Curso de Análisis de Datos con Python

Online: 250€ IVA inc

Características Principales

  • Duración: 50 horas
  • Precio: 250€ IVA inc
  • 10% Descuento a estudiantes y desempleados
  • 20% si te inscribes con otra persona
  • Bonificable a través de Fundae.

 

Descripción del curso:

 

Empresas como Amazon, Uber o Netflix, cimientan sus bases a través del Análisis de Datos. Este curso está especialmente orientado a desarrolladores con experiencia en Python que desean adquirir los conocimientos en el área de ciencia de datos. Se presenta una base sólida en el uso de las librerías Pandas, Matplotlib, Plotly y Sckitlearn para la elaboración de análisis exploratorios de datos, dashboards y modelos predictivos de clasificación

Adicionalmente profundizaremos en la regresión con el uso de algoritmos de Machine Learning a través de ejemplos, prácticas, exámenes y proyectos. A través de este recorrido serás un experto en el análisis de datos,  evaluarás tu conocimiento y podrás aplicarlo a proyectos reales del análisis de datos.

 

50 Horas

Prácticas y exámenes

Certificado de curso

Bonificable a empresas

Temario y ficha descriptiva del curso:

Tema 1º Introducción al análisis de Datos

Lección 1º La importancia del Análisis de Datos
Lección 2º ¿Como las compañias modernas están usando el análisis de datos?
Lección 3º Términos relacionados con el análisis de datos
Lección 4º Roles principales en el análisis de datos
Lección 5º Python en la ciencia de datos

Tema 2º Manipulación de Datos con Pandas

Lección 6º Fases del preprocesamiento de datos
Lección 7º Operaciones con Numpy (1º Parte)
Lección 8º Operaciones con Numpy (2º Parte)
Lección 9º Operaciones con Numpy (3º Parte)
Lección 10º Operaciones con Numpy (4º Parte)
Lección 11º Características con Pandas
Lección 12º Operaciones con Dataframes en Pandas (1º Parte)
Lección 13º Operaciones con Dataframes en Pandas (2º Parte)
Lección 14º Operaciones con Dataframes en Pandas (3º Parte)
Lección 15º Limpieza de datos con Pandas (1º Parte)
Lección 16º Limpieza de datos con Pandas (2º Parte)
Lección 17º Agrupación de datos con Pandas (1º Parte)
Lección 18º Agrupación de datos con Pandas (2º Parte)
Lección 19º Demostración de Apply y funciones Lamda en Pandas
Lección 20º Demostración: Concatenación de datos con Pandas (1º Parte)
Lección 21º Demostración: Concatenación de datos con Pandas (2º Parte)
Lección 22º Iterrows y vectorización con Numpy (1º Parte)
Lección 23º Iterrows y vectorización con Numpy (2º Parte)
Lección 24º Iterrows y vectorización con Numpy (3º Parte)
Lección 25º Visualizaciones y datos adicionales de Pandas (1º Parte)
Lección 26º Visualizaciones y datos adicionales de Pandas (2º Parte)
Resolución de ejercicios Tema 2 – Primer Bloque
Resolución de ejercicios Tema 2 – Segundo Bloque
Resolución de ejercicios Tema 2 – Tercer Bloque
Resolución Proyecto Final Liga Futbol 2020

Tema 3º Visualizaciones con Matplotlib

Lección 27º Matplotlib y tipos de gráficos (1º Parte)
Lección 28º Matplotlib y tipos de gráficos (2º Parte)
Lección 29º Matplotlib y tipos de gráficos (3º Parte)
Lección 30º Infografía de tipos de gráficos
Lección 31º Demostración de creación de gráficos con Matplotlib (1º Parte)
Lección 32º Demostración de creación de gráficos con Matplotlib (2º Parte)
Lección 33º Demostración de creación de gráficos con Matplotlib (3º Parte)
Lección 34º Demostración de tipos de gráficos con Matplotlib (1º Parte)
Lección 35º Demostración de tipos de gráficos con Matplotlib (2º Parte)
Lección 36º Uso de Pandas con Matplotlib (1º Parte)
Lección 37º Uso de Pandas con Matplotlib (2º Parte)
Lección 38º Uso de Pandas con Matplotlib (3º Parte)
Lección 39º Uso de Pandas con Matplotlib (4º Parte)
Lección 40º Gráficos de dispersión y de Linea con Seaborn (1º Parte)
Lección 41º Gráficos de dispersión y de Linea con Seaborn (2º Parte)
Lección 42º Distribuciones con Seaborn
Lección 43º Gráficos categóricos con Seaborn (1º Parte)
Lección 44º Gráficos categóricos con Seaborn (2º Parte)
Lección 45º Gráficos tipo Matriz
Lección 46º Gráficos animados en barras (1º Parte)
Lección 47º Gráficos animados en barras (2º Parte)
Resolución de ejercicios Tema 3 (Bloque 1º)
Resolución de ejercicios Tema 3 (Bloque 2º)
Resolución Proyecto Final Covid con Seaborn y Matplotlib

Tema 4º Visualizaciones dinámicas con Plotly

Lección 48º Librerías y esctructura de paquetes en Plotly
Lección 49º Creacción y tipos de gráficos con Plotly
Lección 50º Introducción a Plotly Express
Lección 51º Tipos de gráficos y visualización distributiva con Plotly Express
Lección 52º Integración y estructura de Plotly Dash
Lección 53º Demostración de creación de gráficos con Plotly (1º Parte)
Lección 54º Demostración de creación de gráficos con Plotly (2º Parte)
Lección 55º Demostración de creación de gráficos con Plotly (3º Parte)
Lección 56º Demostración de creación de gráficos con Plotly (4º Parte)
Lección 57º Gráficos con Plotly Express con datos Covid-19 (1º Parte)
Lección 58º Gráficos con Plotly Express con datos Covid-19 (2º Parte)
Lección 59º Gráficos con Plotly Express con datos Covid-19 (3º Parte)
Lección 60º Gráficos con Plotly Express con datos Covid-19 (4º Parte)
Lección 61º Creación de Gráficos con Folium (1º Parte)
Lección 62º Creación de Gráficos con Folium (2º Parte)
Lección 63º Contruyendo Dashboard a través de Dash (1º Parte)
Lección 64º Contruyendo Dashboard a través de Dash (2º Parte)
Lección 65º Contruyendo Dashboard a través de Dash (3º Parte)
Lección 66º Demostración: Cargar un Script en Visual Studio Code
Resolución de ejericicos Tema 4 (Bloque 1º)
Resolución de ejericicos Tema 4 (Bloque 2º)
Proyecto Final Tema 4

Tema 5º EDA y Preprocesamiento para Machine Learning

Lección 67º Identificación y Tipos de Variables
Lección 68º Correción del formato, normalización y agrupamiento de datos
Lección 69º Variables categóricas y análisis exploratorio de datos
Lección 70º Tipos de análisis, correlación y mapa de calor
Lección 71º Demostración: EDA y Correlación (1º Parte)
Lección 72º Demostración: EDA y Correlación (2º Parte)
Lección 73º Demostración: EDA y Correlación (3º Parte)
Lección 74º Demostración: Preprocesamiento de datos (1º Parte)
Lección 75º Demostración: Preprocesamiento de datos (2º Parte)
Lección 76º Demostración EDA y preprocesamiento de datos en modelos Machine Learning (1º Parte)
Lección 77º Demostración EDA y preprocesamiento de datos en modelos Machine Learning (2º Parte)
Lección 78º Demostración EDA y preprocesamiento de datos en modelos Machine Learning (3º Parte)
Lección 79º Demostración EDA y preprocesamiento de datos en modelos Machine Learning (4º Parte)
Resolución de ejericicos Tema 5 (Bloque 1º)
Resolución de ejericicos Tema 5 (Bloque 2º)
Proyecto Final Tema 5

Tema 6º Machine Learning con Scikit – Learm

Lección 80º Conceptos básicos de Machine Learning
Lección 81º Técnicas populares y realización de modelo Machine Learning
Lección 82º Funciones con Scikit-learn y aprendizaje supervisado
Lección 83º Aprendizaje no supervisado y comparativa
Lección 84º Introducción a la regresión Lineal (1º Parte)
Lección 85º Introducción a la regresión Lineal (2º Parte)
Lección 86º Análisis del Modelo de Regresión Múltiple
Lección 87º Evaluación de modelos (1ºParte)
Lección 88º Evaluación de modelos (2ºParte)
Lección 89º Demostración de Regresión Lineal
Lección 90º Demostración de Regresión Lineal simple con Scikit-Learn
Lección 91º Demostración de Regresión Lineal simple con Scikit-Learn
Lección 92º Demostración de Regresión Lineal múltiple con Scikit-Learn (1º Parte)
Lección 93º Demostración de Regresión Lineal múltiple con Scikit-Learn (2º Parte)
Resolución de ejericicos Tema 6 (Bloque 1º)
Resolución de ejericicos Tema 6 (Bloque 2º)
Proyecto Final Tema 6

Tema 7º Machine Learning con Scikit – Learm: Clasificación

Lección 94º Conceptos y aplicaciones de la clasificación
Lección 95º Estructura de Sciit-learn y K-Vecinos más próximos
Lección 96º Estudio del Árbol de Decisión
Lección 97º Análisis de la Regresión Logística
Lección 98º Análisis del SMV (Máquinas de Vectores de Soporte)
Lección 99º Evaluación de las métricas (1º Parte)
Lección 100º Evaluación de las métricas (2º Parte)
Lección 101º Demostración de K-Vecinos más próximos
Lección 102º Demostración de Árbol de decisión con Scikit-Learn
Lección 103º Demostración de Regresión logística con Scikit-Learn
Lección 104º Demostración de Clasificación con K-Nearest Neighbor
Lección 105º Algortimos de Clasificación con Titanic
Resolución de ejericicos Tema 7 (Bloque 1º)
Resolución de ejericicos Tema 7 (Bloque 2º)
Proyecto Final Tema 7

Descarga Temario PDF:

 

  •  Adquirir conocimientos sobre los procesos de captura, extracción, manipulación y conversión de datos en diferentes entornos.
  • Dominar los diferentes métodos de visualizaciones de datos.
  • Aplicar un EDA (Análisis Exploratorio de Datos)
  • Construir Modelos Predictivos de Machine Learning que permitan transformar los datos en decisiones

250€ IVA incluido

(Disponen de descuentos para estudiantes y desempleados y así mismo el curso se puede bonificar para trabajadores y empresas)

  • El curso está confeccionado íntegramente a través de vídeos. Adicionalmente incluye toda la documentación de cada tema del curso. 
  • Durante el curso tendrás que completar 7 temas dedicados,  prácticas, exámenes y proyectos finales durante la formación.
  • En el momento que lo necesites podrás efectuar tus consultas al formador, a través de correo electrónico, para resolver tus dudas relativas al curso.
  • Una vez finalizada la formación, te enviaremos un Certificado del curso emitido por Culture Lab TS S.L. 
  • Una vez inscrito en el curso Online, tendrás acceso a todo el contenido durante los próximos 3 meses 
  • Podrás conectarte en cualquier momento a través de tu ordenador, móvil o tablet para realizar el curso cómodamente y a tu ritmo

Requisitos del curso: 

  • El curso está especialmente dirigido a desarrolladores con experiencia previa en Python, por lo que es necesario disponer una base en dicho lenguaje de programación.
  • Se requiere disponer de conexión a Internet. 
  • Se recomienda disponer de una asistencia mínima del 80% para el correcto aprovechamiento de la materia. 

Este curso puede ser bonificable para trabajadores y empresas:

  • La empresa  podrá solicitar la bonificación del curso a través de FUNDAE (Antigua Fundación Tripartita) 
  • Culture Lab facilitará a la empresa solicitante la documentación necesaria para que la empresa pueda dar de alta el proceso de bonificación del curso.
  • El curso dispone de una bonificación máxima aplicable del 100% en modalidad Telepresencial siempre y cuando la empresa disponga de los créditos necesarios para solicitar la bonificación.

El crédito disponible para las empresas durante el presente ejercicio se calcula a partir de dos datos: lo cotizado por la empresa en concepto de Formación Profesional en el año anterior y el tamaño de su plantilla, que determinará el porcentaje del importe cotizado al cual tiene derecho la empresa:

  •  Empresas de 1 a 9 trabajadores: 100%.
  •  De 10 a 49 trabajadores: 75%.
  •  De 50 a 249 trabajadores: 60%.
  •  De 250 o más trabajadores: 50%.

 

  • Durante la impartición del curso Culture Lab se encargará  de los controles de asistencia diarios de los alumnos, así como de las encuestas de evaluación finales, las cuales serán entregadas al responsable de la empresa al finalizar el curso. 

 

Descuentos y promociones*

 

  • 10% de descuento para estudiantes y desempleados 
  • 20% de descuento si te inscribes con otra persona 
  • 20% de descuento si realizas dos cursos

*(Los descuentos presentados no son acumulables)

Si has decidido realizar este curso, te vamos a explicar el proceso de inscripción online (En caso de tener cualquier duda adicional puedes escribirnos por correo, WhatsApp, o dejar tu teléfono para que te llámenos en el apartado de contactos)

  1. Selecciona el botón de Inscripción 
  2. Completa el formulario de registro con tus datos
  3. Escoge una de las modalidades de pago disponibles (Tarjeta de crédito, PayPal, y transferencia bancaria)
  4. Al finalizar recibirás un correo de confirmación de pedido y nos pondremos en contacto contigo para confirmar tu inscripción.

 

Curso de Análisis de Datos con Python

Aprende a controlar Pandas, Matplotlib, Plotly y Sckitlearnl, dashboards, modelos predictivos para el análisis de datos. ¡100% actualizado al 2021!