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, así que obtener 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 que habrá un aumento del negocio de Data Science de un 30% anual. O, portales de trabajo como Indeed estiman salarios de más de 100.000$.
En este Máster de Data Science con Python el alumno aprenderá desde cero y por completo los fundamentos del Data Science, su base estadística y cómo llevarlo a la práctica con Python junto con sus librerías como Numpy, Pandas, Matplotlib o Seaborn; los fundamentos del Data Science y su base estadística.

Este curso es mayoritariamente práctico, aplicando paso a paso lo aprendido a partir de casos reales. Y, al terminar el curso, podrás desarrollar proyectos por completo de Data Science importando fuentes de datos heterogéneos, realizar la limpieza y transformación de datos, analizar y visualizar estadísticamente la información y obtener conclusiones que provoquen alto impacto en su entorno.

Su objetivo es que el alumno sea capaz de aplicar los conocimientos aprendidos realizando muchos casos reales propuestos a lo largo del temario para demostrar las destrezas adquiridas. Además, tendrá a su disposición un extenso material de consulta y todos los scripts de Python explicados durante esta especialización de tal manera que le sea muy sencillo reutilizarlos para su caso de uso concreto.

Este es el mejor momento para formarse y prepararse para el futuro dominado por los datos y así destacar sobre el resto de profesionales.

¿Qué aprenderá el alumno en este curso?

• Qué es el Python y su instalación junto a Júpiter, además de cómo importar librerías y fuentes de datos. También, el alumno estudiará la visualización básica con Matplotlib y el flujograma de un proyecto Data Science.

• Los fundamentos del lenguaje Python, las variables, creación de listas, extracción y modificación de datos, uso de funciones de Python así como la manera de crear diccionarios, funciones y argumentos flexibles. El alumno aprenderá también sobre las funciones lambda y el uso de función zip para la creación de diccionarios en base a listas. Además, herramientas de Python como métodos, compradores, bucles y compresión de listas.

• Estudiar los conceptos estadísticos para el análisis de datos, como la varianza y la correlación de variables, los histogramas y el análisis con percentiles; las funciones densidad de probabilidad y el cálculo de previsiones y media móvil.

• Aprender análisis numérico con Numpy, una introducción a la librería, cómo selecciona los datos con array Nunmpy, así como el arrays 2D en Numpy y el cálculo estadístico. También, se aprenderá análisis de datos con pandas, la creación de un dataframe a partir de un diccionario y el modo de importar datos desde un fichero de texto plano.

• Qué es un dataframe Pandas y cómo seleccionar los datos, métodos útiles, eliminar duplicados, valores erróneos y columnas, interpolación y filtración de datos y ordenación de valores.

• Cómo Importar datos con Pandas desde un fichero Excel, una BBDD SQL, una página web, desde un fichero semi - estructurado JSON, desde Redes Sociales y desde Cloud. Cómo exportar datos a CSV, Excel y BBDD SQL.

• Hacer visualizaciones de datos en Python con las herramienta Matplotlib y Seaborn, así como series temporales en Python: extracción y parsing, filtrado, remuestreo e interpolación.

• Supuestos prácticos elaborando proyectos de Data Science realizando análisis de datos con pandas por un lado y análisis de datos con pandas y visualización por otro.

• Por último, el alumno aprenderá a hacer ejecución e interconexión de Python con otras plataformas: la generación de scripts de Python y automatización de tareas y el uso de Python en herramienta de business Intelligence Power.

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