Curso de Científico de Datos desde cero

Una parte introductoria gratuita del curso Data Science, con la que conocerás la plataforma de aprendizaje de TripleTen y escribirás tu primer código con Python.

Primer paso del curso de Científico de Datos: Descubre qué es el análisis de datos, aprende los conceptos clave y la sintaxis básica en Python y realiza tus primeras investigaciones como analista.

Comprobarás una hipótesis de producto analizando el comportamiento de los clientes de un servicio de streaming y entregarás un informe final.

Paso 2 del curso de Científico de Datos: Aprende a manejar los datos faltantes, duplicados o simplemente malos. Descubre los tipos de datos y su categorización. Entrena tus habilidades de pensamiento sistémico. Resuelve una tarea típica de análisis de datos.

Un banco quiere mejorar la precisión del sistema de puntuación crediticia. Averiguarás si el estado civil y el número de hijos de un cliente influyen en el eventual incumplimiento de un préstamo.

Más acerca del análisis de datos: Realiza exploraciones iniciales para detectar patrones en los datos, construye gráficos básicos y genera tus primeras hipótesis.

El mercado de vehículos quiere mejorar la experiencia del usuario añadiendo parámetros para clasificar los anuncios en su sitio web. Estudiarás los datos recopilados en los últimos años y determinarás qué factores influyen en el precio de un vehículo.

Descubre la teoría de la probabilidad, las distribuciones más comunes y los métodos estadísticos en Python. Aprende sobre muestreo y significación estadística. Aprende a identificar y manejar anomalías.

El departamento comercial de un operador de telecomunicaciones quiere ajustar el presupuesto de publicidad. Realizarás un análisis preliminar de los planes de prepago existentes y determinarás qué plan aporta más ingresos.

Identifica patrones que te ayuden a determinar si un videojuego determinado tendrá éxito comercial o no, basándote en las críticas de usuarios y expertos, los géneros, las plataformas (por ejemplo, Xbox o PlayStation) y los datos sobre ventas de juegos.

Aprende qué es una base de datos y cómo se estructuran las bases de datos y cómo extraer datos de ellas mediante consultas SQL. Descubre el flujo de trabajo estándar de análisis de datos.

Una nueva empresa de viajes compartidos quiere optimizar el tamaño del estacionamiento de taxis. Analizarás base de datos de competidores y probarás una hipótesis sobre el impacto del tiempo en la frecuencia de los viajes.

Domina los fundamentos del machine learning. Aprende cómo funciona la librería scikitlearn y cómo aplicarla en tu primer proyecto de machine learning.

Un operador de telefonía móvil quiere desarrollar un modelo que pueda analizar el comportamiento de sus clientes y recomendarles uno de sus planes. Construirás un modelo de clasificación que elegirá el plan adecuado para los clientes.

Aprende más sobre la ciencia de datos: Sumérgete en el área más demandada del machine learning. Aprende a ajustar modelos de machine learning, mejorar métricas y trabajar con datos desequilibrados.

Los directivos de un banco han descubierto que es más barato salvar a los clientes existentes que atraer a nuevos. Predecirás si un cliente abandonará pronto el banco.

Aplique lo aprendido a tareas empresariales. Descubre las métricas empresariales, las pruebas A/B, la técnica bootstrapping y el etiquetado de datos.

Una empresa minera planea escalar su negocio e identificar la nueva ubicación más rentable. Construirás un modelo para predecir el volumen de reservas en los nuevos pozos y luego elegirás la región con mayor margen de beneficio.

Es momento de resolver una tarea real de ciencia de datos: Prepara un prototipo de modelo de machine learning para ayudar a una empresa minera a desarrollar soluciones eficientes. En este proyecto predecirás la cantidad de oro extraída del mineral aurífero analizando datos históricos de extracción y purificación.

Profundiza en algunos algoritmos que ya has estudiado y entiende cómo aplicarlos en tus tareas de ciencia de datos. Descubre conceptos clave del álgebra lineal: vectores, matrices y regresión lineal.

Una compañía de seguros quiere encontrar clientes similares a un cliente determinado, predecir las posibilidades de recibir las prestaciones del seguro y proteger los datos personales de los clientes. Debes construir un modelo ML para cumplir estas tareas.

Analizarás una serie de algoritmos que utilizan métodos numéricos y aplicarlos a tareas prácticas. Descubre el descenso de gradiente, el aumento de gradiente y las redes neuronales.

Un servicio de venta de coches está desarrollando una aplicación para atraer a nuevos clientes. Construirás un modelo para determinar el valor de un coche determinado.

Más profundo en la ciencia de datos: Explora las series temporales. Comprende las tendencias, la estacionalidad y la creación de características.

Una empresa de taxis ha recopilado datos históricos sobre los pedidos de taxis en los aeropuertos. Para atraer a más conductores durante las horas pico, quieren predecir la cantidad de pedidos de taxis para la hora siguiente. Construirás un modelo de predicción con la métrica RMSE.

Aplicarás el machine learning a los datos de texto. Descubre cómo convertir texto en números y cómo utilizar bag-of-words, TF-IDF, así como embeddings y BERT.

Los entusiastas del cine están desarrollando un sistema para filtrar y clasificar críticas de películas. Entrenarás un modelo de clasificación para detectar automáticamente las críticas negativas con una puntuación F1 de al menos 0,85.

Aprende a manejar tareas sencillas de visión por computadora utilizando redes neuronales prefabricadas y la biblioteca Keras. Echa un vistazo rápido al deep learning.

A una cadena de supermercados le gustaría explorar si la ciencia de datos puede ayudarles a cumplir las leyes sobre el alcohol asegurándose de que no venden alcohol a menores de edad. Construirás y evaluarás un modelo para verificar la edad de las personas.

Averiguarás qué hacer cuando no se dispone de ninguna característica objetivo. Realizarás tareas de agrupación y búsqueda de anomalías. Ya casi terminas con el curso data science.

Paso final del curso de Científico de Datos: Aplica todo lo que has aprendido en un bootcamp de dos semanas que simula la experiencia de trabajar como Data Scientist junior.

Ahora has dominado la ciencia de datos: Aprende a escribir currículums y cartas de presentación, construye una presencia online en LinkedIn y GitHub, y haz crecer tu red profesional como científico de datos. Una vez hecho esto, te centrarás en las diferentes etapas del proceso de solicitud de empleo, desde las estrategias de búsqueda de empleo hasta las entrevistas y la negociación de una oferta.