ver vídeo

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.

Duración: 40 horas
  1. Introducción al Análisis de Datos
    • Introducción al Análisis de Datos con Python
    • ¿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
  2. Fundamentos del lenguaje Python
    • Fundamentos del lenguaje Python
    •  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
  3. Conceptos de Estadística para el Análisis de Datos
    • Conceptos de Estadística para el Análisis de Datos
    •  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
  4. Calculo numérico con Numpy
    • Calculo numérico con Numpy
    • Introducción a la librería Numpy
    • Selección de datos con array Numpy
    • Arrays 2D en Numpy
    • Cálculo estadístico con NumPy
    • Resumen
  5. Análisis de datos con Pandas
    • Análisis de datos con Pandas
    • 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
  6. Importación y exportación con Pandas
    • Importación y exportación con Pandas
    • 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
  7. Visualización de datos en Python - Matplotlib
    • Visualización de datos en Python - Matplotlib
    • 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
  8. Visualización de datos en Python - Seaborn
    • Visualización de datos en Python - Seaborn
    • 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
  9. Series temporales en Python
    • Series temporales en Python
    • 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
  10. Ejecución e interconexión de Python con otras plataformas
    • Ejecución e interconexión de Python con otras plataformas
    • Generación de scripts de python y automatización de tareas
    • Uso de Python en herramienta de Business Intelligence Power BI
    • Resumen

Los datos que aparecen con el símbolo * son obligatorios

$cookiesSettings['logoAlt']

ADR Formación utiliza cookies propias y de terceros para fines analíticos anónimos, guardar las preferencias que selecciones y para el funcionamiento general de la página.

Puedes aceptar todas las cookies pulsando el botón "Aceptar" o configurarlas o rechazar su uso pulsando el botón "Configurar".

Puedes obtener más información y volver a configurar tus preferencias en cualquier momento en la Política de cookies