CHICAGO-BROCHURE-ESP-Python para Data Science

Python para
Data Science
El diseño y la escritura de códigos de alto

rendimiento en Python
En estos días se sucede una constante demanda de especialistas
que sean capaces de manipular y analizar grandes cantidades de
datos. A medida que se avanza en este campo, es crucial para las
organizaciones de todos los sectores de la industria que los profe-
sionales sepan diseñar y escribir en Python código de alto ren-
dimiento que les permita llevar a cabo las tareas que se requieran.
Python para data science

En un mundo en el que los datos se consideran un producto, es
fundamental que los profesionales de data science posean amplios
conocimientos de los aspectos que intervienen en el diseño y la
escritura de código en Python. Además, han de saber emplear este
mismo código de manera creativa y útil a la hora de resolver
problemas reales.
Detalles del programa
Precio: USD $1,950
Formato: Aprendizaje en remoto con sesiones interactivas en directo
Duración: Ocho semanas
Idioma: Español
Instructor: Brian Craft, BA (Cum Laude), MSc; Lecturer for Python of

Analytics, University of Chicago
Sobre el programa
Nuestro programa de ocho semanas Python para data science es
una introducción a los conceptos básicos del lenguaje de
programación Python. Se trata de un programa de elevado nivel
técnico basado en proyectos, que incluye muchos ejemplos
prácticos que te serán de utilidad para, más adelante, tener la
oportunidad de crear y ejecutar tus propios proyectos en Python.
Este programa te preparará para:
• Entender el lenguaje de programación Python.
• Ser un experto en el análisis y la manipulación de datos.
• Escribir código de producción en Python.
• Entrenar y evaluar modelos de machine learning.
• Diseñar y optimizar código de Python para lograr una mejora del

rendimiento y un aumento de la velocidad.
• Escribir código en Python para procesar grandes conjuntos de

datos de manera eficiente.
• Preparar modelos de machine learning con el fin de utilizarlos

en producción.
¿A quién está dirigido?
Este programa está diseñado para profesionales que:
• Tengan nociones básicas de Python y de machine learning y

quieran aumentar sus conocimientos para ponerlos en práctica.
• Estén ansiosos por aprender sobre data science, pero no hayan

dado con el programa de formación adecuado.
• Sean analistas de inteligencia empresarial y cuenten con una

buena base de conocimientos sobre la teoría del análisis y la
manipulación de datos, pero no tengan mucha experiencia
en Python.
• Tengan una mentalidad de trabajo cuantitativa, pero carezcan de

herramientas técnicas.
• Sean analistas de datos que trabajen, sobre todo, en Excel.
Interactúa con los expertos

Nuestros profesores pertenecen a una comunidad de pensadores
atrevidos y amantes de la enseñanza que, a través de debates
rigurosos y de la colaboración con profesionales de diversas
disciplinas, generan ideas que marcan la diferencia y enriquecen la
vida del ser humano.
Meet the Instructor
Brian Craft is a seasoned data scientist with years of

industry experience. In his role as a data scientist at
Conagra Brands, he focuses on scaling their machine
learning capabilities and develops models to understand
consumer purchase behavior and identify emerging
ingredient and flavor trends.
Brian Craft, BA (Cum Laude), MSc; Lecturer for Python

of Analytics, University of Chicago
¿Por qué elegir la Universidad de Chicago?
Convertirse en miembro de la comunidad de la Universidad de Chicago
supone tener acceso a instructores de prestigio y reconocimiento
internacional, y a un grupo de participantes diverso y con distintas
inquietudes.
Manteniendo nuestros principios básicos y el enfoque riguroso para la

resolución de problemas, nuestro método de formación –el Enfoque
de Chicago– te brindará todas las herramientas necesarias para dar
sentido a los datos complejos y que puedas transformar tus ideas
en resultados.
Los participantes que superen el programa con éxito recibirán un

certificado de participación.
El enfoque de la Universidad de Chicago para aprender

en remoto
Nuestros programas de educación en remoto se han creado teniendo
en cuenta las necesidades específicas de profesionales como tú. Los
programas combinan el e-learning con sesiones interactivas en directo,
con las que fortalecerás tus habilidades mientras le sacas el máximo
partido a tu tiempo.
A través de nuestras sesiones en directo, tendrás la oportunidad de

hacer crecer tu red profesional e interactuar con el Faculty de la
Universidad de Chicago, así como con todos tus compañeros de clase.
Guía del programa
El programa Python para data science cubre los siguientes temas:
Módulo 1: Las funcionalidades básicas de Python
• La declaración de variables, las operaciones matemáticas y lógicas,

los tipos de datos y los contenedores
• Las condicionales (if, elif, else)
• Las iteraciones (bucles for y while)
• La comprensión
• Los errores y las excepciones
Módulo 2: Las clases y las funciones definidas por el usuario
• Las funciones definidas por el usuario (FDU)
• La mejora de las FDU
• Introducción a las clases
• El desarrollo de regresiones lineales
Módulo 3: El análisis y la manipulación básica de datos
• El uso de pandas para cargar datos externos
• La manipulación de estructuras de datos y arrays con NumPy
• Pandas y NumPy en acción
• La unión y concatenación de estructuras de datos mediante pandas
• La creación de visualizaciones a través de Seaborn

Módulo 4: El análisis y la manipulación avanzada de datos
• El uso del broadcasting
• Las operaciones de matrices y elementos para una manipulación

de datos eficiente
• Conceptos avanzados para la manipulación de estructuras de

datos en pandas
• Las métricas de distancia, las matrices de distancia y las

distribuciones con SciPy
Módulo 5: El entrenamiento y la evaluación de modelos de

machine learning (ML)
• La normalización de datos con Sklearn
• La extracción de atributos con Sklearn
• El uso de Sklearn para entrenar modelos de predicción,

clasificación y de ML no supervisado
• La evaluación de modelos de predicción, clasificación y de

aprendizaje no supervisado
• La validación cruzada
Módulo 6: La paralelización del entrenamiento de modelos

y programas mediante el multiprocesamiento
• Introducción a la paralelización
• El parámetro n_jobs y los random forests en Sklearn
• La paralelización de la técnica grid search en Sklearn
• El multiprocesamiento en Python
• El desarrollo de random forests a través de los módulos de

multiprocesamiento y los árboles de decisión de Sklearn
Módulo 7: La paralelización de web scrapers mediante la
programación multihilo
• La programación multihilo frente al multiprocesamiento
• La programación multihilo en Python
• La extracción de datos a través del módulo request
• La programación multihilo para la extracción de datos en

paralelo
Módulo 8: La implementación de modelos
• Entrenar y guardar un modelo Sklearn
• Definición de API y creación de una API de Flask básica
• El desarrollo de una API de Flask para hacer predicciones a través

de un modelo de ML guardado
• La puntuación por lotes a través del multiprocesamiento
El contenido puede sufrir modificaciones por razones académicas.
Saber más
Para recibir asesoramiento del equipo de admisiones,
contacta con:
[email protected].
Visita online.professional.uchicago.edu para mas información.

CHICAGO-BROCHURE-ESP-Python para Data Science

Cargado por

Copyright:

Formatos disponibles

CHICAGO-BROCHURE-ESP-Python para Data Science

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CHICAGO-BROCHURE-ESP-Python para Data Science

Cargado por

Copyright:

Formatos disponibles

Python para

El diseño y la escritura de códigos de alto

Python para data science

Detalles del programa

Precio: USD $1,950

Formato: Aprendizaje en remoto con sesiones interactivas en directo

Duración: Ocho semanas

Instructor: Brian Craft, BA (Cum Laude), MSc; Lecturer for Python of

Este programa te preparará para:

• Entender el lenguaje de programación Python.

• Ser un experto en el análisis y la manipulación de datos.

• Escribir código de producción en Python.

• Entrenar y evaluar modelos de machine learning.

• Diseñar y optimizar código de Python para lograr una mejora del

• Escribir código en Python para procesar grandes conjuntos de

• Preparar modelos de machine learning con el fin de utilizarlos

• Tengan nociones básicas de Python y de machine learning y

• Estén ansiosos por aprender sobre data science, pero no hayan

• Sean analistas de inteligencia empresarial y cuenten con una

• Tengan una mentalidad de trabajo cuantitativa, pero carezcan de

• Sean analistas de datos que trabajen, sobre todo, en Excel.

Interactúa con los expertos

Meet the Instructor

Brian Craft is a seasoned data scientist with years of

Brian Craft, BA (Cum Laude), MSc; Lecturer for Python

Manteniendo nuestros principios básicos y el enfoque riguroso para la

Los participantes que superen el programa con éxito recibirán un

El enfoque de la Universidad de Chicago para aprender

A través de nuestras sesiones en directo, tendrás la oportunidad de

Módulo 1: Las funcionalidades básicas de Python

• La declaración de variables, las operaciones matemáticas y lógicas,

• Las condicionales (if, elif, else)

• Las iteraciones (bucles for y while)

• Los errores y las excepciones

Módulo 2: Las clases y las funciones definidas por el usuario

• Las funciones definidas por el usuario (FDU)

• La mejora de las FDU

• Introducción a las clases

• El desarrollo de regresiones lineales

Módulo 3: El análisis y la manipulación básica de datos

• El uso de pandas para cargar datos externos

• La manipulación de estructuras de datos y arrays con NumPy

• Pandas y NumPy en acción

• La unión y concatenación de estructuras de datos mediante pandas

• La creación de visualizaciones a través de Seaborn

• El uso del broadcasting

• Las operaciones de matrices y elementos para una manipulación

• Conceptos avanzados para la manipulación de estructuras de

• Las métricas de distancia, las matrices de distancia y las

Módulo 5: El entrenamiento y la evaluación de modelos de

• La normalización de datos con Sklearn

• La extracción de atributos con Sklearn

• El uso de Sklearn para entrenar modelos de predicción,

• La evaluación de modelos de predicción, clasificación y de

Módulo 6: La paralelización del entrenamiento de modelos

• El parámetro n_jobs y los random forests en Sklearn

• La paralelización de la técnica grid search en Sklearn

• El desarrollo de random forests a través de los módulos de

• La programación multihilo frente al multiprocesamiento