Objetivos
Curso eminentemente práctico con desarrollo de notebooks
Contenidos
- Introducción. Limpieza y preparación
- Repaso de conceptos fundamentales de Python para análisis de datos
- Transformaciones y funciones complejas con apply, map y groupby
- Formato ancho y formato largo
- Informes estadísticos con ProfileReport y sweetviz
- Trabajo con datos perdidos: imputación avanzada y detección de outliers en 1 y 2 dimensiones
- Exploración avanzada y visualización de datos
- Análisis exploratorio con visualizaciones interactivas (Plotly)
- Mapas de calor, gráficos de correlación y representaciones multivariantes
- Técnicas de reducción de dimensiones (backward, forward)
- Técnicas de reducción dimensional para visualización (PCA, t-SNE)
- Análisis estadístico
- Pruebas de hipótesis y diseño experimental
- Modelos estadísticos: regresión múltiple, ANOVA y modelos mixtos
- Bootstrapping y técnicas de remuestreo
- Test de la Chi-cuadrado para correlaciones entre datos categóricos
- Machine Learning para análisis de datos
- Regresión. Clasificación. Métodos ensamble
- Introducción práctica a scikit-learn: pipeline de modelos
- Selección de características y manejo de datos poco equilibrados
- Optimización de hiperparámetros con GridSearchCV. Optuna
- Interpretación de modelos: SHAP, LIME y visualización de impacto
- Clustering avanzado: k-means, DBSCAN, y clustering jerárquico
- Evaluación de modelos. Curvas de aprendizaje
- Trabajo con datos no estructurados
- Introducción a datos no estructurados: texto, imágenes y videos
- Preprocesamiento de datos no estructurados con spaCy y NLTK
- Modelos básicos para NLP: embeddings y transformers
- Breve introducción al procesamiento de imágenes con OpenCV 76 IA Cursos para entender los fundamentos teóricos y prácticos de la IA, así como las habilidades necesarias para aplicar la IA en gran variedad de campos y aplicaciones
Duración
Leave A Reply