Malla Curricular del Curso
Tecnologías que aprenderás: Google Colaboratory, Seaborn, Scikit Learn, SciPy, NumPy, Python, Folium, Pandas, LightGBM, XGBoost, TensorFlow y Matplotlib.
Semana 1: Python para Data Science: Aprenderás los fundamentos de Python necesarios para el Data Science.
Semana 2: Manipular y comprender datos: Aprende cómo cargar, limpiar y manipular datos utilizando la biblioteca Pandas de Python. Además, aprenderás las fortalezas y
debilidades del uso de Python para manipular datos.
Semana 3: Fundamentos de modelado de datos: Construye visualizaciones para no solo entender tus datos, sino que también para saber cómo comunicar los resultados a los
grupos de interés.
Semana 4: Estadística inferencial: Aprende cómo utilizar Python para implementar técnicas estadísticas clave y comprender mejor las estadísticas, mediante la experimentación
con Python en datasets reales. Esta semana concluye con un proyecto para demostrar tus conocimientos.
Semana 5: Introducción al Machine Learning: Qué es el machine learning y por qué deberías utilizar la biblioteca de Python Scikit- Learn para el machine learning. Los temas incluyen tipos de machine learning, cómo formatear tus datos para que sean aceptables para un algoritmo, y cómo entrenar un algoritmo.
Semana 6: Árboles de decisión y bosques aleatorios: Aprende sobre algoritmos de machine learning basados en árboles, cómo optimizarlos para maximizar su rendimiento y las fortalezas y debilidades de cada algoritmo. Los temas adicionales incluyen la selección de características para machine learning y la comparación de algoritmos de machine learning.
Semana 7: Regresión logística y regularización: Aprenda sobre el algoritmo de regresión logística y comprenda visualmente cómo funciona. Los temas adicionales incluyen:
regresiones logísticas para clasificación multiclase, regularización L1 y L2, y optimización de hiperparámetros de los algoritmos aprendidos hasta el momento.
Semana 8: Algoritmos de agrupamiento: Aprenderás sobre un servidor de algoritmos de agrupamiento, cómo optimizarlos y los puntos fuertes y débiles de cada uno.
Semana 9: Reducción de dimensionalidad: Qué es la reducción de dimensionalidad. Cómo usarla para la visualización de datos, para acelerar algoritmos de machine learning y para entender mejor tus datos. Los algoritmos comprendidos incluyen el análisis de componentes principales (ACP).
Semana 10: Máquinas de potenciación de gradientes: Aprende qué son los algoritmos de potenciación de gradiente (Gradient Boosting), por qué son tan eficaces y cómo empezar con las competiciones Kaggle.
Semana 11: Usar SQL con Python: Trabajar con bases de datos es una parte esencial de ser un analista de datos, un científico de datos y un ingeniero de datos. Esta unidad cubrirá cómo SQL y Python trabajan juntos.
Semana 12: Introducción al Deep Learning: Aprende por qué el deep learning ha transformado las industrias, varios frameworks de deep learning y cuándo utilizar técnicas de deep learning. Los temas incluyen las redes neuronales recurrentes (RNN, por sus siglas en inglés) y las redes neuronales convolucionales (CNN, por sus siglas en inglés).
