Sesión 1: FUNDAMENTOS Y APLICACIONES CON PYTHON

• Python y su importancia en el mundo

• Variables y operadores en Python

• Entendiendo los tipos de datos básicos: Enteros, flotantes, string

• Operaciones básicas de aritméticas y de texto

• Caso 1: Operaciones aritméticas

• Caso 2: Operaciones con strings

• Taller 1: Crea una calculadora con Python

Sesión 2: TIPOS Y ESTRUCTURA DE DATOS CON PYTHON

• Listas: Append, insert, POP, remove, clear

• Tuplas, diccionarios, conjuntos

• Textos, índices & slicing, lectura por teclado y variables

• Funciones: Index, count, len, extend, reverse, sort, entre otros

• Caso 1: Operaciones con tuplas

• Caso 2: Operaciones con diccionarios

• Taller 2: Realiza operaciones con estructuras de datos

Sesión 3: ESTRUCTURAS SELECTIVAS Y FUNCIONES

• Estructuras condicionales: (If, else)

• Estructuras repetitivas (for, while) y el uso de break y continue

• Creación y sintaxis de funciones

• Variables locales y globales

• Caso 1: Condicionales anidadas

• Caso 2: Funciones de bucles y condicionales

• Taller 3: Aplicación de estructuras selectivas para la toma de decisiones lógicas

Sesión 4: MANIPULACIÓN DE DATOS CON PANDAS

• Funciones lambda, documentación y organización del código en módulos

• Uso de librería pandas, series y dataframes

• Lectura de Datasets: txt, csv, xlsx

• Creación de campos y uso de sentencias: group by, delete, drop

• Combinación y cruce de Datasets

• Caso 1: Análisis estadístico de datos con pandas

• Caso 2: Manipulación de datos en un dataset

• Taller 4: Exploración de datos de un caso de negocio con pandas

Sesión 5: ANÁLISIS Y VISUALIZACIÓN DE DATOS CON MATPLOLIB

• Librerías de Data Viz: Matplotlib

• Creación y personalización de gráficos con Matplotlib

• Qué gráfico usar según tu necesidad; Comparación, relación, distribución y composición

• Buenas prácticas en la visualización de datos

• Caso 1: Análisis visual de datos con Matplotlib

• Caso 2: Creación de distintos tipos de gráficos

• Taller 5: Análisis exploratorio de datos con Matplotlib

Sesión 6: VISUALIZACIÓN AVANZADA DE DATOS CON SEABORN

• Seaborn y su optimización sobre Matplotlib

• Creación y manipulación de gráficos con Seaborn

• Gráficos univariados, bivariados y multivariados

• Caso 1: Análisis estadístico de datos con Seaborn

• Caso 2: Creación de distintos tipos de gráficos

• Taller 6: Análisis avanzado de datos con Seaborn

Presentación y exposición del PROYECTO INTEGRADOR

Sesión 1: TECNOLOGÍA PARA CIENCIA DE DATOS

• Tecnología para toma de decisiones: Business intelligence, analytics, machine learning e IA

• Ramas de la estadística, tipos de variables, medidas de posición y dispersión

• Ciclo de vida de modelos analíticos

• Metodología analítica: SEMMA - CRIPS DM

• Importación de bases de datos: JSON, Excel, SPSS, CSV en Python

• Caso 1: Analizando medidas de dispersión en datos empresariales

• Caso 2: Aplicación de metodología CRIPS DM en empresas

• Taller 1: Gestión de bases de datos en Python

Sesión 2: ESTADÍSTICA PARA CIENCIA DE DATOS CON PYTHON

• Estadística y análisis exploratorio de datos

• Probabilidad y estadística en ciencia de datos

• Métodos de balanceo de datos

• Técnicas de selección y análisis de variables

• Principales algoritmos de clasificación y regresión

• Caso 1: Integrando proceso de análisis exploratorio de datos

• Caso 2: Aplicando modelos estadísticos en data empresarial

• Taller 2: Elaborando un diagnóstico de datos en un caso de negocio

Sesión 3: MANIPULACIÓN Y ANÁLISIS DE DATOS

• Análisis exploratorio de datos estructurados

• Tratamiento de datos para tipos de variables

• Métodos y técnicas de inferencia estadística

• Detección de valores atípicos

• Modelos de regresión: Lineal y no lineal

• Caso 1: Identificando características de datos estructurados

• Caso 2: Identificando relaciones aplicando modelos de regresión

• Taller 3: Aplicación de análisis exploratorio en un caso de negocio

Sesión 4: MACHINE LEARNING: MODELO SUPERVISADO

• Modelos de regresión: Paramétrico y no paramétrico

• Regresión lineal: Modelos y aplicaciones

• Modelo de árboles de clasificación

• Métricas para evaluación de modelos supervisados

• Caso 1: Descubriendo patrones y tendencias en bases de datos

• Caso 2: Aplicando modelo de regresión lineal múltiple

• Taller 4: Identificando relaciones críticas en tu modelo de datos

Sesión 5: MACHINE LEARNING: MODELO NO SUPERVISADO

• Introducción a modelos no supervisados

• Modelos de Clustering

• Selección de variables: features, selection

• Método de reducción de dimensión (PCA)

• RFM: Análisis para segmentación de usuarios

• Caso 1: Elaboración de subconjuntos mediante clustering

• Caso 2: Cómo identificar a mis usuarios potenciales

• Taller 5: Identificando relaciones entre datos estructurados

Sesión 6: ANÁLISIS PRESCRIPTIVO Y TOMA DE DECISIONES

• Evaluación de modelos analíticos

• Implementación de modelos analíticos

• Búsqueda de recomendaciones óptimas para la toma de decisiones

• Diferencias entre storytelling y "mostrar resultados"

• Caso 1: Ventajas competitivas generadas por el análisis prescriptivo

• Caso 2: Aplicación de técnicas y recomendaciones de storytelling

• Taller 6: Diseño de una presentación de un caso real de negocio

Presentación y exposición del PROYECTO INTEGRADOR