Python aplicado a Data Science - Modalidad por Zoom
Este curso está diseñado para proporcionar a los estudiantes una base sólida en Data Science, equipándolos con las habilidades necesarias para abordar problemas de datos en el mundo real y preparar a aquellos interesados en profundizar aún más en el campo de la ciencia de datos y el machine learning.
Certificado Por:
Dirigido a
- Público en general.
+ Ver más
Descripción
Objetivos del Curso
- Fundamentos de Data Science y Exploración de Datos: Proveer a los estudiantes una comprensión sólida de los conceptos básicos de la ciencia de datos, incluyendo la manipulación y limpieza de datos, y la exploración y visualización inicial de los datos.
- Análisis de Datos y Modelado: Introducir a los estudiantes en las técnicas y herramientas fundamentales de machine learning, permitiéndoles preparar datos, construir y evaluar modelos de regresión y clasificación.
- Modelos Avanzados y Proyectos: Capacitar a los estudiantes en métodos avanzados de machine learning como árboles de decisión, random forest, clustering y redes neuronales, culminando en un proyecto integrador que demuestre sus habilidades adquiridas.
Currículo para este curso
00:00:00 Horas
Temario
Mes 1: Fundamentos de Data Science y Exploración de Datos
Semana 1: Introducción a Data Science
- Revisión de Pandas. 00:00:00
- Introducción a Data Science: Definición y aplicaciones. 00:00:00
- Entorno de trabajo: Jupyter Notebooks y entorno de desarrollo. 00:00:00
Semana 2: Manejo de Datos con Pandas
- Lectura y escritura de datos en diferentes formatos (CSV, Excel, SQL). 00:00:00
- Manipulación de DataFrames: Filtrado, selección y asignación. 00:00:00
- Limpieza de datos: Tratamiento de valores nulos y duplicados. 00:00:00
Semana 3: Exploración y Visualización de Datos
- Análisis exploratorio de datos (EDA). 00:00:00
- Visualización de datos con Matplotlib y Seaborn. 00:00:00
- Gráficos básicos: Líneas, barras, histogramas y cajas. 00:00:00
Semana 4: Estadísticas Descriptivas
- Medidas de tendencia central (media, mediana, moda). 00:00:00
- Medidas de dispersión (varianza, desviación estándar, rango). 00:00:00
- Correlación y covarianza. 00:00:00
Mes 2: Análisis de Datos y Modelado
Semana 5: Preparación de Datos
- Normalización y escalado de datos. 00:00:00
- Ingeniería de características. 00:00:00
- Transformación de datos categóricos (One-Hot Encoding, Label Encoding). 00:00:00
Semana 6: Introducción a Machine Learning
- Conceptos básicos de Machine Learning. 00:00:00
- Tipos de aprendizaje: supervisado y no supervisado. 00:00:00
- Uso de Scikit-Learn. 00:00:00
Semana 7: Modelos de Regresión
- Regresión lineal simple y múltiple. 00:00:00
- Evaluación de modelos de regresión: MSE, RMSE, R². 00:00:00
- Implementación práctica con Scikit-Learn. 00:00:00
Semana 8: Modelos de Clasificación
- Introducción a la clasificación. 00:00:00
- K-Nearest Neighbors (KNN) y Regresión Logística. 00:00:00
- Evaluación de modelos de clasificación: Precision, Recall, F1-Score. 00:00:00
Mes 3: Modelos Avanzados y Proyectos
Semana 9: Arboles de Decisión y Random Forest
- Concepto de árboles de decisión. 00:00:00
- Algoritmo de Random Forest. 00:00:00
- Implementación y evaluación. 00:00:00
Semana 10: Clustering y Reducción de Dimensionalidad
- Introducción al clustering: K-Means. 00:00:00
- Evaluación de clustering. 00:00:00
- Reducción de dimensionalidad: PCA. 00:00:00
Semana 11: Redes Neuronales Básicas
- Introducción a las redes neuronales. 00:00:00
- Perceptrón y Redes Neuronales multicapa. 00:00:00
- Implementación con TensorFlow/Keras. 00:00:00
Semana 12: Proyecto Final y Presentación
- Desarrollo de un proyecto final integrador. 00:00:00
- Presentación de los proyectos. 00:00:00
- Discusión y retroalimentación. 00:00:00
+ Ver más
Otros cursos relacionados
00:00:00 Horas
Actualizado Fri, 25-Oct-2024
150
00:00:00 Horas
Actualizado Fri, 25-Oct-2024
9
00:00:00 Horas
Actualizado Fri, 25-Oct-2024
104
00:00:00 Horas
Actualizado Sat, 26-Oct-2024
0
Comentarios de estudiantes
Comentarios
Cargando...
Escribe una reseña pública