Curso online de Data Science con Python. De Cero a Experto

Gracias a este Curso online de Data Science con Python aprenderás por completo los fundamentos del Data Science, su base estadística y cómo llevarlo a la práctica con Python. Dominarás desde cero este lenguaje, así como todas sus potentes librerías como Numpy, Pandas, Matplotlib o Seaborn enfocadas al análisis de datos.

El objetivo de este Curso online de Data Science con Python. De Cero a Experto es iniciar el camino para convertirte en científico de datos y dominar el área del Data Science.

Aprenderás a ejecutar proyectos completos de Data Science, siendo capaz de importar fuentes de datos heterogéneas, realizar la limpieza y transformación de datos, analizar y visualizar estadísticamente la información y obtener conclusiones que provoquen alto impacto en tu entorno.

Vivimos en un mundo dominado por los datos. Por ello, adquirir estas habilidades te permitirá acceder a puestos de trabajo de alto valor añadido, debido a la gran demanda de perfiles de Data Science.

Cuánto gana un Data Scientist en España

En portales de empleo como Indeed, el salario medio anual de un data scientist se estima en torno a los 45.000€ y, según estudios como MarketWatch, en los próximos años el negocio del Data Science se incrementará un 30% anual. Por tanto, formarte en la especialidad de ciencia de datos es una excelente oportunidad para asegurarte un futuro profesional estable.

Este Curso online de Data Science con Python tiene un enfoque eminentemente práctico, en el que se explica paso a paso y en detalle cada nueva funcionalidad y se incluyen múltiples ejercicios y casos prácticos reales para poner a prueba las destrezas adquiridas.

Curso completo de Data Science con Python

Al finalizar tu formación, dominarás el lenguaje de propósito general Python desde cero, comprenderás y profundizarás en el flujo completo de un proyecto de Data Science para convertirte en científico de datos y aprenderás todos los conceptos de estadística necesarios para poder analizar los datos que te rodean.

Igualmente, serás capaz de utilizar librerías como Numpy o Pandas para la importación desde fuentes heterogéneas (CSV, Excel, texto plano, SQL, Web, redes sociales, cloud, etc.) y realizar la limpieza y transformación de datos.

Aprenderás a crear potentes visualizaciones con las librerías Matplotlib y Seaborn para el análisis de la información, a analizar series temporales y realizar previsiones y a automatizar tus tareas cotidianas con Python.

¿A quién va dirigido este curso?

Este Curso online de Data Science con Python va dirigido a todas aquellas personas que quieran potenciar su perfil profesional adquiriendo habilidades de análisis de datos de gran futuro y demanda laboral.

También a estudiantes que quieran aprender desde cero y de un modo práctico una disciplina muy demandada, personas que quieran asombrar a su audiencia con un enfoque analítico y generar conclusiones que marcan la diferencia, analistas que quieran profundizar en Python y sus librerías enfocadas en Data Science y profesionales que quieran automatizar sus tareas diarias con Python.

Quizá también te puede interesar el Curso online de Introducción a la Programación en Python.

≡ Temario del Curso online de Data Science con Python

TEMA 1: Introducción al Análisis de Datos con Python

1. ¿Qué es Python y qué nos proporciona para el análisis de datos?
2. Instalación Python + Jupyter
3. Importar librerías y fuentes de datos
4. Visualización básica con Matplotlib
5. Flujograma de un proyecto Data Science

TEMA 2: Fundamentos del lenguaje Python

1. Variables en Python
2. Creación de listas y extracción de datos
3. Conceptos avanzados de creación de listas
4. Uso de funciones en Python (in-built)
5. Creación de funciones en Python y argumentos flexibles
6. Funciones lambda
7. Métodos en Python
8. Cómo crear diccionarios en Python
9. Uso de función zip para creación de diccionarios en base a listas
10. Operadores en Python
11. Bucles en Python
12. Comprensión de listas en Python

TEMA 3: Conceptos de Estadística para el Análisis de Datos

1. Variables y Conceptos básicos
2. Varianza de una variable
3. Correlación de variables
4. Histogramas
5. Análisis con percentiles (CDF)
6. Funciones densidad de probabilidad
7. Distribución Gaussiana
8. Cálculo de previsiones (forecast) y media móvil

TEMA 4: Calculo numérico con Numpy

1. Introducción a la librería Numpy
2. Selección de datos con array Numpy
3. Arrays 2D en Numpy
4. Cálculo estadístico con NumPy
5. Generación de datos con Numpy

TEMA 5: Análisis de datos con Pandas

1. Introducción a la librería Pandas ¿qué es un dataframe?
2. Creación de un dataframe a partir de un diccionario
3. Cómo importar datos desde un fichero de texto plano (txt, csv…)
4. Selección de datos en un dataframe Pandas
5. Métodos útiles de un dataframe Pandas
6. Eliminar duplicados, valores erróneos y columnas de un dataframe Pandas
7. Interpolación de datos
8. Filtrar datos en un dataframe Pandas
9. Ordenación valores en un dataframe Pandas
10. Crear columnas en un dataframe para cadenas de texto
11. Crear columnas en un dataframe a partir de un diccionario con map
12. Crear columnas en un dataframe a partir de funciones lambda
13. Crear columnas en un dataframe a partir de funciones condicionales
14. Renombrar y reordenar columnas de un dataframe Pandas
15. Cómo crear pivot tables en Pandas
16. Uso de groupby en Pandas
17. Concatenación de dataframes (union)
18. Combinación de dataframes
19. Combinación con Pandas Merge

TEMA 6: Importación y exportación con Pandas

1. Cómo importar datos desde un fichero Excel
2. Introducción a las BBDD relacionales / Modelos de datos
3. Cómo importar datos desde una BBDD SQL
4. Cómo importar datos desde una página web
5. Cómo importar datos desde una página web (Web scraping)
6. Cómo importar datos desde un fichero semi-estructurado JSON
7. ¿Cómo importar datos en formato JSON en Python?
8. Cómo importar datos desde Redes Sociales
9. Cómo importar datos desde Cloud (AWS / Azure / Google Cloud)
10. Exportación de datos a csv y Excel
11. Exportación de datos a BBDD SQL

TEMA 7: Visualización de datos en Python – Matplotlib

1. Consejos para la visualización de datos
   1. ¿Qué tipo de gráfico aplica a cada caso?
2. Introducción a la librería Matplotlib
3. Creación de un gráfico de línea, bar, scatter
4. Personalización de gráficos (título, etiquetas, ticks, leyenda, límites de ejes, anotaciones…)
5. Creación de box & whiskers plot
   1. Gráfico Box & Whiskers con Matplotlib
6. Creación de un histograma y CDF
   1. Creación CDF a partir del histograma
7. Gráfico de media móvil
8. Visualización de gráficos múltiples (subplots)
9. Aplicación de estilos
10. Creación de gráficos a partir de objeto groupby
11. Creación de histogramas en 2D
12. Creación de mapas geográficos con basemap y Google maps
    1. Mapas geográficos con basemap
    2. Mapas geográficos con Google Maps

TEMA 8: Visualización de datos en Python – Seaborn

1. Introducción a la librería Seaborn
2. Seaborn – Creación de Regresión Lineal
   1. Regresión lineal con Seaborn
3. Seaborn – Stripplot
4. Seaborn – Swarmplot
5. Seaborn – Violinplot
6. Seaborn – Uso de jointplot
   1. Jointplot en modo KDE
7. Seaborn – Uso de pairplot
8. Seaborn – Correlación con heatmap

TEMA 9: Series temporales en Python

1. Series temporales en Pandas: Extracción y parsing
2. Series temporales: Filtrado
3. Series temporales: Remuestreo – Diezmado (downsampling)
   1. Cómo remuestrear con Pandas
4. Series temporales: Remuestreo – Interpolación (upsampling)
5. Visualización de series temporales
6. Previsiones basadas en datos históricos
   1. Visualización tendencia y estacionalidad
   2. Métodos de previsión

TEMA 10: Ejecución e interconexión de Python con otras plataformas

1. Generación de scripts de Python y automatización de tareas
2. Uso de Python en herramienta de Business Intelligence Power BI
   1. ¿Cómo importamos una fuente de datos ya transformada a partir de un script de Python?
   2. ¿Cómo podemos usar Python dentro de Power Query para transformar nuestros datos?
   3. ¿Cómo podemos crear un visual personalizado con Matplotlib o Seaborn dentro de PowerBI?