Curso Práctico de Data Science con Python - Domina el Análisis de Datos

¿Estás pensando en iniciarte en el mundo del Data Science y convertirte en científico de datos?

El mundo en el que vivimos está dominado por los datos, por lo que adquirir estas habilidades permitirá al alumno acceder a posiciones de alto valor añadido, debido a la alta demanda de perfiles de Data Science. De hecho, hay estudios que apuntan a un crecimiento del negocio de Data Science de un 30% anual. Portales de empleo como Indeed estiman salarios de más de 100.000$. En esta formación de Data Science con Python, el alumno aprenderá desde cero y por completo los fundamentos del Data Science, su base estadística y cómo aplicarlos en la práctica con Python y sus librerías como Numpy, Pandas, Matplotlib o Seaborn.

Este curso es mayoritariamente práctico, aplicando paso a paso lo aprendido a partir de casos reales. Al finalizar, podrás desarrollar proyectos completos de Data Science: importar fuentes de datos heterogéneos, realizar la limpieza y transformación de datos, analizar y visualizar la información estadísticamente y obtener conclusiones que generen alto impacto.

El objetivo es que el alumno sea capaz de aplicar los conocimientos adquiridos a través de múltiples casos prácticos propuestos a lo largo del temario. Además, tendrá a su disposición un extenso material de consulta y todos los scripts de Python explicados durante la especialización, facilitando su reutilización en casos de uso concretos.

Este es el mejor momento para formarse y prepararse para un futuro dominado por los datos, destacando sobre otros profesionales.

• Qué es Python y su instalación junto a Jupyter, cómo importar librerías y fuentes de datos, visualización básica con Matplotlib y el flujograma de un proyecto de Data Science.
• Fundamentos del lenguaje Python: variables, creación de listas, extracción y modificación de datos, uso de funciones, creación de diccionarios, funciones y argumentos flexibles, funciones lambda y uso de zip para generar diccionarios a partir de listas. Además, herramientas de Python como métodos, bucles y comprensión de listas.
• Conceptos estadísticos para el análisis de datos, incluyendo varianza, correlación de variables, histogramas, percentiles, funciones de densidad de probabilidad, cálculo de previsiones y medias móviles.
• Análisis numérico con Numpy: introducción a la librería, selección de datos con arrays, arrays 2D y cálculo estadístico. También análisis de datos con Pandas, creación de dataframes a partir de diccionarios y cómo importar datos desde ficheros de texto plano.
• Qué es un dataframe de Pandas y cómo seleccionar datos, métodos útiles, eliminar duplicados, valores erróneos y columnas, interpolación y filtrado de datos, y ordenación de valores.
• Cómo importar datos con Pandas desde Excel, bases de datos SQL, páginas web, ficheros JSON semi-estructurados, redes sociales y servicios en la nube. Cómo exportar datos a CSV, Excel y bases de datos SQL.
• Cómo realizar visualizaciones de datos en Python con Matplotlib y Seaborn, incluyendo series temporales: extracción, parsing, filtrado, remuestreo e interpolación.
• Supuestos prácticos: elaboración de proyectos de Data Science, realizando análisis de datos con Pandas y visualización.
• Ejecución e interconexión de Python con otras plataformas: generación de scripts de Python, automatización de tareas y uso de Python en herramientas de Business Intelligence.

Objetivos del programa

¿A quién está dirigido?

Para la realización de este curso, los estudiantes deberán tener un nivel alto de ofimática así como conocimientos mínimos de programación.

1. Introducción al análisis de datos con Python
   1. ¿Qué es Python?
   2. Instalación Python + Jupiter
   3. Importar librerías y fuentes de datos
   4. Visualización básica con Matplotlib
   5. Visualización básica con Matplotlib- Caso práctico
   6. Flujograma de un proyecto Data Science
   7. Fundamentos del lenguaje Python
2. Fundamentos del lenguaje Python
   1. Variables en Python
   2. Creación de listas, extracción y modificación de datos
   3. Conceptos avanzados de creación de listas
   4. Uso de funciones en Python
   5. Cómo crear diccionarios en Python
   6. Creación de funciones en Python y argumentos flexibles
   7. Funciones lambda
   8. Métodos en Python
   9. Uso de función zip para creación de diccionarios en base a listas
   10. Comparadores en Python
   11. Bucles en Python
   12. Comprensión de listas en Python
3. Conceptos estadísticos para el análisis de datos
   1. Variables y conceptos básicos
   2. Varianza de una variable
   3. Correlación de variables
   4. Histogramas
   5. Análisis con percentiles
   6. Funciones densidad de probabilidad
   7. Cálculo de previsiones y media móvil
4. Análisis numérico con Numpy
   1. Introducción a la librería Numpy
   2. Selección de datos con array Numpy
   3. Arrays 2D en Numpy
   4. Cálculo estadístico con Numpy
5. Análisis de datos con pandas
   1. Introducción a la librería Pandas ¿ que es un dataframe?
   2. Creación de un dataframe a partir de un diccionario
   3. Cómo importar datos desde un fichero de texto plano
   4. Selección de datos en un dataframe Pandas
   5. Métodos útiles de un dataframe Pandas
   6. Eliminar duplicados, valores erróneos y columnas de un dataframe Pandas
   7. Interpolación de datos
   8. Filtrar datos en un dataframe Pandas
   9. Ordenación valores en un dataframe Pandas
   10. Crear columnas en un dataframe a partir de un diccionario con map
   11. Crear columnas en un dataframe a partir de funciones lambda
   12. Crear columnas en un dataframe a partir de funciones condicionales
   13. Renombrar y reordenar columnas de un dataframe Pandas
   14. Cómo crear pivot tables en Pandas
   15. Uso de groupby en Pandas
   16. Concatenación de dataframes
   17. Combinación de dataframes
6. Importación y exportación de datos con pandas
   1. Cómo importar datos desde un fichero Excel
   2. Introducción a las BBDD relacionales /Modelos de datos
   3. Cómo importar datos desde una BBDD SQL
   4. Cómo importar datos desde una página web
   5. Cómo importar datos desde una página web (web scraping)
   6. Cómo importar datos desde un fichero semi –estructurado JSON
   7. Cómo importar datos desde Redes Sociales
   8. Cómo importar datos desde Cloud (AWS/Azure /Google Cloud)
   9. Exportación de datos a CSV y Excel
   10. Exportación de datos a BBDD SQL
7. Proyecto data Science 1 – Análisis de datos con pandas
   1. Proyecto data Science 1 : Análisis de datos con pandas
8. Visualización de datos en Python – Matplotlib
   1. Consejos para la visualización de datos
   2. Introducción a la librería Matplotlib
   3. Creación de un gráfico de línea, bar, scatter
   4. Personalización de gráficos (título, etiquetas, ticks, leyenda, límites de ejes, anotaciones)
   5. Creación de box & whiskers plot
   6. Creación de un histograma y CDF
   7. Gráfico de media móvil
   8. Visualización de gráficos múltiple
   9. Aplicación de estilos
   10. Creación de histogramas en 2D
   11. Creación de mapas geográficos con basemap
9. Visualización de datos en Python – Seaborn
   1. Introducción a la librería Seaborn
   2. Seaborn – Creación de regresión lineal
   3. Seaborn – Stripplot
   4. Seaborn – Swarmplot
   5. Seaborn – Violinplot
   6. Seaborn – Joinplot
   7. Seaborn – Pairplot
   8. Seaborn – Correlación con heatmap
10. Series temporales en Python
    1. Series temporales : extracción y parsing
    2. Series temporales: filtrado
    3. Series temporales: remuestreo
    4. Series temporales: Interpolación
    5. Visualización de series temporales
    6. Previsiones basadas en datos históricos
11. Proyecto data Science 2 – Análisis de datos con visualización
    1. Proyecto data Science 2 : análisis de datos con pandas + visualización
12. Ejecución e interconexión de Python con otras plataformas
    1. Generación de scripts de Python y automatización de tareas
    2. Uso de Python en herramienta de business Intelligence Power