Tú estás aquí: / / / / Curso Python Data Science Online

Curso Python Data Science online

Python es un lenguaje de programación de propósito general muy empleado en el área del data science, debido a sus potentes librerías (Numpy, Pandas, Matplotlib, Seaborn)

curso python

Curso Python Data Science online

Python es un lenguaje de programación de propósito general muy empleado en el área del data science, debido a sus potentes librerías (Numpy, Pandas, Matplotlib, Seaborn)

curso python
Básico 45 Horas Online 100% Bonificable 10 Lecciones Acceso Inmediato en Autoestudio Temario

100% BONIFICABLE FUNDAE

  • Duración: 4 semanas
  • Bonificable para Empleados
  • Ejercicios prácticos
  • Título propio Digital Credential
  • Inicio Tutorizado: días 5 de cada mes
  • Inicio Autoestudio: Inmediato
Añadir a Carrito - Tutorizado / 315€
Añadir a Carrito - Autoestudio / 135€
Comprar Tutorizado Ahora - 315€
Comprar Autoestudio Ahora - 135€

*IVA no incluido

¿ERES EMPRESA?
¿Quieres matricular a tus empleados?

Pulsa aquí

cursos online

Descripción

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.

Objetivos

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

Publico

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.

Temario

  • ¿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
  • 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
  • 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
  • Introducción a la librería Numpy
  • Selección de datos con array Numpy
  • Arrays 2D en Numpy
  • Cálculo estadístico con NumPy
  • Resumen
  • 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
  • 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
  • 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
  • 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
  • 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
  • Generación de scripts de python y automatización de tareas
  • Uso de Python en herramienta de Business Intelligence Power BI
  • Resumen
Descargar Temario

Descripción

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.

Objetivos

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

Publico

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.

Temario

  • ¿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
  • 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
  • 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
  • Introducción a la librería Numpy
  • Selección de datos con array Numpy
  • Arrays 2D en Numpy
  • Cálculo estadístico con NumPy
  • Resumen
  • 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
  • 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
  • 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
  • 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
  • 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
  • Generación de scripts de python y automatización de tareas
  • Uso de Python en herramienta de Business Intelligence Power BI
  • Resumen
Descargar Temario

100% BONIFICABLE FUNDAE

  • Duración: 4 semanas
  • Bonificable para Empleados
  • Ejercicios prácticos
  • Título propio Digital Credential
  • Inicio Tutorizado: días 5 de cada mes
  • Inicio Autoestudio: Inmediato
Añadir a Carrito - Tutorizado / 315€
Añadir a Carrito - Autoestudio / 135€
Comprar Tutorizado Ahora - 315€
Comprar Autoestudio Ahora - 135€

*IVA no incluido

¿ERES EMPRESA?
¿Quieres matricular a tus empleados?

Pulsa aquí

cursos online
Cursos relacionados

Complementa tu formación con estos cursos

Productos relacionados

¿Para qué sirve Python en el área de Data Science?

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…