Curso online de Analizando datos con Python

Temario

NOTA:

Trabajamos con la metodología de curso personalizado, creada por Ciberaula en 1997. Usted puede solicitar un curso a la medida de sus objetivos, que combine lecciones de 2 o más cursos en un plan de formación a su medida. Si este es su caso consúltenos, esta metodología ofrece un aprovechamiento máximo de la formación en los cursos bonificados para trabajadores.

El temario predefinido del curso online de Analizando datos con Python es el siguiente:

1 PREPARACIÓN PARA PYTHON Y DATA SCIENCE

1.1 Bienvenido al Curso de Python para Data Science

1.2 Meta del Día 1

1.3 Preguntas Frecuentes Importante Leer

1.4 Instalar Python y Jupyter

1.5 Jupyter Notebooks

1.6 Descarga los Archivos del Curso

1.7 Introducción a la Programación Orientada a Objetos (OOP)

1.8 Qué es Data Science

1.9 Cierre del Día 1 Preguntas Frecuentes

2 CURSO INTENSIVO DE PYTHON PARTE I

2.1 Meta del Día 2

2.2 Variables Numéricas en Python

2.3 Guía para Ejercicios de Código

2.4 Variables de Texto

2.5 Función Type() en Python

2.6 Números en Python

2.7 Operaciones Matemáticas en Python

2.8 Proyecto del Día 2: Programa un Conversor de Divisas

2.9 Solución al Proyecto del Día 2

2.10 Soluciones para los Ejercicios de Código del Día 2

2.11 Cierre del Día 2 Preguntas Frecuentes

3 CURSO INTENSIVO DE PYTHON PARTE II

3.1 Meta del Día 3

3.2 Strings en Python

3.3 Indexar Strings en Python

3.4 Filtrar Strings en Python

3.5 Input en Python

3.6 Formateo de Strings en Python

3.7 Proyecto del Día 3: Programa un Analizador de Texto

3.8 Solución al Proyecto del Día 3

3.9 Soluciones para los Ejercicios de Código del Día 3

3.10 Cierre del Día 3 Preguntas Frecuentes

4 CURSO INTENSIVO DE PYTHON PARTE III

4.1 Meta del Día 4

4.2 Listas en Python

4.3 Tuplas en Python

4.4 Diccionarios en Python

4.5 Booleanos en Python

4.6 Estructuras de Control en Python IF

4.7 Estructuras de Control en Python, IF, ELIF, ELSE

4.8 Proyecto del Día 4: Programa una Agenda Telefónica

4.9 Solución al Proyecto del Día 4

4.10 Soluciones para los Ejercicios de Código del Día 4

4.11 Cierre del Día 4 Preguntas Frecuentes

5 CURSO INTENSIVO DE PYTHON PARTE IV

5.1 Meta del Día 5

5.2 Loops en Python Loop For

5.3 Función Range en Python

5.4 Loops en Python: Loop While

5.5 Funciones en Python

5.6 Funciones que Llaman Funciones en Python

5.7 Proyecto del Día 5: Programa un Generador de Tablas de Multiplicar

5.8 Solución al Proyecto del Día 5

5.9 Soluciones para los Ejercicios de Código del Día 5

5.10 Cierre del Día 5 Preguntas Frecuentes

6 PANDAS PARTE I

6.1 Meta del Día 6

6.2 Importar Pandas en Python

6.3 Tipos de Datos en Pandas

6.4 DataFrames en Pandas

6.5 Series en Pandas

6.6 Operaciones Básicas con Series de Pandas

6.7 Limpieza de Datos en Pandas

6.8 Filtrado de Series en Pandas

6.9 Agregación de Series en Pandas

6.10 Proyecto del Día 6: Programa un Análisis de Resultados Deportivos

6.11 Solución al Proyecto del Día 6

6.12 Respuestas al Proyecto del Día 6

6.13 Soluciones para los Ejercicios de Código del Día 6

6.14 Cierre del Día 6 Preguntas Frecuentes

7 PANDAS PARTE II

7.1 Meta del Día 7

7.2 Trabajar con DataFrames de Pandas

7.3 Ordenar y Agrupar DataFrames en Pandas

7.4 Fusionar DataFrames en Pandas con merge()

7.5 Combinar DataFrames en Pandas con join()

7.6 Concatenar DataFrames en Pandas con concat()

7.7 Datos Relacionados con el Tiempo en Pandas

7.8 Abrir y Escribir Archivos desde Pandas

7.9 Acceder a Elementos del DataFrame con loc e iloc

7.10 Proyecto del Día 7: Programa un Analizador de Ventas

7.11 Solución al Proyecto del Día 7

7.12 Soluciones para los Ejercicios de Código del Día 7

7.13 Cierre del Día 7 Preguntas Frecuentes

8 NUMPY

8.1 Meta del Día 8

8.2 Introducción a NumPy

8.3 Arrays de NumPy

8.4 Tipos de Arrays en NumPy

8.5 Manipulación de Arrays en NumPy

8.6 Indexación y Segmentación en Arrays de NumPy

8.7 Forma y Estructura de los Arrays de NumPy

8.8 Operaciones Avanzadas y Funciones Universales en NumPy

8.9 Tratamiento de Datos Faltantes con NumPy

8.10 Importación y Exportación de Datos con NumPy

8.11 Integración de NumPy con Pandas

8.12 Proyecto del Día 8: Programa un Análisis Meteorológico

8.13 Solución al Proyecto del Día 8

8.14 Soluciones para los Ejercicios de Código del Día 8

8.15 Cierre del Día 8 Preguntas Frecuentes

9 MATPLOTLIB

9.1 Meta del Día 9

9.2 Visualizaciones de Datos con Matplotlib

9.3 Estructura Principal de Matplotlib

9.4 Gráficos de Línea (Line Plots) en Matplotlib

9.5 Histogramas en Matplotlib

9.6 Gráficos Scatter en Matplotlib

9.7 Gráfico Pastel (Pie Plot) con Matplotlib

9.8 Creación de Múltiples Gráficos con Matplotlib

9.9 Estilo para tus Gráficos con Matplotlib

9.10 Crea Cualquier tipo de Gráficos desde Matplotlib

9.11 Proyecto del Día 9: Programa una Consulta Meteorológica Interactiva

9.12 Solución al Proyecto del Día 9

9.13 Soluciones para los Ejercicios de Código del Día 9

9.14 Cierre del Día 9 Preguntas Frecuentes

10 SEABORN

10.1 Meta del Día 10

10.2 Introducción a Seaborn

10.3 Relación Estadística en Seaborn

10.4 Representación Distributiva en Seaborn

10.5 Variables Categóricas en Seaborn

10.6 Vista Múltiple para Datasets Complejos en Seaborn

10.7 Funciones de Nivel Inferior en Seaborn

10.8 Valores Preconfigurados y Personalizados en Seaborn

10.9 Nivel de Figura vs. Nivel de Axes en Seaborn

10.10 Proyecto del Día 10: Crea un Dashboard de Análisis Exploratorio de Datos

10.11 Solución al Proyecto del Día 10

10.12 Cierre del Día 10 Preguntas Frecuentes

11 MACHINE LEARNING PARTE I

11.1 Meta del Día 11

11.2 Qué es Machine Learning

11.3 Aprendizaje Supervisado en Machine Learning

11.4 Regresión Lineal en Machine Learning

11.5 Regresión Logística en Machine Learning

11.6 Árboles de Decisión Parte I

11.7 Árboles de Decisión Parte II

11.8 Bosques Aleatorios en Machine Learning

11.9 Cómo Elegir el Mejor Algoritmo en Machine Learning

11.10 Proyecto del Día 11: Crea un Análisis Predictivo para una Tienda Minorista

11.11 Solución al Proyecto del Día 11

11.12 Soluciones para los Ejercicios de Código del Día 11

11.13 Cierre del Día 11 Preguntas Frecuentes

12 MACHINE LEARNING PARTE II

12.1 Meta del Día 12

12.2 Aprendizaje No Supervisado en Machine Learning

12.3 Agrupamiento de Promedios K en Machine Learning

12.4 Análisis de Componentes Principales (PCA) en Machine Learning

12.5 Descomposición de Valores Singulares (SVD) en Machine Learning

12.6 Redes Neuronales en Machine Learning

12.7 Autoencoders en Machine Learning Parte I

12.8 Autoencoders en Machine Learning Parte II

12.9 Clustering Jerárquico en Machine Learning

12.10 Proyecto del Día 12: Crea un código que Analice y Clasifique Clientes

12.11 Solución al Proyecto del Día 12

12.12 Soluciones para los Ejercicios de Código del Día 12

12.13 Cierre del Día 12 Preguntas Frecuentes

13 MACHINE LEARNING PARTE III

13.1 Meta del Día 13

13.2 Aprendizaje por Reforzamiento en Machine Learning

13.3 Q Learning en Machine Learning Parte I

13.4 Q Learning en Machine Learning Parte II

13.5 SARSA en Machine Learning Parte I

13.6 SARSA en Machine Learning Parte II

13.7 Redes Q Profundas (DQN) en Machine Learning Parte I

13.8 Redes Q Profundas (DQN) en Machine Learning Parte II

13.9 Proyecto del Día 13: Crea un Juego de Navegación de Laberintos

13.10 Solución al Proyecto del Día 13

13.11 Soluciones para los Ejercicios de Código del Día 13

13.12 Cierre del Día 13 Preguntas Frecuentes

14 ÉTICA Y PRIVACIDAD EN DATA SCIENCE

14.1 Meta del Día 14

14.2 Introducción a la Ética en Data Science

14.3 Privacidad de los Datos en Data Science

14.4 Anonimización de Datos en Data Science

14.5 Pseudonimización de Datos en Data Science

14.6 Sesgos en Data Science

14.7 Desarrollo de Modelos Responsables en Data Science

14.8 Ética del Uso de Datos a Gran Escala

14.9 Proyecto del Día 14: Programa la Gestión Segura de Datos de Clientes

14.10 Solución al Proyecto del Día 14

14.11 Soluciones para los Ejercicios de Código del Día 14

14.12 Cierre del Día 14 Preguntas Frecuentes

15 SCIKIT LEARN

15.1 Meta del Día 15

15.2 Introducción a Scikit Learn

15.3 Preprocesamiento de Datos en Scikit Learn

15.4 Selección y División de Datos con Scikit Learn

15.5 Pipelines y Automatización de Flujo de Trabajo en Scikit Learn

15.6 Evaluación de Modelos con Scikit Learn

15.7 Ajuste de Hiperparámetros con Scikit Learn

15.8 Documentación de Scikit Learn -15.9 Scikit Spatial, Scikit Time & Scikit Image

15.10 Proyecto del Día 15: Optimiza Modelos de Machine Learning

15.11 Solución al Proyecto del Día 15

15.12 Soluciones para los Ejercicios de Código del Día 15

15.13 Cierre del Día 15 Preguntas Frecuentes

16 POWER BI

16.1 Meta del Día 16

16.2 Instalar Power BI

16.3 Estructura de Power BI

16.4 Cargar Datos en Power BI

16.5 Informes en Power BI

16.6 Dashboards Interactivos en Power BI

16.7 Conexión a Múltiples Fuentes de Datos

16.8 Explorando Power Query

16.9 Análisis de Datos Geográficos en Power BI

16.10 Formato de Visualizaciones en Power BI

16.11 Proyecto del Día 16: Análisis Logístico de Distribución

16.12 Solución al Proyecto del Día 16

16.13 Soluciones para los Ejercicios de Código del Día 16

16.14 Cierre del Día 16 Preguntas Frecuentes

17 PLOTLY & CUFFLINKS

17.1 Meta del Día 17

17.2 Estructura de un Gráfico en Plotly

17.3 Gráficos Básicos en Plotly Parte I

17.4 Gráficos Básicos en Plotly Parte II

17.5 Personalización de los Gráficos

17.6 Subplots y Facetas con Plotly

17.7 Gráficos de Mapas en Plotly

17.8 Gráficos en 3D con Plotly

17.9 Dashboards con Plotly Dash

17.10 Cufflinks: un Puente entre Pandas y Plotly

17.11 Proyecto del Día 17

17.12 Solución al Proyecto del Día 17

17.13 Cierre del Día 17 Preguntas Frecuentes

18 APIs

18.1 Meta del Día 18

18.2 Qué Son las APIs

18.3 Ejemplo de Uso de una API con Requests

18.4 Manejo de la Respuesta JSON de la API

18.5 Manejo de Errores en las Respuestas HTTP

18.6 Recolectar Datos Usando APIs del Mundo Real

18.7 Proyecto del Día 18

18.8 Solución al Proyecto del Día 18

18.9 Cierre del Día 18 Preguntas Frecuentes