Curso Python Data Science Online

Python es un lenguaje de programación de propósito general muy popular. Es fácil de aprender y rápido para implementar prototipos. Python es un lenguaje de programación fácil e intuitivo pensado para que su sintaxis sea lo más parecida posible al lenguaje humano.
Se trata de un lenguaje de programación multiparadigma, ya que soporta orientación a objetos, programación imperativa y, también, programación funcional. Es un lenguaje Multiplataforma ya que puede ser ejecutado en distintos sistemas operativos. También es Software libre: con lo esto implica. Posee también una gran comunidad de desarrollo tanto en inglés como en español.

Entre los principales objetivos del curso de python para data science destacamos los siguientes:

Dominar el lenguaje de propósito general Python desde cero, incluyendo su instalación
Comprender y profundizar en el flujo completo de un proyecto de data science para convertirse en científico de datos
Aprender todos los conceptos de estadística necesarios para poder analizar los datos que le rodean
Utilizar librerías como Numpy o Pandas para la importación desde fuentes heterogéneas (CSV, Excel, SQL, web, redes sociales, cloud, texto, etc) y la limpieza y transformación de datos
Crear potentes visualizaciones con las librerías Matplotlib y Seaborn para el análisis de la información
Analizar series temporales y realizar previsiones
Automatizar tareas cotidianas con Python

El curso data science Python está dirigido a analistas de datos, expertos en ciencia de datos (data scientist) o programadores que quieran profundizar en Python y sus librerías enfocadas en data science, así como en adquirir un enfoque analítico para generar conclusiones que marquen la diferencia.

UNIDAD 1 – INTRODUCCIÓN AL ANÁLISIS DE DATOS
• ¿Qué es Python y qué nos proporciona para el análisis de datos?
• Instalación Python + Jupyter
• Importar librerías y fuentes de datos
• Visualización básica con Matplotlib
• Flujograma de un proyecto Data Science
• Resumen

UNIDAD 2 – FUNDAMENTOS DEL LENGUAJE PYTHON
• Variables en Python
• Creación de listas y extracción de datos
• Conceptos avanzados de creación de listas
• Uso de funciones en Python (in-built)
• Creación de funciones en Python y argumentos flexibles
• Funciones lambda
• Métodos en Python
• Cómo crear diccionarios en Python
• Uso de función zip para creación de diccionarios en base a listas
• Operadores en Python
• Bucles en Python
• Comprensión de listas en python
• Resumen

UNIDAD 3 – CONCEPTOS DE ESTADÍSTICA PARA EL ANÁLISIS DE DATOS
• Variables y Conceptos básicos
• Varianza de una variable
• Correlación de variables
• Histogramas
• Análisis con percentiles (CDF)
• Funciones densidad de probabilidad
• Cálculo de previsiones (forecast) y media móvil
• Resumen

UNIDAD 4 – CÁLCULO NUMÉRICO CON NUMPY
• Introducción a la librería Numpy
• Selección de datos con array Numpy
• Arrays 2D en Numpy
• Cálculo estadístico con NumPy
• Resumen

UNIDAD 5 – ANÁLISIS DE DATOS CON PANDAS
• Introducción a la librería Pandas ¿qué es un dataframe?
• Creación de un dataframe a partir de un diccionario
• Cómo importar datos desde un fichero de texto plano (txt, csv...)
• Selección de datos en un dataframe Pandas
• Métodos útiles de un dataframe Pandas
• Eliminar duplicados, valores erróneos y columnas de un dataframe Pandas
• Interpolación de datos
• Filtrar datos en un dataframe Pandas
• Ordenación valores en un dataframe Pandas
• Crear columnas en un dataframe para cadenas de texto
• Crear columnas en un dataframe a partir de un diccionario con map
• Crear columnas en un dataframe a partir de funciones lambda
• Crear columnas en un dataframe a partir de funciones condicionales • Renombrar y reordenar columnas de un dataframe Pandas
• Cómo crear pivot tables en Pandas
• Uso de groupby en Pandas
• Concatenación de dataframes (union)
• Combinación de dataframes
• Resumen

UNIDAD 6 – IMPORTACIÓN Y EXPORTACIÓN CON PANDAS • Cómo importar datos desde un fichero Excel
• Introducción a las BBDD relacionales / Modelos de datos
• Cómo importar datos desde una BBDD SQL
• Cómo importar datos desde una página web
• Cómo importar datos desde una página web (Web scraping)
• Cómo importar datos desde un fichero semi-estructurado JSON
• Cómo importar datos desde Redes Sociales
• Cómo importar datos desde Cloud (AWS / Azure / Google Cloud)
• Exportación de datos a csv y Excel • Exportación de datos a BBDD SQL
• Resumen

UNIDAD 7 – VISUALIZACIÓN DE DATOS EN PYTHON. MATPLOTLIB
• Consejos para la visualización de datos
• Introducción a la librería Matplotlib
• Creación de un gráfico de línea, bar, scatter
• Personalización de gráficos (título, etiquetas, ticks, leyenda, límites de ejes, anotaciones...)
• Creación de box & whiskers plot
• Creación de un histograma y CDF
• Gráfico de media móvil
• Visualización de gráficos múltiples (subplots)
• Aplicación de estilos
• Creación de gráficos a partir de objeto groupby
• Creación de histogramas en 2D
• Creación de mapas geográficos con basemap y Google maps
• Resumen

UNIDAD 8 – VISUALIZACIÓN DE DATOS EN PYTHON. SEABORN
• Introducción a la librería Seaborn
• Seaborn - Creación de Regresión Lineal
• Seaborn - Stripplot
• Seaborn - Swarmplot
• Seaborn - Violinplot
• Seaborn - Uso de jointplot
• Seaborn - Uso de pairplot
• Seaborn - Correlación con heatmap
• Resumen

UNIDAD 9 – SERIES TEMPORALES EN PYTHON
• Series temporales en Pandas: Extracción y parsing
• Series temporales: Filtrado
• Series temporales: Remuestreo - Diezmado (downsampling)
• Series temporales: Remuestreo - Interpolación (upsampling)
• Visualización de series temporales • Previsiones basadas en datos históricos
• Resumen

UNIDAD 10 – EJECUCIÓN E INTERCONEXIÓN DE PYTHON CON OTRAS PLATAFORMAS
• Generación de scripts de python y automatización de tareas
• Uso de Python en herramienta de Business Intelligence Power BI • Resumen

Programadores con conocimientos en Python pueden aumentar sus posibilidades para trabajar en empresas u organizaciones que empleen nuevas tecnologías como el desarrollo de aplicaciones web y de escritorio, software testing, videojuegos, animación 3D, arquitectura, administración de sistemas y redes, seguridad informática, Big Data, Business Intelligence (Inteligencia de Negocio), Sistemas de Información Geográfica, Bases de datos, ciencia aplicada, redes neuronales, deep learning, algoritmos de machine learning…