MACHINE LEARNING PARA CIENCIA DE DATOS ¡Inicio: 22 DE FEBRERO!

LOGO DATAYANALYTICS
LOGO DATAYANALYTICS
  • Inicio
  • Cursos en Vivo
  • Cursos Asincrónicos
  • Consultoría
  • Nosotros
    • Conócenos
    • ¿Cómo Pago?
    • Contáctanos
    • Eventos gratuitos
    • Bolsa de trabajo
    • Quiero ser ponente
  • Más
    • Inicio
    • Cursos en Vivo
    • Cursos Asincrónicos
    • Consultoría
    • Nosotros
      • Conócenos
      • ¿Cómo Pago?
      • Contáctanos
      • Eventos gratuitos
      • Bolsa de trabajo
      • Quiero ser ponente
  • Inicio
  • Cursos en Vivo
  • Cursos Asincrónicos
  • Consultoría
  • Nosotros
    • Conócenos
    • ¿Cómo Pago?
    • Contáctanos
    • Eventos gratuitos
    • Bolsa de trabajo
    • Quiero ser ponente

Programa Especializado CIENCIA DE DATOS Y MACHINE LEARNING CON PYTHON


Muy importante para trabajar en Ciencia de Datos

INICIO: 13 DE MARZO

Nivel

Dirigido a

Dirigido a

Programa desde cero.

BÁSICO - INTERMEDIO - AVANZADO

Dirigido a

Dirigido a

Dirigido a

Estudiantes y profesionales de diversos rubros o áreas.

Inversión

Dirigido a

Inversión

Promoción exclusivo


S/ 799 ó $199

 

Precio regular: S/ 1,850 ó $510

Horario

Duración

Inversión

19:00 h - 22:00 h

Martes - Jueves

(GMT-05:00) Lima, Bogotá.

Duración

Duración

Duración

120 horas académicas

04 certificados

Total: 3 meses y medio

Brochure

Duración

Duración

Mira el brochure aquí

BROCHURE
¡QUIERO INSCRIBIRME YA!

CONTENIDO DEL PROGRAMA

MÓDULO 1: Python + Colab

  • Introducción

               · Introducción al lenguaje

               · Instalación y configuración de mi workspace en Colab

  • Python básico
  • Hello Python
  • La interfaz con Python
  • Variables y tipos
  • Asignación de variables
  • Cálculos con variables
  • Otros tipos de variables
  • Operaciones con otro tipo de variables
  • Tipo de conversión


MÓDULO 2: Listas y estructuras

  • Listas Python
  • Crear una lista
  • Crear listas con diferentes tipos
  • Listas de listas
  • Subconjunto de listas
  • Subconjunto y calculo
  • Cortado y tajado
  • Manipulación de listas
  • Reemplazo de elementos de listas
  • Extensión de listas
  • Estructuras de datos integradas

               · Tuplas

               · Diccionarios


MÓDULO 3: NumPy

  • NumPy
  • Primera matriz NumPy
  • Subconjunto matriz NumPy
  • Matriz 2D Numpy
  • Estadísticas básicas en NumPy
  • Manejo de errores y excepciones
  • Excepciones, tipos y control de excepciones
  • Programación orientada a objetos
  • Clases y objetos
  • Atributos y métodos


MÓDULO 4: Condicionales y Panda

  • Condicionales
  • Sentencias
  • Expresiones
  • Pandas

               · Data

               · Indexación

               · Órdenes

               · Datos perdidos

               · Operaciones

               · Agrupaciones

               · Estadísticas

               · Uniones


MÓDULO 5: Funciones y paquetes

  • Funciones
  • Funciones familiares
  • Múltiples argumentos
  • Métodos de cadena
  • Métodos de lista
  • Paquetes
  • Importación de paquetes
  • Importación selectiva
  • Funciones lambda


MÓDULO 6: Visualización y Analytics

  • Visualización de datos
  • Análisis de datos
  • Análisis univariado
  • Análisis bivariado
  • Introducción al predictive analytics
  • Random forest
  • Regresión logística


MÓDULO 7: Introducción a la estadística

  • Conceptos básicos: Estadística, población muestra, elemento muestral
  • Tipos de variables:

               · Categóricas (Nominales y ordinales)

               · Numéricas (Discretas y continuas)

  • Secuencia / Metodología de análisis de datos
  • Introducción a Colab
  • Full introducción a Python


MÓDULO 8: Análisis descriptivo

  • Medidas de tendencia central: moda, mediana, media.
  • Medias de dispersión:

               · Desviación estándar

               · Varianza

               · Rango

               · Rango intercuartílico

               · Coeficiente de variación

  • Coeficiente de asimetría y kurtosis
  • Medidas de asociación: correlación
  • Pruebas Chi Cuadrado


MÓDULO 9: Tratamiento de datos nulos y outliers

  • Tratamiento de datos nulos
  • Tratamiento de outliers
  • Imputación paramétrica y no paramétrica


MÓDULO 10: Inferencia estadística

  • Teoría de la inferencia estadística (paramétricas y no paramétricas)
  • Teorema del límite central
  • Pruebas de hipótesis
  • Pruebas de normalidad
  • Pruebas de correlación (paramétricas y no paramétricas)
  • Prueba chi cuadrado
  • Prueba de la media de 1 muestra
  • Prueba de la media de 2 muestras
  • ANOVA
  • Prueba de Wilcoxon
  • Prueba de Mann Whitney


MÓDULO 11: Aprendizaje supervisado

  • Creación de nuevas variables (atributos)
  • Regresión lineal simple
  • Regresión lineal múltiple
  • Regresión logística
  • Random forest
  • Análisis de multicolinealidad
  • Estimaciones
  • Métricas: ROC, gini, accuray, KS, log-loss, entre otros.


MÓDULO 12: Aprendizaje no supervisado

  • Análisis de componentes principales
  • Análisis clúster
  • Validación de clústers
  • Perfilamiento de clústers


MÓDULO 13: EDA y tratamiento para datos

  • Análisis exploratorio de datos
  • Tratamiento de datos, OneHotEncoder, TargerEncoder
  • Tratamientos de valores atípicos
  • Imputación paramétrica (media, mediana, moda)
  • Imputación no paramétrica para la imputación de valores perdidos
  • División de los datos categóricos en números
  • Creación de Driver
  • División de los datos en conjunto de entrenamiento y prueba
  • Normalización de los datos
  • Balanceo de data: SMOTE, OverSampling, UnderSampling
  • Selección de variables


MÓDULO 14: Aprendizaje supervisado para regresiones

  • Regresión lineal
  • KNN
  • Árbol de decisión
  • Suport Vector
  • Ensemble methods
  • AdaBoost, GBM, XGBoost
  • Gridsearch de parámetros, RandomGridsearch
  • Optimizacipon bayesiana
  • Aplicación de un modelo TensorFlow


MÓDULO 15: Aprendizaje supervisado para clasificación

  • Regresión logística
  • Naive bayes
  • Árbol de decisión
  • KNN
  • Random forest
  • Support vector
  • AdaBoost, GBM, XGBoost
  • Gridsearch de parámetros, RandomGridsearch
  • Optimización bayesiana


MÓDULO 16: Aprendizaje no supervisado

  • Aprendizaje no supervisado

               · K-means clutering

               · Análisis de cesta de canasta de mercado

               · Segmentación o puntuación RFM

  • Reducción de dimensiones

               · PCA

               · LDA


MÓDULO 17: Introducción a series de tiempo

  • Introducción a series de tiempo
  • Entendiendo series de tiempo
  • Método baso en suavizamiento exponencial

1/4

Ciencia de Datos y Machine Learning con Python

$199.00
Paga con PayPal o con una tarjeta de débito/crédito

Precio regular: S/ 1,850 ó $510


Desarrollarás las habilidades para realizar proyectos de ciencia de datos y analizar datos con Python desde cero; alcanzarás tus objetivos y pondrás en práctica lo aprendido en tu empresa y tus proyectos.   Si trabajas en el sector privado o público, estas son habilidades que te permitirán diferenciarte del resto, permitiéndote crecer profesionalmente, siendo más competitivo y logrando mejores oportunidades laborales. 

INSTRUCTORES

Data & Analytic Insights Designer

Ingeniero Estadístico e Informático, cuenta con más de 16 años de experiencia en Analytics, Modelos supervisados y no supervisados, Dirección de proyectos de ciencia de datos, investigación de mercados, diseño de estrategias de gestión y desempeño, desarrollo de modelos predictivos, calidad de datos y capacitación de equipos. Máster en Administración y Dirección de Marketing con Especialización en Machine Learning, Big Data, Analytics, Business Intelligence, Metodología de la Investigación, entre otros. Experiencia en el sector privado y público: consumo masivo, telecomunicaciones, educación, banca, AFP, previsión, hoteles, minería, finanzas, retail, buró, microfinanzas, contraloría, registros públicos, MINEDU, SUNAT, entre otros.

Instructor en Data & Analytics

Magíster y Licenciado en Estadística, cuenta con más de 6 años de experiencia en análisis y modelamiento de datos bajo el enfoque clásico y bayesiano. Experiencia en el sector público y privado:  INEI, MINEDU, INDECOPI, electricidad y AFP. Además cuenta con 3 años de experiencia en docencia  universitaria en temas de Data Mining, Machine Learning, Estadística Bayesiana, Modelos de pronóstico, y Muestreo estadístico en las principales universidades del Perú (UNI, UNMSM, UNICA, UPC, UTEPSA, Universidad Continental, etc).


Herramientas favoritas: Rstudio, Python, Julia, Matlab, SPSS, Stata, Minitab, SQL, Power BI, entre otros.

QUIERO COTIZAR UNA CAPACITACIÓN CORPORATIVA

Opiniones

Pablo D' Elía ★★★★★

(27/10/2022)  Lo recomendaría ya que es muy excelente la transferencia de conocimiento.

Eduardo Avalos ★★★★★

(26/10/2022)  Lo recomendaría porque tiene mucho potencial.

Waldir Pomiano Obregón ★★★★★

(26/10/2022)  Si lo recomendaría porque tiene buen contenido, buen método de enseñanza.

Fernando Vargas ★★★★★

(26/10/2022)  Lo recomendaría porque el contenido fue muy bueno.

Celeste Malpica Morales ★★★★★

(26/10/2022) La profesora está muy preparada y explica todos los temas con calma y seguridad. Nunca había tenido una clase de estadística tan divertida y buena.

Gabriel Barrera Delgadillo ★★★★★

(26/10/2022) Lo recomendaría porque el curso esta muy completo.

Salvador Bustamante Cornejo ★★★★★

(25/10/2022)  El nivel del curso es bueno. Se nos proporciona material teórico y audiovisual. Considero muy bueno todo lo visto.

Sheyla Pacush ★★★★☆

(25/10/2022)  Excelentes instructores, los alumnos mostraban el cansancio del horario y no transmitían las ganas de aprender.

Carlos Gerardo Balderas Casas ★★★★★

(25/10/2022)  El curso, es muy afectivo, los scripts de colab son fabulosos, las explicaciones buenas, muy profesional.

Herlendy Alejandro Sánchez Gaitán ★★★★★

(25/10/2022)  Lo recomendaría porque cumplió las expectativas del curso, se abordaron los temas correspondientes y se hizo un buen manejo del tiempo.

Reynaldo Emilio Hoces Azañero ★★★★★

(03/10/2022) Brinda muy buena enseñanza.

Lloyd Laura ★★★★★

(17/06/2022) Lo recomendaría a mis amigos o colegas que recién empiezan ya que el curso es económico y muy didáctico.

Diana Karen Castillo Ramírez ★★★★★

(17/06/2022) Lo recomendaría porque fue un buen curso, nos llevó de la mano la instructora.

José Taco Sarayasi ★★★★★

(25/05/2022) Es un curso extenso y detallado, por que hay mucha dedicación en el contenido del curso.

INFORMES

Mishell Bardales | Coordinación


mishell.bardales@datayanalytics.com

(+51) 976 760 803 


¡QUIERO INSCRIBIRME YA!

CURSO QUE TE PUEDEN INTERESAR

ESTADÍSTICA PARA CIENCIA DE DATOS CON PYTHON

MACHINE LEARNING APLICADO A LA INDUSTRIA BANCARIA Y MICROFINANZAS

MACHINE LEARNING APLICADO A LA INDUSTRIA BANCARIA Y MICROFINANZAS

Ver más

MACHINE LEARNING APLICADO A LA INDUSTRIA BANCARIA Y MICROFINANZAS

MACHINE LEARNING APLICADO A LA INDUSTRIA BANCARIA Y MICROFINANZAS

MACHINE LEARNING APLICADO A LA INDUSTRIA BANCARIA Y MICROFINANZAS

Ver más

PROGRAMA CIENCIA DE DATOS CON PYTHON

MACHINE LEARNING APLICADO A LA INDUSTRIA BANCARIA Y MICROFINANZAS

MACHINE LEARNING PARA CIENCIA DE DATOS

Ver más

MACHINE LEARNING PARA CIENCIA DE DATOS

MACHINE LEARNING APLICADO A LA INDUSTRIA BANCARIA Y MICROFINANZAS

MACHINE LEARNING PARA CIENCIA DE DATOS

Ver más

: :        Teléfono:  (+51) 976 760 803 

  • Consultorías:      info@datayanalytics.com
  • Capacitaciones: cursos@datayanalytics.com
  • Convenios:          convenios@datayanalytics.com


      📍Av. Paseo de la República 6941, Lima - Perú


© Data & Analytics 2020