Curso de Data Science con Python

badge-videos
85
Lecciones
badge-timer
Horas
badge-school
Alumnos
badge-xp
XP
Matplotlib
Seaborn
pandas
numpy
qgrid
funpymodeling
¡Iniciar Gratis!
Suscribirse

Este curso es exclusivo de nuestros planes para empresas.

Este curso de data science con Python te permitirá adentrarte en el mundo de los patrones, desde una mirada intuitiva, con guías paso a paso tanto en la teoría como en la práctica utilizando el lenguaje Python.

Es un curso práctico, orientado a que puedas desarrollarte como Data Scientist Jr.

Tendrás a Atenea tu IA que te guiará en tu aprendizaje en todo momento y también contarás con soporte de nuestro instructores a través de nuestra comunidad.

#Machine Learning #Python #Estadística #Data Science

Curso de Data Science con Python

Al completar el curso tendrás un certificado de finalización para publicar en Linkedin. Además con Atenea podrás validar lo que aprendiste, haciendo evaluaciones a medida que avances con las lecciones. Tendrás soporte de nuestros instructores en todo momento a través de nuestra comunidad en Discord.

#
1

Bienvenid@s al curso!

Todo lo que necesitas saber antes de comenzar.

#
2

Capítulo A: Introducción a la Ciencia de Datos

¿De qué hablamos cuando hablamos de ‘Ciencia de Datos’?

#
3

Capítulo B: Análisis Exploratorio de Datos

Primer acercamiento a tus datos para comprender cómo está compuesto el dataset.

#
4

Capítulo C: Correlación (triple C!)

Entiende cómo se relacionan las variables de tu dataset.

#
5

Capítulo D: Preparación de datos para modelos ML

Muchas veces los datos llegan “sucios”. Aprende a tratarlos para poder aprovecharlos al máximo y evitar llegar a conclusiones erróneas.

#
6

Capítulo E: Modelos ML - Sus raíces y fundamentos

Ahora, con tus datos listos, comienza por el modelo de ML Árbol de decisión.

#
7

Capítulo F: Modelos ML

Aprende a aplicar el modelo de ML de Clasificación, entiende cómo optimizarlo y cómo se relaciona con los conceptos estadísticos de regresión y cálculo de error

#
8

Capítulo G: Clasificación y outliers

Introduce un nivel de complejidad mayor con el modelo de Clasificación multiclase. Comprende los conceptos de outlier y undersampling

#
9

Capítulo H

Entiende qué es y cómo aplicar el modelo de ML Clustering

#
10

Capítulo I

Aprende cómo hacer para reducir complejidad y quitar dimensiones

#
11

Cierre, y próximos pasos

Te adelantamos qué y cómo seguir aprendiendo Ciencia de Datos

Preguntas frecuentes

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Venenatis nec nisi ornare.

No hay items para mostrar

Testimonios

No hay elementos para mostrar

Instructor del Curso

Pablo Casas
Director de planes

Pablo Casas

Creador de la Escuela de Datos Vivos. Ingeniero en Sistemas UTN. Se dedica al mundo de datos desde 2007 y es Data Scientist hace más de 10 años; 1er Data Scientist en Auth0 en su etapa startup. Dictó clases en UTN y UBA. Divulgador y referente de IA en Argentina, dicta charlas en instituciones educativas y sector privado de más de 8 países.Participó en TEDxUTN. Escribió un libro gratuito en español (“Libro vivo de Ciencia de Datos” y en inglés, premiado por RStudio). Creador de librerías opensource en Python y R.
Perfil de Linkedin
Utilizamos cookies en este sitio web para mejorar tu experiencia de usuario.
Al hacer click en el botón "Aceptar" o en cualquier enlace de este sitio web nos estás dando tu consentimiento para su uso.
Aceptar