Análisis de Datos con Python

Introducción al análisis de datos

• La era de los datos, evolución del valor de los datos. Tipos de análisis de datos. ¿Que es Data Science? Aplicaciones y conceptos principales. Casos de uso en el Sector Privado/Público. Fases de un proyecto analítico, Herramientas y tecnologías más utilizadas.

Fundamentos de programación con Python

• Definición y manejo de variables. Funciones y estructuras iterativas. Manipulación de datos con Pandas. Exploración de arrays con librería Numpy. Caso de uso y elección del proyecto integrador.

Estadística descriptiva para análisis de datos

• Origen, definición y ramas de la estadística. Tipos de datos. Medidas de tendencia de posición y dispersión. Asimetría y Curtosis. Diagrama de Cajas, Correlación y Covarianza. Caso de uso y avance del proyecto integrador. Gráficos estadísticos para variables cuantitativas y cualitativas.

Análisis exploratorio y visualización de datos

• Definición y objetivos del análisis exploratorio. Relaciones entre variables. Detección de outliers. Manejo de datos. Análisis de valores atípicos. Detección de patrones. Caso de uso y avance del proyecto integrador. Visualización de datos con Matplotlib y Seaborn.

Preparación y transformación de datos

• Manejo y limpieza de datos. Imputación de datos mediante técnicas univariados y multivariadas. Caso de uso y avance del proyecto integrador. Técnicas de tratamiento mediante funciones lineales y no lineales. Generación de nuevas variables adecuadas al negocio.

Técnicas de balanceo de datos

• Undersampling y Oversampling. SMOTE. Parámetros de Balanceo de Datos. Muestreo. Partición train-test-validación. Caso de uso y avance del proyecto integrador.

Machine Learning: Algoritmos no supervisados

• Definición e Importancia. Agrupación y Reducción de Dimensiones. Técnicas estadísticas: K Manes, DB Scan, PCA. Caso de uso y avance del proyecto integrador.

Machine Learning: Algoritmos supervisados clasificación

• Entendiendo los métodos supervisados de clasificación. Algoritmos de Clasificación Tradicionales: Árbol de decisión, Regresión Logística. Algoritmos de Clasificación Ensamblados: Random Forest, XGBoost, Light GBM. Comparación entre modelos. Caso de uso y avance del proyecto integrador.

Machine Learning: Algoritmos supervisados regresión

• Entendiendo los métodos supervisados de clasificación. Algoritmos de Regresión Tradicionales: Regresión Lineal y Múltiple, Lasso y Ridge. Algoritmos de Regresión Ensamblados: Random Forest, XGBoost, Light GBM. Comparación entre modelos. Caso de uso y avance del proyecto integrador.

Evaluación e implementación de modelos analíticos

• Técnicas de validación de modelo. Matriz de confusión, Accuracy, Precisión, Recall, F1 Score, R2, MAPE. Búsqueda de recomendaciones óptimas para la toma de decisiones. Implementación de Modelos Analíticos. Caso de uso y presentación del proyecto integrador.