• Nivel: Intermedio
• Duración: 35 horas
• Requisitos
• Objetivos
• Temario
  • Instalación y configuración
  • Notebooks
  • Fuentes de datos
  • Pandas
  • Bibliotecas para Data Science
  • Temas selectos

Python es un lenguaje de propósito general de alto nivel que ha cobrado aún más relevancia en los últimos años debido a la facilidad con que puede aprenderse, la amplia gama de bibliotecas y su portabilidad, pudiendo encontrarlo inclusive en sistemas incrustados como el ESP8266 o Arduino.

Se le ha dado un uso extensivo en la automatización de tareas para administración de sistemas, cobrando luego importancia en el desarrollo web, pasando por aplicaciones de corte científico y ahora se ha popularizado su uso para Data Science y Machine Learning.

En la industria se requieren profesionales capacitados en las diferentes tecnologías basadas en Python en áreas tan diversas como la automatización de procesos, el desarrollo web, la administración de sistemas, interconexión con bases datos, desarrollo e implementación de sistemas incrustados (embedded), así como para ciencia de datos (data science) y aprendizaje de máquina (machine learning).

Nivel: Intermedio

Duración: 35 horas

Requisitos

• Conocimientos básicos de sistemas operativos.
• Uso básico de un editor de texto.
• Manejo básico de Python.
• Es recomendable conocer SQL.
• Fundamentos de Estadística.

Objetivos

• Conocer las bibliotecas actuales de Python para Data Science.
• Desarrollar habilidades básicas de análisis exploratorio de datos.
• Obtener y procesar datos provenientes de diversas fuentes para su análisis.
• Aplicar las técnicas aprendidas y los conceptos de estadística a través del estudio de temas selectos.

Temario

Instalación y configuración

• Visual Studio Code.
• Intérprete de Python.
• Bibliotecas necesarias de Python.

Notebooks

• Introducción.
• Ventajas y posibilidades de uso.
• Interacción y flujo de trabajo.
• Exportación.

Fuentes de datos

• Archivos locales.
  • CSV.
  • Excel.
• Bases de datos (SQL).
  • MySQL (MariaDB).
• Web.
  • Servicios remotos.
  • Web Scrapping.

Pandas

• Fundamentos.
• DataFrames.
• Exploración básica de los datos cargados.
• Funciones y técnicas más usadas.

Bibliotecas para Data Science

• Seaborn.
• Matplotlib.
• Scikit-Learn.
• Statsmodels.

Temas selectos

• Análisis mediante modelos de regresión.
• Clasificación de datos usando aprendizaje no supervisado.

© Dunkel IT Studios, 2022 - 2024