When you enroll through our links, we may earn a small commission—at no extra cost to you. This helps keep our platform free and inspires us to add more value.
Aprende Ciencia de datos en Python en 7 días- ¡Novedad 2024!
¡Domina los fundamentos de la Ciencia de Datos rápida y eficientemente en una semana! Directo al grano para aprender
This Course Includes
udemy
4.5 (19 reviews )
18 total hours 
spanish
Online - Self Paced
course
Udemy
About Aprende Ciencia de datos en Python en 7 días- ¡Novedad 2024!
¡Data Science es ahora uno de los campos de la tecnología más candentes para estar! Este campo está lleno de oportunidades y perspectivas profesionales.
La Ciencia de Datos está muy extendida en muchos sectores, como la banca, la sanidad, el transporte y la tecnología. En los negocios, la Ciencia de Datos se aplica para optimizar los procesos empresariales, maximizar los ingresos y reducir los costes.
Este curso tiene como objetivo proporcionarte el conocimiento de los aspectos críticos de la Ciencia de Datos en una semana y de una manera práctica, fácil, rápida y eficiente.
Este curso es único y excepcional en muchos aspectos. Incluye varias oportunidades de práctica en forma de tareas, cuestionarios y proyectos finales.
Cada día, pasaremos de 1 a 2 horas juntos y dominaremos un tema de Ciencia de Datos.
En primer lugar, vamos a empezar con el paquete de inicio esencial de Ciencia de Datos y dominar los conceptos clave de Data Science, incluyendo el ciclo de vida del proyecto de Ciencia de Datos, lo que buscan los reclutadores y qué puestos de trabajo están disponibles.
A continuación, comprenderemos el análisis exploratorio de datos y las técnicas de visualización utilizando las bibliotecas Pandas, Matplotlib y Seaborn.
En la siguiente sección, aprenderemos los fundamentos de la regresión. Veremos cómo construir, entrenar, probar y desplegar modelos de regresión utilizando la biblioteca Scikit-Learn.
Para continuar, aprenderemos sobre estrategias de optimización de hiperparámetros, como la búsqueda en cuadrícula, la búsqueda aleatoria y la optimización bayesiana.
A continuación, aprenderemos a entrenar varios algoritmos de clasificación como la regresión logística, la máquina de vectores de soporte, K-Nearest Neighbors, el clasificador Random Forest y Naïve Bayes utilizando las bibliotecas SageMaker y Scikit-Learn.
Seguiremos cubriendo la Ciencia de Datos en AutoPilot. Aprenderemos a usar la librería AutoGluon para crear prototipos de múltiples modelos AI/ML y desplegar el mejor.
Echa un vistazo a los vídeos de vista previa y al esquema para hacerte una idea de los proyectos que cubriremos.
¡Apúntate hoy y aprovechemos juntos el poder de la Ciencia de Datos!
¡Nos vemos en clase!
What You Will Learn?
- Realizar análisis estadísticos de conjuntos de datos reales.
- Tratar con datos faltantes usando pandas.
- Comprender las estrategias y herramientas de ingeniería de características.
- Representar diagramas de distribución (distplot), histogramas y diagramas de dispersión.
- Comprender la diferencia entre normalización y estandarización.
- Cambiar los tipos de datos de DataFrames de Pandas.
- Definir una función y aplicarla a una columna de DataFrames de Pandas.
- Visualizar datos utilizando las librerías Seaborn y Matplotlib.
- Representar pairplots, countplots y mapas térmicos de correlación con Seaborn.
- Construir, entrenar y probar nuestro primer modelo de regresión en Scikit-Learn.
- Aplicar AutoGluon para resolver problemas de tipo regresión y clasificación.