Diplomado en Ciencia de Datos con Python

Módulo 1. Introducción a la programación con Python
1. Monty Python y montando PythonInstalaciónIntroducción
2. Aspectos básicos de PythonIDLESintaxis básicaAritméticaVariablesComentarios
3. Tipos de datos básicosNuméricosBooleanosCadenasI/O de datos en consola
4. Condicionales y control de flujoIf, Else, Else IfCiclo ForCiclo While
5. Listas y tuplas Métodos y operaciones MutabilidadIteradores y rango
6. Diccionarios y conjuntos Métodos y operacionesMutabilidad
7. FuncionesDefinición y diseñoExcepcionesDocstrings Módulos e imports
8. Entrada y salida (I/O) de datosLectura/Escritura de archivos de textoArchivos binariosPickle
9. Introducción a la programación orientada a objetosMódulos, clases y objetosHerenciaPolimorfismo
10. Bonus: Un vistazo a Data Science en PythonJupyterNumPyMatplotlib
Módulo 2. Análisis y Manejo de Datos con Python
1. Python datero: Jupyter Notebook Fundamentos de Python en esteroides: listas, diccionarios y objetos Números, números, números: Introducción a NumPy
2. Formatos para almacenar datosImportar datos a Python desde un archivoBases de datos relacionales
3. Filtrado de Datos Remover DuplicadosTransformaciones de Datos con Funciones Detección de OutliersManejo de Missing Values
4. Introducción a PandasManipulación de DataFrames Ordenar, Filtrar y Combinar DataFrames
5. Introducción al Análisis de Datos en Python Estadística básica con PythonAnálisis Exploratorio de Datos con Gráficas Análisis Exploratorio de Datos con Estadística
6. Gráficas en MatPlotLib
Módulo 3. Matemáticas para Machine Learning con Python
1. Álgebra Lineal Matrices y sus propiedadesDeterminantesEspacios vectorialesTransformaciones linealesProducto interno y externoEigenvalues y EigenvectorsDescomposición de valor singularDescomposición de componente principal 2. Cálculo y OptimizaciónDerivadas ParcialesExtremosGradientesEl JacobianoLa matriz HessianaCálculo matricialMultiplicadores de LagrangeProbabilidad
3. Probabilidad condicionalTeorema de BayesVariables aleatoriasVarianza y covarianzaEstimación de parámetrosDistribuciones de Probabilidad
4. Algoritmos y Estructura de DatosArreglosColas y PilasÁrbolesHashingNotación ‘Big O’ y Complejidad ComputacionalGrafos y redes
Módulo 4. Machine Learning con Python
1. Un poco de teoría¿Qué es el Machine Learning?Diferencias entre Inteligencia Artificial, Machine Learning, Deep Learning y Ciencia de DatosAprendizaje Supervisado y No SupervisadoInstalación de Toolkit con AnacondaRepaso de Estadística
2. Preprocesamiento de los DatosBuscar e importar DatasetsDatos Faltantes |Datos CategóricosSets de Entrenamiento y Sets de Prueba
3. RegresiónRegresión Lineal SimpleRegresión Lineal Múltiple¿Qué es un valor p?Regresión PolinomialRegresión de Vectores SoporteRegresión con Árboles de DecisiónRegresión con BosquesAleatoriosEvaluación de la Efectividad de los Modelos de Regresión
4. ClasificaciónRegresión LogísticaVecinos Cercanos K-N NMáquinas de Vectores de Soporte (SVM)Kernel SVMBayesiano IngenuoClasificación con Árboles de DecisiónClasificación con Bosques AleatoriosEvaluación de la Efectividad de los Modelos de Clasificación.
5. Agrupamiento a.k.a. ClusteringAgrupamiento K-MeansAgrupamiento JerárquicoAprendizaje ReforzadoLímite Superior de Confianza (UCB)Muestreo de Thompson
6. Procesamiento Natural de Lenguaje
7. Aprendizaje ProfundoRedes Neurales ArtificialesRedes Neurales ConvolucionalesPropagación en Reversa

8. Reducción de DimensionalidadGradiente DescendenteAnálisis de Componentes Principales (PCA)Análisis de DiscriminanteLineal (LDA)Kernel PCA
9. Selección de Modelos y Boosting Validación Cruzada k-FoldBúsqueda en RedXGBoost
Módulo 5. Visualización de datos y Storytelling con Python