Sumérgete en los fundamentos de data
science y machine learning con Python en
12 semanas. Obtendrás una comprensión
general de todo el proceso de data
science de principio a fin, incluyendo la
preparación, análisis y visualización de
datos, como también sobre cómo aplicar
algoritmos de machine learning en
distintos procesos o tareas.
Una vez que termines, tendrás un
portafolio de proyectos que demuestran
lo que has aprendido de data science,
como también el conocimiento de uno de
los sectores laborales con mayor
expansión en el mundo.
Un plan de estudios práctico e intensivo, diseñado para que soluciones problemas del mundo real por medio de la construcción de proyectos y soluciones reales de Data Science.
Te enfrentarás a más de 100 preguntas de tipo entrevista para que estés completamente preparado para cuando busques trabajo.
Aprende Data Science moderno a través de tareas, proyectos y la orientación de tu instructor. La clases son siempre en directo.
También tendrás acceso a profesores ayudantes.
En 12 semanas, aprenderás los conceptos y tecnologías principales detrás del Data Science de hoy en día, y trabajarás con conjuntos de datos y problemas reales para poner en práctica lo que has aprendido.
Vamos a cubrir el proceso de Data Science en su totalidad, como también las tecnologías para llevar a cabo el trabajo, desde la preparación de datos con bibliotecas Python, al modelado de datos en Scikit-Learn, hasta la visualización y presentación.
Aprende los fundamentos de Python necesarios para el Data Science.
Construye visualizaciones para no solo entender tus datos, sino que también para saber cómo comunicar los resultados a los grupos de interés.
¿Qué es el machine learning y por qué deberías utilizar la biblioteca de Python Scikit- Learn? Los temas incluyen tipos de machine learning, cómo formatear tus datos para que sean aceptables para un algoritmo, y cómo entrenar un algoritmo.
Aprenda sobre el algoritmo de regresión logística y comprenda visualmente cómo funciona. Los temas adicionales incluyen: regresiones logísticas para clasificación multiclase, regularización L1 y L2, y optimización de hiperparámetros de los algoritmos aprendidos hasta el momento.
Qué es la reducción de dimensionalidad. Cómo usarla para la visualización de datos, para acelerar algoritmos de machine learning y para entender mejor tus datos. Los algoritmos comprendidos incluyen el análisis de componentes principales (ACP).
Trabajar con bases de datos es una parte esencial de ser un analista de datos, un científico de datos y un ingeniero de datos. Esta unidad cubrirá cómo SQL y Python trabajan juntos.
Aprende cómo cargar, limpiar y manipular datos utilizando la biblioteca Pandas de Python. Además, aprenderás las fortalezas y debilidades del uso de Python para manipular datos.
Aprende cómo utilizar Python para implementar técnicas estadísticas clave y comprenderlas mejor, mediante la experimentación con Python en datasets reales. Esta semana concluye con un proyecto para demostrar tus conocimientos.
Aprende sobre algoritmos de machine learning basados en árboles, cómo optimizarlos para maximizar su rendimiento y las fortalezas y debilidades de cada algoritmo. Los temas adicionales incluyen la selección de características para machine learning y la comparación de algoritmos de machine learning.
Aprenderás sobre un servidor de algoritmos de agrupamiento, cómo optimizarlos y los puntos fuertes y débiles de cada uno.
Aprende qué son los algoritmos de potenciación de gradiente (Gradient Boosting), por qué son tan eficaces y cómo empezar con las competiciones Kaggle.
Aprende por qué el deep learning ha transformado las industrias, varios frameworks de deep learning y cuándo utilizar técnicas de deep learning. Los temas incluyen las redes neuronales recurrentes (RNN, por sus siglas en inglés) y las redes neuronales convolucionales (CNN, por sus siglas en inglés).