Logotipo Notebook
Logotipo Tablet
Logo Ciberaula
Teléfono de Contacto

Curso acreditado de Analizando datos con Python


Ventajas de nuestra formación

visto buenoAcceso al curso las 24 hs. Todos los días de la semana

visto buenoContenidos didácticos de calidad

visto buenoCalendario flexible

visto buenoProfesores especializados

ticket ciberaulaCurso acreditado por FUNDAE

Curso bonificado online

visto buenoAula virtual accesible para PCs, notebook, tablet y smartphone

visto buenoOpción a disponer de asistencia de profesor o sólo acceso a contenidos (autoestudio)

ticket ciberaulaNos ocupamos de toda la gestión de su bonificación

ticket ciberaulaDiploma acreditativo de CIBERAULA

Curso bonificado online
Plazo Flexible
Plazo Flexible

Valore esta página:

Votos: 4.0/5 (2899 votos)



Curso online de Analizando datos con Python

Cursos bonificados Calendario: Flexible.

FUNDAE cursos Fecha disponible: Inmediata.

Cursos bonificados seguridad social Porcentaje de Bonificación: 100%

Cursos online bonificados Diploma acreditativo emitido por FUNDAE.

Cursos bonificados para empresas Certificado acreditativo para concursos y oposiciones.

cursos virtuales bonificados 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 más

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.

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.

Leer menos...


Cursos Relacionados
Dreamweaver 8
horas lectivas Horas Lectivas: 30

Dreamweaver CS 5
horas lectivas Horas Lectivas: 40

Fireworks MX
horas lectivas Horas Lectivas: 20

Flash CS 5.5
horas lectivas Horas Lectivas: 40

Flash MX
horas lectivas Horas Lectivas: 30

HTML
horas lectivas Horas Lectivas: 40

HTML (Avanzado)
horas lectivas Horas Lectivas: 20

HTML (Básico)
horas lectivas Horas Lectivas: 20

HTML5
horas lectivas Horas Lectivas: 60

HTML5 Avanzado
horas lectivas Horas Lectivas: 30

HTML5 Intermedio
horas lectivas Horas Lectivas: 30

Introducción a CakePHP Framework
horas lectivas Horas Lectivas: 40

Introducción a programación Android
horas lectivas Horas Lectivas: 60

Lenguaje de programación PHP
horas lectivas Horas Lectivas: 20

Posicionamiento Web
horas lectivas Horas Lectivas: 30

Posicionamiento web y optimización en buscadores
horas lectivas Horas Lectivas: 40

Páginas web con lenguaje de marcas y hojas de estilo
horas lectivas Horas Lectivas: 30

Wordpress
horas lectivas Horas Lectivas: 20

Wordpress - Posicionamiento Web y Optimización en buscadores
horas lectivas Horas Lectivas: 50

Macros en Excel VBA nivel básico
horas lectivas Horas Lectivas: 40

Macros en Excel VBA nivel avanzado
horas lectivas Horas Lectivas: 60

Python Básico
horas lectivas Horas Lectivas: 50

Python Intermedio
horas lectivas Horas Lectivas: 50

Python Avanzado
horas lectivas Horas Lectivas: 50

Deep Learning
horas lectivas Horas Lectivas: 160

Ciencia de datos con Python
horas lectivas Horas Lectivas: 100

Analizando datos con Python
horas lectivas Horas Lectivas: 50

Visualizando datos con Python
horas lectivas Horas Lectivas: 20

Inicio en Python
horas lectivas Horas Lectivas: 40

Desarrollo de Plugins para WordPress con PHP, JS, CSS y HTML
horas lectivas Horas Lectivas: 50

Desarrollo Frontend (HTML, CSS, SASS, JavaScript y Bootstrap)
horas lectivas Horas Lectivas: 50

Cursos online gratis con certificado Público Objetivo
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.
Plan de Igualdad Empresas Duración
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.
empresas de cursos bonificados

Objetivos

El objetivo general del curso "Analizando Datos con Python" es capacitar a profesionales y estudiantes en las competencias necesarias para realizar análisis de datos efectivos utilizando el lenguaje de programación Python. A lo largo del curso, los participantes aprenderán desde los conceptos básicos de Python hasta técnicas avanzadas de ciencia de datos, incluyendo la manipulación de datos con Pandas, la implementación de algoritmos de machine learning con Scikit Learn, y la visualización de información con Matplotlib y Seaborn. El curso también abordará aspectos éticos en el manejo de datos, asegurando que los alumnos desarrollen habilidades responsables y eficientes para la ciencia de datos en sus respectivas áreas profesionales.

Bonificacion

Bonificación

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.
Modalidades

Modalidades

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.
cursos tripartita

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



contacto_express

Respondemos en aproximadamente 3 horas promedio en días laborables.

Nombre:

Email:

Comentario:


Nuestra Sede


Ciberaula

Dirección:
Paseo de la Castellana 91, Planta 4,
Madrid, MAD 280016
España
COB
Teléfono de Contacto: 915303387
Email: