Especialización en Python para Data Science
Aprende a procesar, analizar y explorar datos masivos utilizando las librerías estándar del ecosistema Python y modelos predictivos.
Presentación del Programa
Python se ha consolidado como el lenguaje de programación por excelencia para la ciencia de datos y la inteligencia artificial. El programa de Python para Data Science de Datametrika guía al participante desde los fundamentos del lenguaje hasta el desarrollo de flujos completos de Análisis Exploratorio de Datos (EDA) y la implementación de modelos predictivos con Scikit-Learn.
Plan de Estudios Sesión por Sesión
- Configuración de Jupyter Notebook, Anaconda y Google Colab.
- Tipos de datos primarios: cadenas, enteros, flotantes y booleanos.
- Estructuras de datos nativas: Listas, Tuplas, Diccionarios y Conjuntos.
- Estructuras de control de flujo (`if`, `elif`, `else`, bucles `for` y `while`).
- Definición e invocación de funciones avanzadas (`def`, parámetros por defecto).
- Uso de Funciones Anónimas (`lambda`), `map` y `filter`.
- Comprensión de listas (*List Comprensions*) y diccionarios.
- Importación y creación de módulos y paquetes personalizados.
- Introducción a los arreglos multidimensionales (`ndarray`).
- Indexación, segmentación (*slicing*) y filtrado booleano de vectores.
- Operaciones vectorizadas y concepto de *broadcasting*.
- Funciones estadísticas básicas y álgebra lineal con NumPy.
- Estructuras principales: `Series` y `DataFrames`.
- Lectura y escritura de archivos: CSV, Excel, JSON y bases de datos SQL.
- Selección avanzada con `loc` e `iloc`.
- Limpieza de datos: tratamiento de nulos (`fillna`, `dropna`) y duplicados.
- Agrupación de datos con `groupby` y agregaciones compuestas (`agg`).
- Unión de Datasets: `merge`, `concat` y `join`.
- Tablas pivote (`pivot_table`) y reestructuración de matrices con `melt`.
- Manejo de series temporales y fechas en Pandas.
- Construcción de gráficos estáticos con **Matplotlib** (Líneas, Barras, Dispersión).
- Visualizaciones estadísticas avanzadas con **Seaborn** (Boxplots, Heatmaps, Pairplots).
- Personalización de paletas de color, estilos, leyendas y anotaciones.
- Introducción a gráficos interactivos con **Plotly**.
- Metodología paso a paso para ejecutar un EDA profesional.
- Identificación y tratamiento de atípicos (*outliers*).
- Análisis de correlación y detección de multicolinealidad.
- Ingeniería de variables básica (*Feature Engineering*).
- Conceptos de aprendizaje supervisado vs no supervisado.
- División de conjunto de datos: Entrenamiento (*Train*) y Prueba (*Test*).
- Construcción de modelos: Regresión Lineal y Clasificación (Árboles de Decisión).
- Evaluación de modelos con métricas clave ($R^2$, RMSE, Matriz de Confusión).
Modalidad
Clases en Vivo + Grabaciones
Duración
24 Horas Académicas
Sesiones
8 Sesiones Prácticas
Certificado
Emitido por Datametrika