Envíanos tu consulta
Términos y condiciones *
logoImagina
iconoCurso

Curso de Análisis y visualización de datos con Python

DISPONIBLE EN MODALIDAD:
Empieza en el mundo de la ciencia de datos a través del análisis de datos y la creación de visualizaciones con Python para la toma de decisiones a nivel profesional
iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient
Aprende Análisis y visualización de datos con Python: Curso completo
¿A quién va dirigido?
Desarrolladores, con experiencia en Python, que quieran empezar en el mundo de la ciencia de datos a través del análisis de datos y la creación de visualizaciones para la toma de decisiones a nivel profesional
Objetivos
  • Aprender los fundamentos del análisis de datos
  • Aprender a utilizar las distintas soluciones que brindan las librerías de Python para el análisis y visualización de datos
  • Aprender a encontrar relaciones entre distintos orígenes de datos (Excel, csv, bases de datos, etc.)
  • Aprender a tratar los datos de manera profesionar y crear informes visuales que permitan sacar conclusiones
¿Qué vas a aprender?

Empieza en el mundo de la ciencia de datos a través del análisis de datos y la creación de visualizaciones con Python para la toma de decisiones a nivel profesional

Requisitos
  • Tener experiencia desarrollando con Python, bases de datos y tener conocimientos fundamentales de ciencia de datos
  • Son necesarios permisos de instalación en el equipo en el que se realice la formación
  • Tener acceso (revisar configuraciones proxy en caso de tenerlas) a una cuenta Community de Azure Databricks
  • Disponer de una cuenta de Google con acceso a Google Colab donde poder realizar pruebas de modelos
  • Tener Python 3, Git, Docker Desktop y un IDE para desarrollar en Python instalado previamente (por ejemplo Pycharm) instalados previamente en el equipo
Temario del curso
tema 1Introducción al análisis de datos con Python
  • ¿Qué es el análisis de datos?
  • Importancia y aplicaciones del análisis de datos
  • Tareas en el análisis de datos
  • Tipos de datos: numéricos, categóricos, texto, fechas, etc.
  • Instalación de Python y configuración del entorno de trabajo
  • Configuración del IDE y plugins de interés
  • Creación de proyecto y primeros pasos
tema 2Preparación de datos
  • Obtención y carga de datos desde diferentes fuentes (CSV, Excel, API, bases de datos, etc.)
  • Limpieza y transformación de datos
  • Manejo de valores faltantes y nulos
  • Eliminación de duplicados
  • Corrección de errores y valores atípicos
  • Normalización y estandarización de datos
  • Manipulación y filtrado de datos
  • Selección de columnas relevantes
  • Filtrado de filas según condiciones
  • Ordenamiento de datos
  • Aplicación de funciones y transformaciones a los datos
tema 3Análisis exploratorio de datos
  • Estadísticas descriptivas
  • Medidas de tendencia central (media, mediana, moda)
  • Medidas de dispersión (varianza, desviación estándar)
  • Resumen estadístico (mínimo, máximo, percentiles)
  • Análisis univariable y multivariable
  • Histogramas y gráficos de distribución
  • Boxplots y diagramas de caja y bigotes
  • Matrices de correlación
  • Análisis de frecuencia y tablas de contingencia
  • Visualización de datos
  • Gráficos de barras y columnas
  • Gráficos de líneas y áreas
  • Gráficos de dispersión y correlación
  • Gráficos de torta y donut
  • Heatmaps y mapas de calor
tema 4Procesamiento y transformación de datos
  • Agrupación y segmentación de datos
  • Agrupación por categorías o rangos
  • Segmentación temporal
  • Reducción de dimensionalidad
  • Análisis de componentes principales (PCA)
  • Análisis discriminante lineal (LDA)
  • Normalización y estandarización de datos
  • Escalamiento de variables
  • Normalización min-max
  • Discretización y binning de datos
  • Conversión de variables continuas a categóricas
  • Creación de intervalos o rangos de valores
  • Extracción de características y selección de variables
  • Selección de características relevantes
  • Extracción de características mediante técnicas como PCA o LDA
tema 5Análisis de datos temporales y series de tiempo
  • Manipulación y transformación de fechas y horarios
  • Análisis de estacionalidad y tendencias en series de tiempo
  • Métodos de suavizado y pronóstico
  • Análisis de componentes de series de tiempo
  • Descomposición y detección de anomalías
tema 6Modelado y predicción
  • Selección de modelos adecuados al tipo de problema
  • Entrenamiento y evaluación de modelos
  • Separación de conjuntos de entrenamiento y prueba
  • Métricas de evaluación (precisión, recall, F1-score, etc.)
  • Validación cruzada y ajuste de hiperparámetros
  • Grid Search y Random Search
  • Validación cruzada k-fold
  • Algoritmos de aprendizaje supervisado (regresión lineal, regresión logística, árboles de decisión, SVM, etc.)
  • Algoritmos de aprendizaje no supervisado (agrupamiento, detección de anomalías, reducción de dimensionalidad)
  • Algoritmos de aprendizaje profundo (redes neuronales, CNN, RNN, etc.)
  • Interpretación y análisis de los resultados del modelo
tema 7Visualización avanzada de datos
  • Visualización interactiva con librerías como Plotly, Bokeh y Seaborn
  • Gráficos geoespaciales y mapas
  • Visualización de redes y grafos
  • Dashboards y paneles de control
tema 8Análisis y visualización de datos en la nube
  • Introducción a soluciones en la nube para análisis de datos (Google Cloud Platform, Microsoft Azure, Amazon Web Services)
  • Uso de DataBricks para análisis y procesamiento de datos a gran escala
  • Trabajando con Google Colab
  • Despliegue de aplicaciones Python en la nube utilizando servicios como Flask, Heroku, AWS Lambda, etc.
  • Integración de bases de datos en la nube (Firebase, MongoDB Atlas, PostgreSQL en la nube)
tema 9Administración de proyectos de análisis de datos
  • Organización y estructura de proyectos de análisis de datos
  • Uso de control de versiones con Git y GitHub
  • Creación y mantenimiento de entornos virtuales con virtualenv o conda
  • Documentación de proyectos y buenas prácticas de programación
  • Colaboración y trabajo en equipo en proyectos de análisis de datos
tema 10Creación de soluciones mantenibles, extensibles y seguras
  • Diseño de arquitecturas escalables para proyectos de análisis de datos
  • Modularidad y reutilización de código
  • Automatización de tareas y procesos
  • Gestión de dependencias y actualización de librerías
  • Pruebas unitarias y de integración en proyectos de análisis de datos
tema 11Seguridad y privacidad en el análisis de datos
  • Protección de datos sensibles y cumplimiento de regulaciones
  • Anonimización y pseudonimización de datos
  • Seguridad en la transferencia y almacenamiento de datos
  • Identificación y mitigación de riesgos de seguridad en proyectos de análisis de datos
  • Protección contra ataques y amenazas comunes
tema 12Visualización avanzada de resultados
  • Creación de gráficos interactivos con Dash y Bokeh
  • Creación de informes y presentaciones con Jupyter Notebook y R Markdown
  • Integración de visualizaciones en aplicaciones web y dashboards interactivos
  • Visualización de resultados en entornos de realidad virtual y aumentada
  • Mejores prácticas de diseño y comunicación visual en la presentación de resultados
tema 13Ética en el análisis y visualización de datos
  • Consideraciones éticas en la recopilación y uso de datos
  • Sesgos y equidad en el análisis de datos
  • Responsabilidad y transparencia en la toma de decisiones basadas en datos
  • Cumplimiento de regulaciones y políticas de privacidad
  • Impacto social y ético del análisis de datos
tema 14Resolución de problemas y solución de errores en el análisis de datos
  • Identificación y depuración de errores en el análisis de datos
  • Uso de herramientas de depuración y visualización de datos
  • - Estrategias de resolución de problemas en el análisis de datos
  • Investigación y búsqueda de soluciones a problemas específicos
  • Manejo de errores comunes en la manipulación y análisis de datos
  • Optimización del rendimiento y eficiencia en el análisis de datos
  • Gestión de excepciones y manejo de errores durante la ejecución del código
tema 15Aplicaciones prácticas del análisis y visualización de datos
  • Análisis de datos financieros y económicos
  • Análisis de datos de marketing y comportamiento del consumidor
  • Análisis de datos en el sector de la salud y medicina
  • Análisis de datos en el ámbito de la energía y medio ambiente
  • Análisis de datos en redes sociales y análisis de sentimientos
tema 16Proyecto final: Desarrollo de un sistema de análisis y visualización de datos
  • Definición de requisitos y alcance del proyecto
  • Diseño de la arquitectura del sistema
  • Implementación del sistema utilizando las técnicas y herramientas aprendidas
  • Pruebas y validación del sistema
  • Documentación y presentación del proyecto

Formación Bonificada para Empresas a través de FUNDAE

Somos entidad organizadora de FUNDAE, todas nuestras formaciones se pueden bonificar hasta el 100%, sujeto a vuestro crédito disponible y a cumplir con todos los requisitos de realización establecidos por la Fundación Estatal para el Empleo.

 

Si desconoces el funcionamiento de las bonificaciones, ofrecemos el servicio de gestión en FUNDAE, consúltanos cualquier duda que te surja.

Descargar Guía FUNDAE
imagenFundae
iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient