering en Python y, sobre todo, cómo interpretar los resultados sin sacar conclusiones apresuradas. La idea es que salgas de la charla con más criterio para usar clustering en Python cuando los datos no se comportan como esperas.