Data Science y Machine Learning
Streaming 1 añoEl curso Data Science y Machine Learning ha sido diseñado para brindar a los estudiantes una comprensión profunda y práctica de los fundamentos esenciales en el campo de la ciencia de datos y el aprendizaje automático. A medida que el mundo de los datos continúa expandiéndose, se vuelve crucial para los profesionales y estudiantes de hoy en día adquirir las habilidades necesarias para interpretar y analizar grandes conjuntos de datos de manera efectiva. Este curso proporcionará a los participantes las herramientas necesarias para navegar por el panorama complejo de los datos y desarrollar modelos de aprendizaje automático confiables y efectivos para tomar decisiones informadas en una variedad de contextos profesionales.
Objetivos
Comprender los principios fundamentales de programación y adquirir habilidades prácticas para la manipulación de datos mediante Python.
Adquirir conocimientos básicos en estadística y probabilidad para interpretar y analizar datos de manera efectiva.
Desarrollar una comprensión sólida de los principios clave de Data Science y Machine Learning y aplicar este conocimiento en proyectos prácticos para resolver problemas del mundo real.
Temario
Fundamentos de Programación con Python:
Conceptos básicos de programación con Python.
Variables, estructuras de datos, bucles y funciones.
Algebra Lineal
Conceptos básicos de álgebra lineal como vectores, matrices y normas.
Estadística y Probabilidad:
Conceptos básicos de estadística como media, mediana, desviación estándar y distribuciones de probabilidad. Aprender a analizar datos utilizando técnicas estadísticas.
Análisis de Datos:
Introducción al Análisis de Datos.
Calidad de Datos.
Importar, limpiar y manipular datos.
Visualizaciones de datos.
Bibliotecas de Python para análisis de datos: NumPy, Pandas.
Bibliotecas de Python para visualizaciones: Matplotlib, Seaborn.
Data Science:
Introducción a Data Science.
Metodología de trabajo en proyectos de Data Science.
Proyectos prácticos de Data Science.
Comunicación de resultados y conclusiones obtenidos.
Machine Learning:
Introducción a Machine Learning.
Aprendizaje supervisado de Regresión y Clasificación.
Aprendizaje No Supervisado.
Métricas de evaluación.
Problemas con los modelos.
Bibliotecas de Python para machine learning: Scikit-Learn
Los contenidos previstos están sujetos a posibles cambios o ajustes que el área académica considere pertinentes para el normal desarrollo de los cursos o la actualización de los mismos.
La conformación de los cursos, en los horarios y grupos ofrecidos, está sujeta a un nivel mínimo de inscripciones que habiliten su funcionamiento.
