Lecciones Compartir
Marcar completado
Regresar al curso
Python for Analytics
  • 1. ANÁLISIS EXPLORATORIO Y VISUALIZACIÓN DE DATOS
    • 1.1 Definición y objetivos del análisis exploratorio
    • 1.2 Relaciones entre variables: Detección de outliers
    • 1.3 Manejo de datos y análisis de valores atípicos
    • 1.4 Visualización de datos con Matplotlib y Seaborn
    • 1.5 Taller 1: Explorar y visualizar datos, establecer hipótesis (Parte 1)
    • 1.6 Taller 1: Explorar y visualizar datos, establecer hipótesis (Parte 2)
    • 1.7 Lecciones Aprendidas
  • 2. TRATAMIENTO Y TRANSFORMACIÓN DE DATOS
    • 2.1 Manejo y limpieza de datos
    • 2.2 Técnicas de Data Wranling e Imputación de Datos
    • 2.3 Creación de nuevas variables adecuadas al negocio
    • 2.4 Técnicas de balanceo de datos: UnderSampling, RandomUnderSampling y SMOTE
    • 2.5 Taller 1: Data Wranling al proyecto de análisis de datos
    • 2.6 Taller 2: Obtención de variables más importantes del caso real de compra de departamentos
    • 2.7 Lecciones Aprendidas
  • 3. MODELOS ESTADÍSTICOS APLICADOS
    • 3.1 Definición e Importancia
    • 3.2 Agrupación y reducción de dimensiones
    • 3.3 Técnicas estadísticas: K Means, DB Scan, PCA, Regresión y Árbol de Decisión
    • 3.4 Muestreo: Partición train test
    • 3.5 Técnicas de validación de modelo
    • 3.6 Taller 1: Reducción de dimensiones de un caso real de fraudes
    • 3.7 Lecciones Aprendidas
  • FINAL
    • 4.1 Conclusiones Finales
      • Examen Final
      • Encuesta de Satisfacción