Ventajas de nuestra formación
Acceso al curso las 24 hs. Todos los días de la semana
Contenidos didácticos de calidad
Calendario flexible
Profesores especializados
Curso acreditado por FUNDAE
Aula virtual accesible para PCs, notebook, tablet y smartphone
Opción a disponer de asistencia de profesor o sólo acceso a contenidos (autoestudio)
Nos ocupamos de toda la gestión de su bonificación
Diploma acreditativo de CIBERAULA
Calendario: Flexible.
Fecha disponible: Inmediata.
Porcentaje de Bonificación: 100%
Diploma acreditativo emitido por FUNDAE.
Certificado acreditativo para concursos y oposiciones.
Temario Personalizado.
¿Por qué es beneficioso para un profesional realizar un curso de Analizando Datos con Python?
En la era digital actual, la habilidad para analizar y interpretar datos es crucial. Un curso de Analizando Datos con Python permite a los profesionales adquirir habilidades esenciales en ciencia de datos. El dominio de herramientas como Pandas, NumPy, Matplotlib, Seaborn y Scikit Learn mejora la capacidad para gestionar y visualizar grandes volúmenes de datos de manera eficiente, facilitando la toma de decisiones informadas y precisas. Además, la familiaridad con técnicas avanzadas de machine learning abre nuevas posibilidades en predicción y análisis de tendencias, esenciales en campos como la investigación, el marketing y el desarrollo de productos.
Leer másEn la era digital actual, la habilidad para analizar y interpretar datos es crucial. Un curso de Analizando Datos con Python permite a los profesionales adquirir habilidades esenciales en ciencia de datos. El dominio de herramientas como Pandas, NumPy, Matplotlib, Seaborn y Scikit Learn mejora la capacidad para gestionar y visualizar grandes volúmenes de datos de manera eficiente, facilitando la toma de decisiones informadas y precisas. Además, la familiaridad con técnicas avanzadas de machine learning abre nuevas posibilidades en predicción y análisis de tendencias, esenciales en campos como la investigación, el marketing y el desarrollo de productos.
Por otro lado, la competitividad del mercado laboral hace que la constante actualización de habilidades sea un factor clave para el éxito. Al sumergirse en el curso de Python, los profesionales no solo expanden su repertorio técnico, sino que también se equipan con conocimientos sobre ética y privacidad en la ciencia de datos, aspectos cada vez más relevantes en el ejercicio responsable de cualquier profesión relacionada con datos. Estas habilidades multidisciplinarias son altamente valoradas en la industria, mejorando el potencial de empleabilidad y la capacidad de innovar dentro de sus respectivos campos.
El curso está dirigido a profesionales y estudiantes que buscan adquirir habilidades en ciencia de datos utilizando Python. Está especialmente diseñado para aquellos con interés en el análisis de datos, la programación y la visualización de información. Este curso es ideal para analistas de datos, científicos de datos, ingenieros de software y cualquier persona que desee profundizar en el uso de herramientas como Pandas, NumPy, Matplotlib, Seaborn y Scikit Learn. No se requiere experiencia previa en programación, ya que el curso cubre desde los fundamentos de Python hasta técnicas avanzadas de machine learning y visualización de datos.
|
La duración del curso de Analizando datos con Python es de 50 horas,
acreditadas en el Diploma del mismo. Fecha de inicio: Se puede determinar libremente, teniendo en cuenta que en cursos bonificados de formación contínua debe notificarse a FUNDAE con al menos 3 días naturales de antelación a la misma. |
Este curso puede ser bonificado al 100% para la empresa receptora, incluso aunque esta tenga un porcentaje de copago en razón de su número de empleados en plantilla. El coste de la formación se recuperará
mediante descuento en el pago de los seguros sociales. |
Este descuento será aplicable libremente en cualquier mes del año posterior a la fecha en que haya finalizado la formación. Podrán bonificarse las matrículas de aquellos alumnos que realicen al menos el
75% del curso con éxito. |
EN CURSOS ONLINE Teleformación: En esta modalidad todo el curso se realiza a través de internet, con acceso las 24 hs. todos los días de la semana y plazo máximo de seis meses. No hay actividades como clases a las que el alumno deba asistir en horarios y fechas programados. Aula virtual: En esta modalidad la formación se imparte mediante clases en directo a través de internet, es decir clases tele-presenciales, que se llevarán a cabo a través de ZOOM, Skype u otra herramienta a convenir. Modalidad MIXTA: Combinación de las dos modalidades anteriores. Los trabajadores asisten a clases en directo (por ejemplo una a la semana) y entre clases disponen de material para avanzar en el curso en la plataforma. Es la más completa para grupos de trabajadores que realizan un mismo curso. EN CURSOS PRESENCIALES o SEMI - PRESENCIALES En esta modalidad los trabajadores realizan el curso asistiendo físicamente a un aula en la que se imparte la formación. Puede ser complementada igualmente con acceso a una plataforma online entre clases. Para esta modalidad se requiere una consulta previa de disponibilidad en la ciudad donde se desee llevar a cabo. |
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