Curso de Python Expert

Comprende el valor estratégico de los datos y el ciclo de vida analítico:

• La era de los datos: evolución del valor de los datos en las organizaciones modernas.
• Tipos de análisis de datos: descriptivo, diagnóstico, predictivo y prescriptivo.
• ¿Qué es Data Science? Aplicaciones y conceptos principales en la industria.
• Definición de la variable de estudio (Target) y formulación del problema de negocio.
• Fases de un proyecto analítico estándar (CRISP-DM).
• Herramientas, tecnologías y librerías más utilizadas en el ecosistema Python.

Aprende la sintaxis moderna de Python y utiliza notebooks en la nube sin instalaciones locales:

• Uso y manejo del ambiente de trabajo Python en Google Colab y Jupyter Notebooks.
• Definición y manejo de variables, tipos de datos básicos y operadores.
• Colecciones de datos: listas, tuplas, conjuntos y diccionarios.
• Estructuras condicionales (if, elif, else) y bucles iterativos (for, while).
• Creación de funciones personalizadas y comprensión de listas.
• Introducción a la manipulación de datos con la librería Pandas: Series y DataFrames.
• Caso práctico: carga y exploración inicial de un archivo de datos real.

Aplica los fundamentos matemáticos para interpretar el comportamiento de la información:

• Origen, definición y ramas de la estadística aplicadas a la ciencia de datos.
• Tipos de variables: cuantitativas (discretas, continuas) y cualitativas (nominales, ordinales).
• Medidas de tendencia central (media, mediana, moda) y posición no central (cuartiles, percentiles).
• Medidas de dispersión: rango, varianza, desviación estándar y coeficiente de variación.
• Diagramas de Cajas (Boxplot), cálculo de correlación de Pearson/Spearman y covarianza.
• Gráficos estadísticos para variables numéricas y categóricas.
• Caso práctico guiado de análisis estadístico en Python.

Descubre patrones y anomalías visuales en tus conjuntos de datos:

• Definición y objetivos del Análisis Exploratorio de Datos (EDA).
• Relaciones entre variables continuas y categóricas.
• Identificación y tratamiento de valores atípicos (outliers) y métodos de detección.
• Análisis de correlaciones y detección de patrones de comportamiento.
• Visualización profesional de datos con las librerías Matplotlib y Seaborn.
• Personalización de gráficos de dispersión, histogramas, heatmaps y pairplots.
• Caso práctico: reporte exploratorio completo de un dataset bancario/comercial.

Prepara los datos para alimentar los algoritmos de Machine Learning:

• Manejo y limpieza exhaustiva de datos: identificación y tratamiento de nulos (NaN).
• Imputación de datos mediante técnicas univariadas (media, mediana) y multivariadas.
• Transformación y normalización de variables mediante funciones lineales y no lineales.
• Codificación de variables categóricas (One-Hot Encoding, Label Encoding).
• Generación de nuevas variables de valor para el negocio (Feature Engineering).
• Caso práctico de preparación integral de datos para modelamiento.

Segmenta observaciones y balancea muestras desequilibradas:

• Importancia del balanceo en problemas analíticos (ej. detección de fraudes, fuga de clientes).
• Técnicas de balanceo de datos: Undersampling, Oversampling y técnica SMOTE.
• Muestreo y partición metodológica de datos: conjuntos train, test y validación.
• Algoritmos de aprendizaje no supervisado: K-Means y DBSCAN para clustering.
• Técnicas de reducción de dimensiones: Análisis de Componentes Principales (PCA).

Entrena modelos predictivos de clasificación y regresión:

• Fundamentos de los métodos supervisados y flujo de entrenamiento de modelos.
• Algoritmos de Clasificación: Regresión Logística, Árboles de Decisión, Random Forest, Support Vector Machines (SVM).
• Algoritmos avanzados de Gradient Boosting: XGBoost y LightGBM.
• Algoritmos de Regresión: Regresión Lineal Simple y Múltiple, Random Forest Regressor, Ridge y Lasso.
• Comparación sistemática de rendimiento entre diferentes algoritmos con Scikit-Learn.

Mide el impacto predictivo y despliega soluciones orientadas a KPIs de negocio:

• Técnicas de validación de modelos: matriz de confusión, curva ROC y AUC.
• Métricas de evaluación: Exactitud (Accuracy), Precisión (Precision), Exhaustividad (Recall) y F1-Score.
• Búsqueda de recomendaciones óptimas para la toma de decisiones gerenciales.
• Conexión de las métricas del modelo con los KPIs estratégicos del negocio.
• Implementación y exportación de modelos analíticos (Joblib/Pickle).
• Taller de presentaciones efectivas de proyectos analíticos a la alta dirección.