Campus virtual

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.

Destacado 5(0 Calificaciones)
300 Estudiantes inscriptos
Última vez actualizado Sat, 26-Oct-2024
Certificado Por:

Dirigido a
  • Público en general.
+ Ver más
Descripción

Objetivos del Curso

  1. 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.
  2. 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.
  3. 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.
Incluye:
  • Duración: 3 meses
  • Acceso en móviles y tv
  • 5+3=?
Currículo para este curso
00:00:00 Horas
Temario
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • Concepto de árboles de decisión. 00:00:00
  • Algoritmo de Random Forest. 00:00:00
  • Implementación y evaluación. 00:00:00
  • Introducción al clustering: K-Means. 00:00:00
  • Evaluación de clustering. 00:00:00
  • Reducción de dimensionalidad: PCA. 00:00:00
  • Introducción a las redes neuronales. 00:00:00
  • Perceptrón y Redes Neuronales multicapa. 00:00:00
  • Implementación con TensorFlow/Keras. 00:00:00
  • 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
5 9
00:00:00 Horas
5 104
00:00:00 Horas
5 16
00:00:00 Horas
Actualizado Fri, 25-Oct-2024
5 6
00:00:00 Horas
Actualizado Sat, 26-Oct-2024
5 0
00:00:00 Horas
Actualizado Sat, 26-Oct-2024
5 0
00:00:00 Horas
0 0
00:00:00 Horas
0 0
00:00:00 Horas
Actualizado Sat, 26-Oct-2024
0 0
00:00:00 Horas
0 0
00:00:00 Horas
Actualizado Sat, 26-Oct-2024
0 0
00:00:00 Horas
0 0
Comentarios de estudiantes
0
Calificación promedio
Comentarios

Arancel único

Incluye:
  • Duración: 3 meses
  • Acceso en móviles y tv
  • 3+1=?