Curso de Científico de Datos desde cero

¡Tu introducción al mundo del análisis de datos! Conceptos clave y sintaxis básica en Python. Bucles, condiciones y funciones. La librería pandas para analizar datos. Tu primer estudio de caso analítico, seguido de tu primer proyecto. Capítulo 1. Introducción a tu futura profesión Capítulo 2. Variables, tipos de datos y operaciones aritméticas Capítulo 3. Strings Capítulo 4. Listas

Continuarás tu viaje por los diccionarios de Python que se emplean comúnmente en el campo de los datos. Harás que tu código sea flexible y reutilizable mediante la creación de funciones. Capítulo 1. Bucles Capítulo 2. Sentencias condicionales Capítulo 3. Diccionarios Capítulo 4. Funciones

La librería Pandas para procesar datos. Compensación por datos imperfectos. Manejo de valores ausentes y duplicados. Capítulo 1. La librería Pandas Capítulo 2. Leer y visualizar datos Capítulo 3. Trabajar con valores duplicados y ausentes Capítulo 4. Filtrado de datos

Cambiar tipos de datos. Identificar correlaciones y crear gráficos. Capítulo 1. Tipos de datos Capítulo 2. Ingeniería de características Capítulo 3. Transformación de datos Capítulo 4. Visualización de datos

Teoría de la probabilidad, distribuciones más comunes y métodos estadísticos en Python. Muestreo y significación estadística. Identificación y manejo de anomalías. Capítulo 1. Estadística descriptiva Capítulo 2. Teoría de la probabilidad Capítulo 3. Prueba de hipótesis

Identificar patrones que te ayudarán a determinar si un videojuego concreto tendrá éxito comercial o no.

Preparar el ecosistema de las herramientas de desarrollo. Aprender a utilizar la línea de comandos para acceder y manipular fácilmente archivos en tu computadora. Utilizar las herramientas de Git y GitHub. Profundizando en un Python más avanzado. Capítulo 1. Introducción a la línea de comandos Capítulo 2. Entornos de desarrollo Capítulo 3. Git y GitHub Capítulo 4. Python intermedio Capítulo 5. Entorno de desarrollo individual

Cómo se estructuran las bases de datos y cómo extraer datos de ellas mediante consultas SQL. Encontrar datos en línea. Capítulo 1. Recuperar datos de recursos en línea Capítulo 2. SQL como herramienta para trabajar con datos Capítulo 3. Funciones avanzadas de SQL para analistas Capítulo 4. Relaciones entre tablas Capítulo 5. Habilidades sociales (Soft skills)

Dominar las nociones básicas del machine learning. Control de la librería scikit-learn para completar tu primer proyecto de machine learning. Capítulo 1. Entrenar tu primer modelo Capítulo 2. Calidad del modelo Capítulo 3. Mejora del modelo Capítulo 4. Pasar a la regresión

Inmersión en el área más demandada del machine learning. Cómo ajustar los modelos de machine learning, mejorar las métricas y trabajar con datos desbalanceados Capítulo 1. Codificación y estandarización de datos Capítulo 2. Métricas de clasificación Capítulo 3. Clasificación desbalanceada Capítulo 4. Métricas de regresión Capítulo 5. Habilidades sociales (Soft skills

Aplicar todo lo que has aprendido en ejercicios de negocio. Descubrir métricas de negocio, tests A/B, la técnica bootstrap y el etiquetado de datos. Capítulo 1. Métricas de negocio Capítulo 2. Implementar una nueva funcionalidad Capítulo 3. Recopilación de datos Capítulo 4. Habilidades sociales (Soft skills)

Realizar un prototipo de un modelo de machine learning para ayudar a una compañía minera a desarrollar soluciones eficientes.

Examinar de cerca algunos de los algoritmos que ya has estudiado y comprender cómo aplicarlos. Obtener un enfoque práctico de los conceptos clave en álgebra lineal: vectores, matrices y regresiones lineales. Capítulo 1. Vectores y operaciones vectoriales Capítulo 2. Distancia entre vectores Capítulo 3. Matrices y operaciones matriciales Capítulo 4. Regresión lineal desde el interior

Analizar diferentes algoritmos que utilizan métodos numéricos y aplicarlos a ejercicios prácticos. Aprender sobre el descenso de gradiente, la potenciación del gradiente y la red neuronal. Capítulo 1. Análisis de algoritmos Capítulo 2. Descenso de gradiente Capítulo 3. Entrenamiento de descenso de gradiente Capítulo 4. Potenciación del gradiente Capítulo 5. Habilidades sociales (Soft skills)

Explorar series temporales. Entender tendencias, estacionalidad y creación de características. Capítulo 1. Análisis de series temporales Capítulo 2. Pronóstico de series temporales

Aplicar el machine learning para datos de texto. Descubrir cómo convertir texto en números y cómo utilizar el modelo bolsa de palabras, TF-IDF, además de embeddings y BERT. Capítulo 1. Vectorización de textos Capítulo 2. Representaciones del lenguaje

Cómo manejar simples ejercicios de visión artificial utilizando redes neuronales preestablecidas y la librería Keras. Un rápido vistazo al aprendizaje profundo (deep learning). Capítulo 1. Redes totalmente conectadas Capítulo 2. Redes neuronales convolucionales Capítulo 3. Habilidades sociales (Soft skills)

Descubrir qué hacer cuando no tienes las características de la variable objetivo. Realizar ejercicios de agrupamiento (clustering) y buscar anomalías. Capítulo 1. Clustering Capítulo 2. Detección de anomalías

Utilizar todo lo que has aprendido en un bootcamp de dos semanas que simula la experiencia de trabajo de un científico de datos junior.