Data Science

Introducción al uso de Python como herramienta principal para la ciencia de datos, utilizando Google Colab y cubriendo conceptos básicos de programación.

• Introducción a Fundamentos de Data Science: Introducción al stack, orientación general y objetivos del curso.
• Uso de Google Colab: Presentación de Google Colab como entorno de trabajo para proyectos de ciencia de datos.
• Introducción a Python Básico: Familiarización con las operaciones básicas en Python.
• Manejo de cadenas (Core): Manipulación y operaciones con cadenas de texto en Python.
• Matemáticas y condicionales (Práctica): Ejercicios prácticos para trabajar con operadores matemáticos y condicionales.
• Sistema de Calificaciones (Core): Proyecto práctico para implementar estructuras de control en un sistema de calificaciones.
• Explorando Arrays con NumPy: Introducción a la biblioteca NumPy para operaciones con arreglos numéricos.
• Análisis de Datos con NumPy (Core): Aplicación práctica de NumPy para análisis de datos.

Aprendizaje y aplicación de la biblioteca Pandas para la manipulación y análisis de datos.

• Introducción a Pandas: Conceptos básicos y estructura de los DataFrames.
• Inicio a Pandas (Práctica): Ejercicios iniciales para manipular datos en DataFrames.
• Filtrado y Slicing en Pandas: Selección y segmentación de datos dentro de DataFrames.
• Limpieza de datos y manejo de datos faltantes: Técnicas para identificar y manejar datos nulos o faltantes.
• Proyecto I – Parte II (Core): Aplicación de Pandas para resolver un problema práctico.

Creación de gráficos e interpretación visual de datos utilizando bibliotecas como Matplotlib, Seaborn y Plotly.

• Análisis Exploratorio de Datos y matplotlib básico: Introducción a la visualización de datos utilizando Matplotlib.
• Histogramas y boxplots: Creación y análisis de gráficos estadísticos básicos.
• Heatmap y correlación: Análisis de relaciones entre variables utilizando mapas de calor y correlación.
• Subplots y Seaborn: Técnicas avanzadas para la creación de gráficos con Seaborn.
• Visualización Interactiva con Plotly Express (Quiz): Creación de gráficos interactivos con Plotly.
• Proyecto I – Parte V (Core): Proyecto final de visualización integrando herramientas y conceptos aprendidos.

Técnicas y herramientas para preparar los datos antes de aplicar modelos de machine learning.

• Introducción a Machine Learning: Conceptos básicos de machine learning, tipos de aprendizaje automático y su relevancia en la ciencia de datos.
• Flujo de trabajo de un proyecto de aprendizaje automático: Estructura de proyectos de machine learning utilizando Python.
• Preprocesamiento de Datos con Scikit-learn: Limpieza y transformación de datos categóricos y numéricos.
• Automatización del Preprocesamiento: Integración de preprocesamiento en pipelines.

Implementación de modelos supervisados de regresión y clasificación utilizando bibliotecas de Python.

• Regresión Lineal: Conceptos básicos, implementación y evaluación de modelos de regresión lineal.
• Árboles de Decisión para Regresión: Creación y evaluación de modelos de regresión basados en árboles.
• KNN para Clasificación: Implementación de algoritmos de clasificación basados en K-Nearest Neighbors.
• Random Forest Classifier: Uso de clasificadores basados en bosques aleatorios para tareas de clasificación.

Métodos avanzados para ajustar y optimizar modelos de machine learning.

• Optimización de Hiperparámetros con GridSearchCV: Uso de herramientas para ajustar parámetros de modelos.
• Lazy Predict para Clasificación: Automatización de la selección de modelos con Lazy Predict.
• LightGBM: Implementación y optimización de modelos basados en boosting.

Introducción y conceptos avanzados de aprendizaje profundo, desde redes neuronales hasta optimización de modelos.

• Propagación hacia Atrás y Optimización: Implementación de algoritmos de retropropagación en redes neuronales.
• MLP Básica (Core): Creación de una red neuronal básica con Keras.
• Dropout y Early Stopping: Uso de técnicas de regularización en redes neuronales.

Implementación de redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN) para resolver problemas avanzados.

• Redes Neuronales Convolucionales (CNN): Clasificación de imágenes con redes convolucionales.
• Redes Neuronales Recurrentes (RNN): Predicción de series temporales con redes recurrentes.
• Introducción a los Transformers: Conceptos básicos de transformers en aprendizaje profundo.

Uso de herramientas y plataformas en la nube para desplegar modelos de machine learning.

• Instancias SageMaker: Configuración y uso de máquinas virtuales en la nube para proyectos de machine learning.
• Pipelines en la Nube: Automatización del flujo de trabajo para despliegue a gran escala.
• Proyecto Final: Despliegue de un modelo completo en la nube con métricas y presentación final.