BBDD, Big Data y Analítica
Python avanzado para Machine Learning
Python es uno de los principales lenguajes existentes hoy en día para la realización de procesos de Inteligencia Artificial y Análisis de Datos. Sin embargo, para la realización de un proceso de análisis de datos es necesario realizar un correcto tratamiento de los datos para lograr que sean un input correcto para un sistema de Inteligencia Artificial.
En el presente curso se profundizará en el manejo de los datos, tanto de distintas tablas como en una misma tabla, así como en la mejora de la calidad de los datos, de forma que los alumnos adquieran los conocimientos necesarios para lograr que sus datos constituyan un input valido para un sistema de Inteligencia Artificial.
Duración20 horas
ModalidadPresencial / Online en directo
ImparticiónIn Company / Abierto
El curso
Una formación orientada a la aplicación profesional.
Python es uno de los principales lenguajes existentes hoy en día para la realización de procesos de Inteligencia Artificial y Análisis de Datos.
Sin embargo, para la realización de un proceso de análisis de datos es necesario realizar un correcto tratamiento de los datos para lograr que sean un input correcto para un sistema de Inteligencia Artificial.
En el presente curso se profundizará en el manejo de los datos, tanto de distintas tablas como en una misma tabla, así como en la mejora de la calidad de los datos, de forma que los alumnos adquieran los conocimientos necesarios para lograr que sus datos constituyan un input valido para un sistema de Inteligencia Artificial.
Programa
Contenido del curso.
20 h
1.Manipulación básica de datos:
- Carga de bases de datos.
- Manipulación de datos.
- Creación de nuevas columnas/variables.
- Manipulación de columnas/variables.
- Cálculo de estadísticos básicos.
- Consultas cruzadas.
- Unión de varias tablas.
- Operaciones con variables.
- Muestra de datos.
- Ejercicios prácticos.
2. Análisis Preliminar:
- Conocimiento básico de los datos.
- Análisis de las variables.
- Determinación de las diferentes clases de datos existentes.
- Gráficos básicos de las variables individuales.
- Gráficos básicos sobre las relaciones de las variables.
- Gráficos avanzados sobre las relaciones entre las variables.
- Gráficos avanzados sobre la correlación entre variables.
- Interpretación de los gráficos.
- Ejercicios Prácticos.
- ¿Qué es una distribución?
- ¿Qué es un contraste de hipótesis?
- Elementos clave en los contrastes de hipótesis.
- Análisis gráfico.
- Tabla Anova de un factor
- Tabla Anova de dos factores.
- Contraste de Tuckey.
- Concatenación de
- Unión de tablas en función de una o varias variables:
- Left join
- Right
- Inner
- Outer
- Ejercicios prácticos.
- Selección de elementos únicos.
- Transformación de caracteres de forma
- Transformación de caracteres de forma
- Transformación del formato de las
- Ejercicios prácticos.
- Agregaciones
- Verticalización de tablas
- Normalización de tablas
- Ejercicios prácticos.
- Eliminación de duplicados
- Filtrado por tabla
- Filtrado por otra tabla
- Filtrado por las observaciones de otra tabla
- Selección de elementos
- Filtrado por los valores de una variable de otra
- Ejercicios prácticos.
- Definición y problemas de su no tratamiento
- Eliminación de las observaciones
- Imputación de estadísticos básicos: media, mediana y
- Métodos de imputación múltiple (MICE).
- Ejercicios prácticos.
- Definición.
- Problemas de su no tratamiento
- Eliminación de las observaciones
- Determinación de los outliers
- Transformación de los outliers
- Creación de nuevas variables
- Ejercicios prácticos.
Información del curso
Todo lo que necesitas saber.
- Adquirir habilidades en la manipulación y transformación de datos mediante técnicas fundamentales y avanzadas.
- Comprender y aplicar análisis exploratorios para identificar patrones, relaciones y correlaciones entre variables.
- Realizar contrastes de hipótesis y análisis ANOVA para validar supuestos y evaluar diferencias estadísticas significativas.
- Dominar métodos de unión y concatenación de tablas para trabajar con múltiples fuentes de datos.
- Implementar técnicas avanzadas de filtrado y tratamiento de datos, incluyendo el manejo de valores perdidos y outliers.
- Aprender a transformar tablas y normalizar datos para facilitar el análisis posterior.
- Aplicar herramientas prácticas que mejoren la eficiencia y la calidad del análisis de datos en contextos profesionales.
- Profesionales que trabajan en áreas relacionadas con datos, como analistas, gestores de proyectos y responsables de operaciones.
- Personas con experiencia mínima en análisis de datos que buscan estructurar y ampliar sus conocimientos.
- Estudiantes de disciplinas relacionadas con estadística, ciencia de datos, administración, o ingeniería.
- Equipos de trabajo que desean mejorar sus capacidades para gestionar grandes volúmenes de datos y sacar conclusiones útiles.
- Conocimientos básicos en el uso de herramientas de análisis de datos (como Excel, R, Python o software similar) son recomendables pero no imprescindibles.
- Habilidades básicas en la gestión de archivos y bases de datos.
- Interés en adquirir o mejorar competencias en el análisis de datos para la toma de decisiones.
Opiniones de alumnos
Experiencias que cuentan.
Deja tu valoración
No necesitas registrarte. Indica tu nombre y email, puntúa el curso y comparte tu experiencia.
Da el siguiente paso
Inscríbete