Deberían seleccionar algunos datos para su proyecto. Algunas consideraciones:

• El proyecto será más fácil si los datos ya están en un formato de tablas (como, p.ej., CSV, TSV, etc.)
• El esquema final debería tener al menos tres tablas y un buen diseño relacional (p.ej., estar en BCNF)
• Las consultas finales de la aplicación deberían demostrar una mezcla de operadores de SQL, es decir, joins, consultas anidadas, agregación, etc. Los datos que ustedes elijen deben tener la “complejidad” suficiente para permitir consultas interesantes y no triviales.
• Los datos deben tener una escala razonable, es decir, al menos 10000 tuplas en total (sumando el número de tuplas de cada tabla) pero preferiblemente más.
• Por otro lado, sería una buena idea trabajar con menos de un millón de tuplas para evitar problemas de escala que pueden retrasar el proyecto. Cada máquina virtual tiene aprox. 3GB de espacio libre en el disco, y aprox. 450MB de memoria total; estos recursos son más que suficientes para un conjunto de datos pequeño, pero no para un conjunto de datos grande (p.ej., más de un millón de tuplas). En el caso de tener un conjunto grande, se puede considerar trabajar con un sub-conjunto de los datos.

La selección de datos es parte del proyecto, es decir que cada grupo debería encontrar sus propios datos. La siguiente lista da algunos ejemplos de fuentes de datos:

• https://www.kaggle.com/datasets
• https://datahub.io/
• https://datasetsearch.research.google.com/
• https://github.com/caesar0301/awesome-public-datasets
• http://datos.mineduc.cl/dashboards/19731/bases-de-datos-directorio-de-establecimientos-educacionales/
• https://datos.gob.cl/

No todos los conjuntos de datos mencionados en estas fuentes son apropiados para el proyecto con respecto a las consideraciones previamente discutidas; p.ej., hay conjuntos de datos que no tienen un formato apropiado, etc. No hay que usar todos los datos disponibles en un conjunto de datos; se puede usar una muestra interesante. También se pueden seleccionar datos de otra fuente no listada aquí.

Dos grupos no pueden usar el mismo conjunto de datos, así que vamos a abrir una discusión en el foro en la cual cada grupo debería indicar su elección. No se puede seleccionar un conjunto de datos previamente indicado por otro grupo en el foro.