BannerCisco_03
Duración
6 meses
Módulos
5 módulos
Sesiones
8 por cada módulo
programas estadísticos

¿Por qué estudiar con nosotros
un diplomado en ciencia de datos?

Con nuestro Modelo Blended Remoto,
aprende la teoría en línea a tu ritmo; valida conocimientos y realiza prácticas en sesiones remotas en vivo dirigidas por expertos.


Tendrás acceso a tareas y contenidos
exclusivos, además del calendario y toda la información del curso que tomarás.


¡Todos los materiales en un solo lugar!

Plan de Estudios Análisis de Datos con Python*

Introducción a bases de datos

  • Fundamentos de SQL
  • Agrupaciones y subconsultas
  • Joins y vistas
  • Configuración de bases de datos locales
  • Fundamentos de MongoDB
  • Consultas en MongoDB
  • Agregaciones
  • Query competition

Programación y estadística con R

  • Introducción a R y software
  • Programación y manipulación de datos en R
  • Análisis Exploratorio de Datos (AED o EDA) con R
  • Algunas distribuciones, teorema del límite central y contraste de hipótesis
  • Regresión líneal y clasificación
  • Series de tiempo
  • RStduio Cloud y conexiones con BDs
  • Dashboards con Shiny, GUI

Procesamiento de datos con Python

  • Fundamentos de Python
  • Estructuras de datos y funciones
  • Programación funcional, operadores lógicos y funciones lambda
  • Pandas y análisis exploratorio de datos
  • Funciones vectorizadas y limpieza de datos
  • APIs, automatización y concatenación de DataFrames
  • Transformación, filtración y ordenameinto de datos 
  • Bases de datos, merge y agrupaciones

Análisis de datos con Python

  • Estimados de locación y variabilidad
  • Introducción a la visualización de datos distribuciones
  • Exploración de variables categóricas y análisis multivariable
  • Correlaciones y regresión líneal simple
  • Distribuciones muestrales y técnicas de evaluación de modelos
  • Visualización de datos avanzada
  • Pruebas A/B y procesamiento de lenguaje natural
  • Introducción a Machine Learning: Clasificación no supervisada y supervisada

Machine Learning

  • Introducción a Machine Learning
  • Uso de herramientas y librerías de Machine Learning en Python con Jupyter
  • Algoritmos no supervisados: K-means
  • Regresión para predicciones
  • Clasificación y redes neuronales artificiales
  • Algoritmo de retropropagación para redes neuronales artificiales
  • Algoritmos bioinspirados y algoritmos genéticos
  • Fundamentos de procesamiento de imágenes para Machine Learning
curso programación
* ESTUDIOS SIN RECONOCIMIENTO DE VALIDEZ OFICIAL
QUIERO MÁS INFORMACIÓN análisis en python
5215543620421