Programación en Python - Curso Lenguaje Python para Ciencia de Datos

Instalación y configuración del entorno de desarrollo (Anaconda, Jupyter Notebook).

Sintaxis básica de Python.

Variables, tipos de datos y operadores.

Estructuras de control: condicionales y bucles.

Definición y uso de funciones.

Funciones lambda y comprensión de listas.

Listas, tuplas, conjuntos y diccionarios.

Manipulación avanzada de listas y diccionarios.

Introducción a la programación orientada a objetos.

Lectura y escritura de archivos CSV y JSON.

Uso de módulos estándar: os, sys, re.

Introducción a la gestión de paquetes y entornos virtuales.

Operaciones básicas con arrays.

Manipulación y transformación de datos con Numpy.

Indexación y slicing avanzado.

Introducción a Series y DataFrames.

Carga, limpieza y exploración de datos con Pandas.

Operaciones avanzadas: merge, groupby, pivot, y manejo de datos faltantes.

Resúmenes estadísticos y descripciones básicas.

Identificación de patrones y outliers.

Preparación de datos para el análisis posterior.

Creación de gráficos básicos: líneas, barras, histogramas.

Personalización de gráficos: etiquetas, títulos, leyendas.

Subplots y figuras complejas.

Introducción a Seaborn y su integración con Pandas.

Creación de gráficos estadísticos avanzados: boxplots, heatmaps, pairplots.

Estilización de gráficos para presentaciones profesionales.

Introducción a Plotly para gráficos interactivos.

Creación de dashboards interactivos.

Integración de gráficos interactivos en aplicaciones web.

Conceptos básicos de machine learning.

Pipeline básico: preprocesamiento, entrenamiento y evaluación.

Introducción a Scikit-learn.

Fundamentos de regresión lineal.

Aplicación de regresión lineal con Scikit-learn.

Introducción a la regresión logística.

Modelos de clasificación: KNN, SVM, árboles de decisión.

Métricas de evaluación: precisión, recall, F1-score.

Optimización de modelos: validación cruzada y ajuste de hiperparámetros.

Introducción al clustering: K-means, DBSCAN.

Reducción de dimensionalidad: PCA, t-SNE.

Aplicaciones prácticas de clustering.

Conceptos básicos de redes neuronales.

Construcción de modelos simples con Keras y TensorFlow.

Aplicación de redes neuronales en problemas de clasificación.

Conceptos básicos de Big Data.

Introducción a Apache Spark y PySpark.

Manipulación y análisis de grandes volúmenes de datos con PySpark.

Introducción a NoSQL: MongoDB.

Conexión y operaciones básicas con MongoDB usando PyMongo.

Integración de datos no estructurados en procesos de análisis.

Instalación y configuración de Power BI.

Interfaz y principales características.

Importación de datos desde diversas fuentes.

Creación de gráficos y visualizaciones en Power BI.

Aplicación de filtros y segmentaciones.

Diseño y personalización de informes.

Publicación de dashboards en Power BI Service.

Configuración de acceso y permisos.

Integración de Power BI con otras herramientas de Microsoft.

Definición de objetivos y alcance del proyecto.

Selección de un dataset y formulación del problema.

Implementación del proyecto integrando análisis de datos, visualización y machine learning.

Documentación y presentación de resultados.

Presentación del proyecto a instructores y compañeros.

Retroalimentación y discusión de los resultados.