Por medio de esta formación te prepararás para iniciar tu camino como científico de datos, dominando uno de los perfiles más demandados en el mercado actual. Vas a aprender los fundamentos estadísticos y prácticos de Data Science, aplicados con Python y sus librerías más potentes como Numpy, Pandas, Matplotlib y Seaborn.
Con un enfoque práctico, podrás ejecutar proyectos completos: desde la importación y limpieza de datos hasta su análisis, visualización y generación de conclusiones de alto impacto.
La formación está orientada a profesionales que desean adquirir habilidades en Data Science para mejorar su perfil laboral.
1.Introducción al Análisis de Datos con Python
1.1 ¿Qué es Python y qué nos proporciona para el análisis de datos?
1.2 Instalación Python + Jupyter
1.3Importar librerías y fuentes de datos
1.4 Visualización básica con Matplotlib
1.5 Visualización básica con Matplotlib - Caso Práctico
1.6 Flujograma de un proyecto Data Science
2.Fundamentos del lenguaje Python
2.1 Variables en Python
2.2 Creación de listas, extracción y modificación de datos
2.3 Conceptos avanzados de creación de listas
2.4 Uso de funciones en Python (in-built)
2.5 Creación de funciones en Python y argumentos flexibles
2.6 Funciones lambda
2.7 Métodos en Python
2.8 Cómo crear diccionarios en Python
2.9 Uso de función zip para creación de diccionarios en base a listas
2.10 Comparadores en Python
2.11 Bucles en Python
2.12 Comprensión de listas en python
3.Conceptos Estadísticos para el Análisis de Datos
3.1 Variables y conceptos básicos
3.2 Varianza de una variable
3.3 Correlación de variables
3.4 Histogramas
3.5 Análisis con percentiles
3.6 Funciones densidad de probabilidad
3.7 Cálculo de previsiones (forecast) y media móvil
4.Análisis numérico con Numpy
4.1 Introducción a la librería Numpy
4.2 Selección de datos con array Numpy
4.3 Arrays 2D en Numpy
4.4 Cálculo estadístico con Numpy
5.Análisis de datos con Pandas
5.1 Introducción a la librería Pandas ¿qué es un dataframe?
5.2 Creación de un dataframe a partir de un diccionario
5.3 Cómo importar datos desde un fichero de texto plano (txt, csv,…)
5.4 Selección de datos en un dataframe Pandas
5.5 Métodos útiles de un dataframe Pandas
5.6 Eliminar duplicados, valores erróneos y columnas de un dataframe Pandas
5.7 Interpolación de datos
5.8 Filtrar datos en un dataframe Pandas
5.9 Ordenación valores en un dataframe Pandas
5.10 Crear columnas en un dataframe para cadenas de texto
5.11 Crear columnas en un dataframe a partir de un diccionario con map
5.12 Crear columnas en un dataframe a partir de funciones lambda
5.13 Crear columnas en un dataframe a partir de funciones condicionales
5.14 Renombrar y reordenar columnas de un dataframe Pandas
5.15 Cómo crear pivot tables en Pandas
5.16 Uso de groupby en Pandas
5.17 Concatenación de dataframes (union)
5.18 Combinación de dataframes (merge)
6.Importación y exportación de datos con Pandas
6.1 Cómo importar datos desde un fichero Excel
6.2 Introducción a las BBDD relacionales / Modelos de datos
6.3 Cómo importar datos desde una BBDD SQL
6.4 Cómo importar datos desde una página Web
6.5 Cómo importar datos desde una página Web (Web scraping)
6.6 Cómo importar datos desde un fichero semi-estructurado JSON
6.7 Cómo importar datos desde Redes Sociales
6.8 Cómo importar datos desde Cloud (AWS / Azure / Google Cloud)
6.9 Exportación de datos a CSV y Excel
6.10 Exportación de datos a BBDD SQL
7.PROYECTO DATA SCIENCE 1 - ANÁLISIS DE DATOS CON PANDAS (práctica voluntaria)
Proyecto data science 1 - Análisis de datos con pandas voluntario (práctica voluntaria)
Solución ejercicio práctico 1
8.Visualización de datos en Python - Matplotlib
8.1 Consejos para la visualización de datos
8.2 Introducción a la librería Matplotlib
8.3 Creación de un gráfico de línea, bar, scatter
8.4 Personalización de gráficos (título, etiquetas, ticks, leyenda, límites de ejes, anotaciones,…)
8.5 Creación de box & whiskers plot
8.6 Creación de un histograma y CDF
8.7 Gráfico de media móvil
8.8 Visualización de gráficos múltiple (subplots)
8.9 Aplicación de estilos
8.10 Creación de gráficos a partir de objeto groupby
8.11 Creación de histogramas en 2D
8.12 Creación de mapas geográficos con basemap
9.Visualización de datos en Python - Seaborn
9.1 Introducción a la librería Seaborn
9.2 Seaborn - Creación de Regresión Lineal
9.3 Seaborn - Stripplot
9.4 Seaborn - Swarmplot
9.5 Seaborn - Violinplot
9.6 Seaborn - Jointplot
9.7 Seaborn - Pairplot
9.8 Seaborn - Correlación con heatmap
10.Series temporales en Python
10.1 Series temporales: Extracción y parsing
10.2 Series temporales: Filtrado
10.3 Series temporales: Remuestreo
10.4 Series temporales: Interpolación
10.5 Visualización de series temporales
10.6 Previsiones basadas en datos históricos
11.PROYECTO DATA SCIENCE 2 - ANÁLISIS DE DATOS CON VISUALIZACIÓN
Proyecto data science 2- Análisis de datos con visualización voluntario (voluntario)
Solución ejercicio práctico 2
12.Ejecución e interconexión de Python con otras plataformas
12.1 Generación de scripts de python y automatización de tareas
12.2 Uso de Python en herramienta de Business Intelligence Power BI
Cuando la formación haya finalizado se hará entrega a cada uno de los estudiantes un certificado de aprovechamiento.
Para acceder a la formación no hay requisitos previos, sin embargo, se aconseja tener conocimientos básicos en el manejo de datos básico por ejemplo con herramientas como Excel.
Información Adicional
Precio: 335,00 €
Si vienes de Empresa, puedes bonificar hasta el 100% del curso con el crédito FUNDAE
