En línea
Horario flexible
Agenda una consulta profesional y averigua cómo puedes hacerlo posible estudiando en un bootcamp de 9 meses de Ciencia de Datos
Los data scientists son los prospectores del futuro. Enseñan a las máquinas a analizar enormes cantidades de datos y hacer predicciones. En lugar de oro, buscan información práctica para ayudar a las empresas a tomar decisiones informadas y crecer.
Trabajo flexible: elige la mejor oportunidad entre +14 mil vacantes remotas en el mundo
¡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.
Consulta nuestros premios en Career Karma, SwitchUp y Course Report