Curso de Data Science con Python. De Cero a Experto
¿Quiere iniciar su camino para convertirse en científico de datos y dominar el área de Data Science?
Vivimos en un mundo dominado por los datos, es por ello que obtener estas habilidades le permitirá acceder a posiciones de alto valor añadido debido a la gran demanda de perfiles de Data Science. Portales como Indeed estiman salarios anuales promedios de 122.800 $ y estudios como MarketWatch apuntan a que en los próximos años habrá un aumento del negocio de Data Science de un 30 % anual, por lo tanto, es una excelente oportunidad para usted adquirir estos conocimientos.
En este programa aprenderá por completo los fundamentos de Data Science, su base estadística y cómo llevarlo a la práctica con Python, dominando desde cero este lenguaje, así como todas sus potentes librerías como Numpy, Pandas, Matplotlib o Seaborn enfocadas al análisis de datos.
Al finalizar el curso podrá ejecutar proyectos completos de Data Science siendo capaz de importar fuentes de datos heterogéneas, realizar la limpieza y transformación de datos, analizar y visualizar estadísticamente la información y obtener conclusiones que provoquen alto impacto en su entorno.
Este curso tendrá un enfoque eminentemente práctico, se explicará paso a paso y en detalle cada nueva funcionalidad, pero el objetivo es que sea capaz de aplicar los nuevos conocimientos ejecutando los múltiples casos prácticos reales propuestos para poner a prueba las destrezas adquiridas.
Es el momento de que pase a la acción, prepárese para un futuro dominado por los datos adquiriendo una habilidad muy importante para poder destacar sobre el resto y conseguir sacar el máximo provecho de la información.
- Toda persona que quiera potenciar su perfil adquiriendo habilidades de análisis de datos con gran futuro.
- Estudiantes que quieran aprender desde cero una habilidad muy demandada en cualquier sector desde un punto de vista práctico.
- Personas que quieran asombrar a su audiencia con un enfoque analítico generando conclusiones que marcan la diferencia.
- Analistas que quieran profundizar en Python y sus librerías enfocadas en Data Science.
- Profesionales que quieran automatizar sus tareas diarias con Python.
Al finalizar el curso podrá…
- Dominar el lenguaje de propósito general Python desde cero, incluyendo su instalación.
- Comprender y profundizar en el flujo completo de un proyecto de Data Science para convertirse en científico de datos.
- Aprender todos los conceptos de estadística necesarios para poder analizar los datos que le rodean.
- Utilizar librerías como Numpy o Pandas para la importación desde fuentes heterogéneas (CSV, Excel, texto plano, SQL, Web, redes sociales, cloud,…) y la limpieza y transformación de datos.
- Crear potentes visualizaciones con las librerías Matplotlib y Seaborn para el análisis de la información.
- Analizar series temporales y realizar previsiones.
- Automatizar sus tareas cotidianas con Python
No es necesario requisitos previos, incluso habrá un bloque introductorio al lenguaje Python desde cero.
- ¿Qué es Python y qué nos proporciona para el análisis de datos?
- Instalación Python + Jupyter
- Importar librerías y fuentes de datos
- Visualización básica con Matplotlib
- Flujograma de un proyecto Data Science
- Resumen
- Variables en Python
- Creación de listas y extracción de datos
- Conceptos avanzados de creación de listas
- Uso de funciones en Python (in-built)
- Creación de funciones en Python y argumentos flexibles
- Funciones lambda
- Métodos en Python
- Cómo crear diccionarios en Python
- Uso de función zip para creación de diccionarios en base a listas
- Operadores en Python
- Bucles en Python
- Comprensión de listas en python
- Resumen
- Variables y Conceptos básicos
- Varianza de una variable
- Correlación de variables
- Histogramas
- Análisis con percentiles (CDF)
- Funciones densidad de probabilidad
- Cálculo de previsiones (forecast) y media móvil
- Resumen
- Introducción a la librería Numpy
- Selección de datos con array Numpy
- Arrays 2D en Numpy
- Cálculo estadístico con NumPy
- Resumen
- Introducción a la librería Pandas ¿qué es un dataframe?
- Creación de un dataframe a partir de un diccionario
- Cómo importar datos desde un fichero de texto plano (txt, csv...)
- Selección de datos en un dataframe Pandas
- Métodos útiles de un dataframe Pandas
- Eliminar duplicados, valores erróneos y columnas de un dataframe Pandas
- Interpolación de datos
- Filtrar datos en un dataframe Pandas
- Ordenación valores en un dataframe Pandas
- Crear columnas en un dataframe para cadenas de texto
- Crear columnas en un dataframe a partir de un diccionario con map
- Crear columnas en un dataframe a partir de funciones lambda
- Crear columnas en un dataframe a partir de funciones condicionales
- Renombrar y reordenar columnas de un dataframe Pandas
- Cómo crear pivot tables en Pandas
- Uso de groupby en Pandas
- Concatenación de dataframes (union)
- Combinación de dataframes
- Resumen
- Cómo importar datos desde un fichero Excel
- Introducción a las BBDD relacionales / Modelos de datos
- Cómo importar datos desde una BBDD SQL
- Cómo importar datos desde una página web
- Cómo importar datos desde una página web (Web scraping)
- Cómo importar datos desde un fichero semi-estructurado JSON
- Cómo importar datos desde Redes Sociales
- Cómo importar datos desde Cloud (AWS / Azure / Google Cloud)
- Exportación de datos a csv y Excel
- Exportación de datos a BBDD SQL
- Resumen
- Consejos para la visualización de datos
- Introducción a la librería Matplotlib
- Creación de un gráfico de línea, bar, scatter
- Personalización de gráficos (título, etiquetas, ticks, leyenda, límites de ejes, anotaciones...)
- Creación de box & whiskers plot
- Creación de un histograma y CDF
- Gráfico de media móvil
- Visualización de gráficos múltiples (subplots)
- Aplicación de estilos
- Creación de gráficos a partir de objeto groupby
- Creación de histogramas en 2D
- Creación de mapas geográficos con basemap y Google maps
- Resumen
- Introducción a la librería Seaborn
- Seaborn - Creación de Regresión Lineal
- Seaborn - Stripplot
- Seaborn - Swarmplot
- Seaborn - Violinplot
- Seaborn - Uso de jointplot
- Seaborn - Uso de pairplot
- Seaborn - Correlación con heatmap
- Resumen
- Series temporales en Pandas: Extracción y parsing
- Series temporales: Filtrado
- Series temporales: Remuestreo - Diezmado (downsampling)
- Series temporales: Remuestreo - Interpolación (upsampling)
- Visualización de series temporales
- Previsiones basadas en datos históricos
- Resumen
- Generación de scripts de python y automatización de tareas
- Uso de Python en herramienta de Business Intelligence Power BI
- Resumen