Envíanos tu consulta

Buscar cursos

Catálogo 2024-25

Cursos ¡Últimas plazas!Servicios FUNDAE Tutoriales Plataforma LMS

Solicitar información

Buscar cursos

Solicitar información

Formación

Modalidades

Próximas Convocatorias

Temario

FAQ

Solicitar información

Cursos de Data/Cursos de Big Data/Curso Análisis Exploratorio de Datos

Curso de Análisis Exploratorio de Datos

DISPONIBLE EN MODALIDAD:

Aula Virtual Personalizada

Curso práctico de Exploratory Data Analysis (EDA) donde aprenderás a limpiar, analizar y visualizar datos utilizando herramientas como Python y R.

En este curso te sumergirás en el análisis exploratorio de datos (EDA), una fase crucial en cualquier proyecto de ciencia de datos. Aprenderás a limpiar, transformar y visualizar grandes volúmenes de datos, aplicando técnicas estadísticas descriptivas, identificación de outliers y análisis multivariado. Usarás herramientas populares como Python y R, explorando sus capacidades de visualización y manipulación de datos. El curso concluye con un proyecto donde aplicarás todo lo aprendido a un dataset real.

Formación en Análisis Exploratorio de Datos bonificable para empresas

A quién va dirigido nuestro curso de Análisis Exploratorio de Datos

Científicos de datos, analistas y profesionales interesados en mejorar sus habilidades en el análisis exploratorio de datos.

Objetivos de nuestro curso de Análisis Exploratorio de Datos

Realizar análisis exploratorios utilizando Python y R.
Aplicar técnicas avanzadas de limpieza y transformación de datos.
Visualizar datos univariados y multivariados para obtener insights.
Implementar análisis estadístico descriptivo y correlacional.
Completar un proyecto de análisis de datos de principio a fin.

Qué vas a aprender en nuestro curso de Análisis Exploratorio de Datos

Requisitos de nuestro curso de Análisis Exploratorio de Datos

Tener experiencia con los fundamentos de Python R y la estadística
Instalaciones previas: Python (v3 o superior), Anaconda, R y RStudio (última versión estable)
Tener un equipo con acceso a un usuario con permisos de instalación, conexión estable a Internet, mínimo 8GB de RAM y mínimo 20GB de memoria en disco libres.

Temario del curso de Análisis Exploratorio de Datos

tema 1

Introducción a la Exploratory Data Analysis (EDA)

Concepto de Exploratory Data Analysis (EDA)
Importancia del EDA en la ciencia de datos
Diferencias entre EDA y análisis estadístico descriptivo
Aplicaciones comunes del EDA en proyectos de ciencia de datos
Principales herramientas y librerías utilizadas para EDA
Relación entre EDA y la preparación de datos
Etapas del EDA: desde la comprensión de los datos hasta la visualización
Casos de uso de EDA en la industria
Limitaciones del EDA
Ejemplos prácticos de EDA en datasets reales

tema 2

Conociendo los Datos: Carga y Preprocesamiento

Importancia de conocer los datos antes de analizarlos
Carga de datos desde archivos CSV, Excel, SQL, etc.
Uso de librerías como Pandas para la manipulación de datos
Identificación de tipos de variables: categóricas y numéricas
Gestión de valores faltantes (NaN) en los datos
Detección de duplicados en el dataset
Ejemplo práctico: Preprocesamiento de un dataset financiero
Normalización y estandarización de los datos
Conversión de tipos de datos y manejo de fechas
Mejores prácticas para la limpieza de datos

tema 3

Análisis Estadístico Descriptivo

Conceptos básicos del análisis estadístico descriptivo
Medidas de tendencia central: media, mediana y moda
Medidas de dispersión: desviación estándar, varianza y rango
Identificación de outliers en los datos
Análisis de correlaciones entre variables numéricas
Ejemplo práctico: Análisis estadístico de un dataset de ventas
Uso de Pandas y NumPy para cálculos estadísticos
Creación de resúmenes estadísticos para variables numéricas
Interpretación de estadísticas descriptivas
Aplicación del análisis descriptivo en la toma de decisiones

tema 4

Visualización de Datos: Introducción y Herramientas

Importancia de la visualización en el EDA
Introducción a las principales herramientas de visualización: Matplotlib y Seaborn
Diferencia entre visualizaciones univariadas y multivariadas
Gráficos básicos: histogramas, gráficos de barras y boxplots
Ejemplo práctico: Creación de gráficos con Matplotlib
Mejores prácticas para visualizar datos correctamente
Selección de visualizaciones adecuadas para diferentes tipos de datos
Uso de Palettes y temas en Seaborn para gráficos personalizados
Exportación de gráficos a formatos como PNG y PDF
Casos de uso de visualizaciones en la industria

tema 5

Visualización de Datos Univariada

Concepto de visualización univariada
Creación de histogramas para analizar distribuciones
Boxplots para identificar outliers y dispersión
Gráficos de densidad para visualizar la probabilidad de ocurrencia
Ejemplo práctico: Visualización univariada de un dataset de salud
Análisis de datos categóricos con gráficos de barras
Uso de gráficos de violín para comparar distribuciones
Interpretación de gráficos univariados en el contexto del análisis
Comparación de diferentes métodos de visualización univariada
Limitaciones y desafíos en la visualización univariada

tema 6

Visualización de Datos Multivariada

Concepto de visualización multivariada
Uso de scatter plots para observar relaciones entre dos variables
Pair plots para analizar múltiples variables de manera simultánea
Heatmaps para visualizar matrices de correlación
Ejemplo práctico: Visualización multivariada en un dataset de clima
Uso de gráficos de burbuja para agregar una tercera dimensión a los datos
Interpretación de relaciones entre variables numéricas y categóricas
Casos de uso de visualizaciones multivariadas en la ciencia de datos
Análisis de interacción entre múltiples variables
Limitaciones y posibles errores en la interpretación de gráficos multivariados

tema 7

Análisis de Correlaciones y Relaciones entre Variables

Concepto de correlación en el análisis de datos
Matrices de correlación y su interpretación
Uso de Seaborn para crear heatmaps de correlación
Identificación de relaciones lineales y no lineales
Ejemplo práctico: Análisis de correlación en un dataset de precios de casas
Importancia de entender las relaciones entre variables antes de modelar
Uso de gráficos de dispersión para observar correlaciones
Limitaciones del análisis de correlación
Detección de correlaciones espurias y su impacto en el análisis
Estrategias para interpretar correctamente las correlaciones

tema 8

Análisis de Outliers y Valores Anómalos

Concepto de outliers y su impacto en el análisis de datos
Métodos para detectar outliers: Z-Score y IQR (Interquartile Range)
Visualización de outliers con boxplots y scatter plots
Ejemplo práctico: Detección de outliers en un dataset de ingresos
Impacto de los outliers en modelos predictivos
Estrategias para manejar outliers en datasets
Uso de técnicas de escalado para reducir el impacto de outliers
Decisiones sobre la eliminación o retención de outliers
Casos de uso de detección de outliers en la industria
Mejores prácticas para gestionar valores anómalos

tema 9

Análisis de Series Temporales

Introducción al análisis de series temporales
Diferencia entre datos estáticos y series temporales
Ejemplo práctico: Análisis de una serie temporal de ventas
Identificación de patrones: estacionalidad y tendencia
Uso de gráficos de líneas para visualizar series temporales
Descomposición de series temporales en componentes
Aplicación de técnicas de suavizado para series temporales
Uso de Pandas para manipular y visualizar series temporales
Detección de anomalías en series temporales
Casos de uso de series temporales en predicciones financieras y de demanda

tema 10

Transformaciones de Datos

Importancia de transformar datos en el EDA
Métodos comunes de transformación: logaritmos, raíz cuadrada y Box-Cox
Ejemplo práctico: Transformación de datos sesgados
Normalización y estandarización de variables
Uso de transformaciones para mejorar la interpretación de gráficos
Efectos de las transformaciones en la distribución de datos
Estrategias para seleccionar la mejor transformación
Casos de uso de transformaciones en modelos de machine learning
Impacto de las transformaciones en la calidad del análisis
Mejores prácticas para aplicar transformaciones de datos

tema 11

Análisis de Componentes Principales (PCA)

Introducción al análisis de componentes principales (PCA)
Concepto de reducción de dimensionalidad en datasets grandes
Ejemplo práctico: Implementación de PCA en un dataset de marketing
Uso de PCA para identificar patrones en datos multivariados
Visualización de los componentes principales
Evaluación de la varianza explicada por los componentes principales
Casos de uso de PCA en la ciencia de datos
Impacto de PCA en la simplificación de modelos
Limitaciones y desafíos del PCA en análisis exploratorio
Estrategias para interpretar los resultados del PCA

tema 12

Feature Engineering en el EDA

Concepto de Feature Engineering y su relevancia en el análisis de datos
Creación de nuevas variables a partir de datos existentes
Ejemplo práctico: Feature Engineering en un dataset de clientes
Selección de características relevantes para modelos predictivos
Uso de técnicas de binning y polinomial para mejorar predicciones
Identificación de relaciones no lineales mediante nuevas características
Mejores prácticas para Feature Engineering en proyectos de ciencia de datos
Impacto del Feature Engineering en la precisión de los modelos
Casos de éxito en la industria con Feature Engineering
Estrategias para automatizar el Feature Engineering en grandes datasets

tema 13

Análisis Exploratorio de Texto

Introducción al análisis exploratorio de datos no estructurados
Técnicas de procesamiento de lenguaje natural (NLP) para análisis de texto
Ejemplo práctico: Exploración de un dataset de comentarios de clientes
Uso de WordClouds para la visualización de texto
Análisis de frecuencia de palabras y n-grams
Limpieza de datos de texto: tokenización, stopwords y lematización
Identificación de sentimientos en datos textuales
Casos de uso de análisis de texto en marketing y servicio al cliente
Limitaciones del análisis de texto no estructurado
Mejores prácticas para la visualización y análisis de texto

tema 14

Herramientas Avanzadas para EDA: Python y R

Comparación entre Python y R para análisis exploratorio
Introducción a librerías avanzadas de EDA en Python: Pandas, Matplotlib, Seaborn
Ejemplo práctico: EDA con Python en un dataset de ventas
Uso de R para análisis estadístico y visualización de datos
Ejemplo práctico: EDA con R en un dataset de encuestas
Comparación de las capacidades de visualización de Python y R
Estrategias para seleccionar la mejor herramienta para EDA
Integración de Python y R en el mismo análisis
Casos de éxito en la industria usando Python y R
Limitaciones y ventajas de cada lenguaje en proyectos de EDA

tema 15

Proyecto Final: Análisis Exploratorio Completo

Selección de un dataset complejo para el análisis
Ejecución de una limpieza de datos avanzada
Creación de visualizaciones univariadas y multivariadas
Análisis estadístico descriptivo y correlacional del dataset
Detección y manejo de outliers y valores faltantes
Aplicación de transformaciones de datos y PCA
Feature Engineering y creación de nuevas variables
Implementación de visualizaciones avanzadas con Python y R
Presentación de hallazgos y conclusiones del análisis
Evaluación y entrega del proyecto final