Lecciones Compartir
Marcar completado
Regresar al curso
Python
  • Módulo 1: Python Fudamentals
  • 1. IMPORTANCIA Y APLICACIONES DEL ANÁLISIS DE DATOS
    • 1.1 La Transformación Digital: Data Driven y el valor de los datos
    • 1.2 Fases de un proyecto de analítica avanzada
    • 1.3 Herramientas y tecnologías más utilizadas
    • 1.4 Introducción y manipulación de datos con Python
    • 1.5 Estructuras de control y funciones: Map y Lambda
    • 1.6 Taller 1: Introducción a Python Comandos Básicos (Parte 1)
    • 1.7 Taller 1: Introducción a Python Comandos Básicos (Parte 2)
    • 1.8 Lecciones Aprendidas
  • 2. PROGRAMACIÓN CON PYTHON
    • 2.1 Definición y manejo de variables
    • 2.2 Funciones y estructuras iterativas
    • 2.3 Exploración de Arrays con librería Numpy
    • 2.4 Manejo de datos con librería Pandas
    • 2.5 Lectura y escritura de múltiples formatos
    • 2.6 Taller 1: Programación de funciones flexibles y manipulación de datos con Pandas (Parte 1)
    • 2.7 Taller 1: Programación de funciones flexibles y manipulación de datos con Pandas (Parte 2)
    • 2.8 Taller 2: Uso de Pandas
    • 2.9 Taller 3: Uso de Numpy
    • 2.10 Lecciones Aprendidas
  • 3. ESTADÍSTICA PARA ANÁLISIS DE DATOS CON PYTHON
    • 3.1 Origen, definición y ramas de la estadística: Tipos de datos
    • 3.2 Medidas de tendencia de posición y dispersión: Asimetría y Kurtosis
    • 3.3 Correlación y Covarianza
    • 3.4 Probabilidades, Distribución Poisson y Binomial
    • 3.5 Gráficos estadísticos para variables cuantitativas y cualitativas
    • 3.6 Taller 1: Descubrir oportunidades y Resolución de Caso Aplicativo de análisis estadístico
    • 3.7 Lecciones Aprendidas
      • Examen Final MÓDULO 1
  • 1. ANÁLISIS EXPLORATORIO Y VISUALIZACIÓN DE DATOS
    • 1.1 Definición y objetivos del análisis exploratorio
      • Material Académico MÓDULO 2
    • 1.2 Relaciones entre variables: Detección de outliers
    • 1.3 Manejo de datos y análisis de valores atípicos
    • 1.4 Visualización de datos con Matplotlib y Seaborn
    • 1.5 Taller 1: Explorar y visualizar datos, establecer hipótesis (Parte 1)
    • 1.6 Taller 1: Explorar y visualizar datos, establecer hipótesis (Parte 2)
    • 1.7 Lecciones Aprendidas
  • 2. TRATAMIENTO Y TRANSFORMACIÓN DE DATOS
    • 2.1 Manejo y limpieza de datos
    • 2.2 Técnicas de Data Wranling e Imputación de Datos
    • 2.3 Creación de nuevas variables adecuadas al negocio
    • 2.4 Técnicas de balanceo de datos: UnderSampling, RandomUnderSampling y SMOTE
    • 2.5 Taller 1: Data Wranling al proyecto de análisis de datos
    • 2.6 Taller 2: Obtención de variables más importantes del caso real de compra de departamentos
    • 2.7 Lecciones Aprendidas
  • 3. MODELOS ESTADÍSTICOS APLICADOS
    • 3.1 Definición e Importancia
    • 3.2 Agrupación y reducción de dimensiones
    • 3.3 Técnicas estadísticas: K Means, DB Scan, PCA, Regresión y Árbol de Decisión
    • 3.4 Muestreo: Partición train test
    • 3.5 Técnicas de validación de modelo
    • 3.6 Taller 1: Reducción de dimensiones de un caso real de fraudes
    • 3.7 Lecciones Aprendidas
      • Examen Final MÓDULO 2
      • Encuesta de Satisfacción
  • FINAL
    • 4.1 Conclusiones Finales