Envíanos tu consulta
Términos y condiciones *
*Si no puedes asistir en directo te facilitaremos un enlace para verlo en diferido
logoImagina
Catálogo 2024-25
Cursos¡Últimas plazas!ServiciosFUNDAETutorialesPlataforma LMS
Solicitar información
Formación
Modalidades
Próximas Convocatorias
Temario
FAQ
Solicitar información
Cursos de Data/Cursos de Big Data/Curso Data Science con Python
iconoCurso

Curso de Data Science con Python

DISPONIBLE EN MODALIDAD:
aMedidaIcon
Aula Virtual Personalizada
arrowRightDark

Aprende desde los fundamentos hasta técnicas avanzadas de análisis y modelado de datos. Aprenderás a utilizar herramientas esenciales como NumPy, Pandas, Matplotlib y Scikit-learn, y dominarás el flujo de trabajo de un proyecto de Data Science. Con enfoques prácticos y ejemplos reales, te convertirás en un experto en análisis de datos, visualización y Machine Learning, adquiriendo habilidades aplicables a diversos sectores.

iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient

Formación en Data Science con Python bonificable para empresas

A quién va dirigido nuestro curso de Data Science con Python

Desarrolladores, con experiencia en Python, que quieran profesionalizarse en la ciencia de datos y crear proyectos completos que permitan llegar hasta la toma de decisiones en las empresas a través de informes y alertas

Objetivos de nuestro curso de Data Science con Python

  • Comprender los fundamentos de Data Science y su aplicación con Python.
  • Dominar el uso de bibliotecas como NumPy, Pandas, Matplotlib y Scikit-learn para análisis de datos.
  • Aprender técnicas de manipulación, limpieza, y visualización de datos.
  • Implementar modelos de Machine Learning supervisados y no supervisados con Python.
  • Desarrollar habilidades prácticas en proyectos reales de Data Science.

Qué vas a aprender en nuestro curso de Data Science con Python

Aprende desde los fundamentos hasta técnicas avanzadas de análisis y modelado de datos. Aprenderás a utilizar herramientas esenciales como NumPy, Pandas, Matplotlib y Scikit-learn, y dominarás el flujo de trabajo de un proyecto de Data Science. Con enfoques prácticos y ejemplos reales, te convertirás en un experto en análisis de datos, visualización y Machine Learning, adquiriendo habilidades aplicables a diversos sectores.

Requisitos de nuestro curso de Data Science con Python

  • Experiencia previa desarrollando con Python (v3 o superior)
  • Son necesarios permisos de instalación en el equipo en el que se realice la formación
  • Tener instalados previamente en el equipo: Python (3 o superior), Anaconda, Git y Docker Desktop
  • Tener acceso a una cuenta activa de Google con acceso a Google Cloud Platform que puedas utilizar durante el curso para realizar los ejemplos prácticos
  • Se recomienda tener experiencia dockerizando aplicaciones Python

Temario del curso de Data Science con Python

tema 1

Introducción a Data Science con Python

  • Definición y objetivos del Data Science
  • Rol de Python en el ecosistema de Data Science
  • Revisión de bibliotecas esenciales: NumPy, Pandas, Matplotlib y Scikit-learn
  • Configuración del entorno de trabajo con Jupyter Notebooks
  • Instalación de Anaconda y configuraciones básicas
  • Exploración de casos de uso reales en Data Science
  • Buenas prácticas en proyectos de análisis de datos
  • Diferencias entre análisis descriptivo, predictivo y prescriptivo
  • Introducción al flujo de trabajo de un proyecto de Data Science
  • Ejercicio práctico: Configuración del entorno Python
iconArrowDown
tema 2

Fundamentos de Python para Data Science

  • Tipos de datos y estructuras en Python
  • Operaciones básicas con listas, diccionarios y conjuntos
  • Control de flujo: condicionales y bucles
  • Uso de funciones y módulos en Python
  • Manejo de excepciones y depuración de errores
  • Introducción a la programación orientada a objetos
  • Lectura y escritura de archivos en Python
  • Uso de expresiones regulares para limpieza de datos
  • Ejercicio práctico: Escribir un script para procesar datos
  • Buenas prácticas en codificación y estilo
iconArrowDown
tema 3

Manipulación de Datos con NumPy

  • Introducción a arrays y operaciones vectorizadas
  • Creación y manipulación de arrays multidimensionales
  • Indexación y slicing de arrays
  • Operaciones matemáticas y estadísticas en NumPy
  • Generación de datos aleatorios
  • Aplicación de álgebra lineal con NumPy
  • Ejercicio práctico: Operaciones avanzadas con arrays
  • Manipulación eficiente de grandes volúmenes de datos
  • Integración con otras bibliotecas para análisis avanzado
  • Limitaciones y optimización de rendimiento con NumPy
iconArrowDown
tema 4

Análisis de Datos con Pandas

  • Introducción a DataFrames y Series
  • Importación de datos desde archivos CSV, Excel y bases de datos
  • Limpieza y transformación de datos con Pandas
  • Manejo de valores nulos y duplicados
  • Indexación avanzada y filtrado de datos
  • Agrupación y pivotado de datos
  • Operaciones con fechas y tiempos
  • Integración de datasets y operaciones de merge
  • Ejercicio práctico: Limpieza y análisis de datos reales
  • Visualización básica de datos con Pandas
iconArrowDown
tema 5

Visualización de Datos con Matplotlib y Seaborn

  • Introducción a Matplotlib para gráficos básicos
  • Personalización de gráficos: colores, etiquetas y estilos
  • Creación de gráficos de líneas, barras y dispersión
  • Uso de Seaborn para visualización estadística
  • Creación de gráficos avanzados: mapas de calor y boxplots
  • Uso de temas y estilos para mejorar la presentación
  • Visualización de distribuciones y correlaciones
  • Exportación de gráficos para presentaciones y reportes
  • Ejercicio práctico: Crear un dashboard visual interactivo
  • Comparación de Matplotlib y Seaborn en diferentes escenarios
iconArrowDown
tema 6

Limpieza y Preparación de Datos

  • Identificación de datos inconsistentes y faltantes
  • Métodos para manejar valores nulos y atípicos
  • Estandarización y normalización de datos
  • Codificación de datos categóricos
  • Creación de nuevas características (feature engineering)
  • Manejo de datasets desequilibrados
  • Técnicas de muestreo y reducción de datos
  • Ejercicio práctico: Preparación de datos para un modelo predictivo
  • Herramientas de validación y calidad de datos
  • Automatización del proceso de limpieza
iconArrowDown
tema 7

Introducción a Estadística Descriptiva

  • Conceptos clave: media, mediana, moda y varianza
  • Medidas de dispersión: rango, desviación estándar y percentiles
  • Identificación de distribuciones de datos
  • Creación de histogramas y boxplots para análisis visual
  • Cálculo de correlación y covarianza
  • Introducción a pruebas de hipótesis
  • Identificación de datos atípicos mediante estadísticas
  • Ejercicio práctico: Análisis estadístico de un conjunto de datos
  • Herramientas Python para estadísticas descriptivas
  • Interpretación de resultados para toma de decisiones
iconArrowDown
tema 8

Introducción a Machine Learning

  • Definición y tipos de Machine Learning: supervisado y no supervisado
  • Flujo de trabajo de un proyecto de Machine Learning
  • División de datos en entrenamiento, validación y prueba
  • Uso de bibliotecas como Scikit-learn para modelos básicos
  • Métricas de evaluación de modelos
  • Introducción a modelos lineales y regresión logística
  • Ejercicio práctico: Entrenar un modelo básico con Python
  • Conceptos clave de sobreajuste y subajuste
  • Introducción al preprocesamiento de datos para modelos
  • Exploración de casos de uso reales
iconArrowDown
tema 9

Modelos de Machine Learning Supervisado

  • Introducción a algoritmos supervisados: árboles de decisión, SVM y KNN
  • Entrenamiento y evaluación de modelos supervisados
  • Uso de grid search para optimización de hiperparámetros
  • Manejo de datos desbalanceados en clasificación
  • Evaluación con curvas ROC y matrices de confusión
  • Uso de Random Forest y Gradient Boosting
  • Ejercicio práctico: Clasificación con múltiples modelos
  • Identificación y mitigación de sesgos en modelos
  • Interpretación de resultados de modelos supervisados
  • Casos prácticos de clasificación y regresión
iconArrowDown
tema 10

Modelos de Machine Learning No Supervisado

  • Introducción a clustering y reducción de dimensionalidad
  • Algoritmos de clustering: K-means, DBSCAN, Hierarchical
  • Evaluación de la calidad del clustering
  • Uso de PCA para reducción de dimensionalidad
  • Detección de anomalías con algoritmos no supervisados
  • Ejercicio práctico: Clustering en datos reales
  • Visualización de resultados de clustering y PCA
  • Casos de uso comunes: segmentación y detección de fraude
  • Comparación de algoritmos no supervisados
  • Limitaciones y desafíos en modelos no supervisados
iconArrowDown
tema 11

Procesamiento de Texto con Python

  • Introducción al procesamiento de lenguaje natural (NLP)
  • Tokenización y eliminación de stopwords
  • Análisis de frecuencia de palabras
  • Conversión de texto a vectores: TF-IDF y Bag of Words
  • Introducción a modelos de embeddings de palabras
  • Análisis de sentimiento y clasificación de texto
  • Uso de NLTK y spaCy para procesamiento avanzado
  • Ejercicio práctico: Análisis de tweets con Python
  • Creación de pipelines para procesamiento de texto
  • Aplicaciones reales de NLP en negocios
iconArrowDown
tema 12

Introducción a Deep Learning con TensorFlow

  • Conceptos básicos de redes neuronales
  • Arquitectura de redes neuronales profundas
  • Introducción a TensorFlow y Keras
  • Creación de modelos básicos con Keras
  • Entrenamiento y validación de redes neuronales
  • Regularización para evitar sobreajuste
  • Ejercicio práctico: Creación de un modelo básico de clasificación
  • Uso de GPUs para acelerar el entrenamiento
  • Comparación de frameworks de Deep Learning
  • Exploración de casos de uso de Deep Learning
iconArrowDown
tema 13

Proyectos Finales y Aplicaciones Reales

  • Definición de objetivos para proyectos aplicados
  • Selección de datasets adecuados para los proyectos
  • Integración de herramientas aprendidas en un proyecto completo
  • Desarrollo y optimización de modelos avanzados
  • Presentación de resultados y storytelling con datos
  • Evaluación y retroalimentación del proyecto final
  • Aplicación de conocimientos a casos reales
  • Herramientas para la mejora continua en Data Science
  • Ejercicio final: Proyecto completo de análisis predictivo
iconArrowDown

Preguntas Frecuentes de Data Science con Python

Beneficios del curso Data Science con Python

accordionIcon
El curso ofrece una formación completa en análisis de datos y aprendizaje automático utilizando Python, lo que te permitirá tomar decisiones basadas en datos de manera más efectiva. Además, aprenderás a utilizar bibliotecas y herramientas esenciales que son altamente demandadas en el mercado laboral.

¿El curso Data Science con Python es 100% bonificable por FUNDAE?

accordionIcon
Sí, el curso es 100% bonificable a través de FUNDAE, lo que significa que puedes recuperar el coste del curso mediante las bonificaciones disponibles para formación profesional en tu empresa.

¿Cómo se imparten las clases en el curso Data Science con Python?

accordionIcon
Las clases se imparten de manera online en directo, permitiendo una interacción en tiempo real con el instructor y los demás participantes. También tendrás acceso a material adicional y sesiones grabadas para repasar cuando lo necesites.

Habilidades a desarrollar en el curso Data Science con Python

accordionIcon
Desarrollarás habilidades críticas como la manipulación y análisis de grandes volúmenes de datos, creación de modelos predictivos, visualización de datos y manejo de bibliotecas de Python como Pandas, NumPy, y Scikit-learn.

¿Cómo me inscribo en el curso Data Science con Python?

accordionIcon
Para inscribirte, deberás completar un formulario de inscripción y enviarlo junto con la documentación requerida. Una vez procesada tu solicitud, recibirás una confirmación con los detalles de acceso al curso.