Scribd
Cargar
4 vistas7 páginas

Syl - Especialización en Python

El documento presenta el plan de estudio para una especialización en Python, dividida en módulos básico, intermedio y avanzado. Cada módulo abarca temas fundamentales como programación orientada a objetos, manipulación de datos con bibliotecas como Pandas y NumPy, y fundamentos de Machine Learning. Se incluyen detalles sobre la instalación, sintaxis, estructuras de datos, funciones, y técnicas de evaluación de modelos.

Cargado por

jorge.tume
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
4 vistas7 páginas

Syl - Especialización en Python

El documento presenta el plan de estudio para una especialización en Python, dividida en módulos básico, intermedio y avanzado. Cada módulo abarca temas fundamentales como programación orientada a objetos, manipulación de datos con bibliotecas como Pandas y NumPy, y fundamentos de Machine Learning. Se incluyen detalles sobre la instalación, sintaxis, estructuras de datos, funciones, y técnicas de evaluación de modelos.

Cargado por

jorge.tume
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 7

Syllabus

ESPECIALIZACIÓN EN

Python
BÁSICO | INTERMEDIO | AVANZADO
PLAN DE ESTUDIO

Modulo Básico: Fundamentos de Programación


orientado a Ciencia de Datos
TEMA 1: Introducción a Python y Entorno de Desarrollo

* Introducción a Python y su importancia en Ciencia de Datos.


* Instalación de Python y configuración del entorno de desarrollo.
* Sintaxis básica de Python: variables, tipos de datos y operadores.

TEMA 2: Condicionales y Bucles con Python

* Condicional simple (if)


* Bicondicional (if – else)
* Condicional Anidada (if – elif)
* Bucle for
* Bucle while

TEMA 3: Estructura de Datos con Python


* Lista y operaciones con listas
* Tuplas y sus usos
* Diccionarios en Python: conceptos básicos y aplicaciones.
TEMA 4: Funciones

* Definiendo funciones
* Llamando funciones
* Funciones recursivas
* Funciones de la librería estándar de Python

TEMA 5: Funciones en Python

* Funciones Cadena
* Funciones Matemáticas
* Funciones Fecha

Modulo Intermedio: Manipulación de Datos con


Python

TEMA 1: Programación Orientada a Objetos

* Estructura de aplicaciones con POO


* Clases, propiedades y métodos
* Programación con Herencia
TEMA 2: Manejo de archivos y librerías en Python

* Introducción a NumPy: arreglos y operaciones básicas.


* Operaciones matriciales con NumPy.
* Librería Pandas
* Operaciones con Series, DataFrame y Panel

TEMA 3: Pandas y Visualización de Datos

* Manipulación avanzada de datos con Pandas.


* Introducción a la visualización de datos con Matplotlib.
* Creación de gráficos informativos con Seaborn.
* Creación de gráficos con ggplot

TEMA 4: Manipulación de Datos en Python

* Conceptos básicos de estadísticas descriptivas.


* Trabajo con archivos: lectura y escritura.
* Introducción a la manipulación de datos con Pandas.
* ETL: Limpieza y transformación de datos.
* Preprocesamiento de datos: tratamiento de valores nulos y outliers.
* Transformaciones de datos y normalización.

TEMA 5: Exploración de Datos y Análisis

* Análisis exploratorio de datos (EDA).


* Visualización avanzada de datos con Seaborn.
* Interpretación de resultados y toma de decisiones.
Modulo Avanzado: Fundamentos de Machine
Learning con Python

TEMA 1: Fundamentos de Machine Learning con Python

* Machine Learning
* Tipos de aprendizaje
* Ecosistema Python para Machine Learning
* Introducción al aprendizaje supervisado.
* Métricas de evaluación de modelos de regresión con Scikit-learn.
* Métricas de evaluación de modelos de clasificación con Scikit-learn.

TEMA 2: Aprendizaje Supervisado Regresión

* Importación de data
* Partición de data
* Regresión Lineal
* Regresión Lineal Múltiple
* Regresión Polinomial

TEMA 3: Regresión No Lineal y Regularización

* Modelos de regresión no lineal.


* Técnicas de regularización: L1 y L2.
* Aplicación de regularización en modelos de regresión.

TEMA 4: Evaluación de Modelos de Clasificación

* Métricas de evaluación para problemas de clasificación.


* Curva ROC y área bajo la curva (AUC).
* Selección de características y ajuste de modelos.
TEMA 5: Aprendizaje Supervisado Clasificación

* Regresión Logística
* Arboles de Decisión
* Random Forest
* Técnicas de validación cruzada.
* Optimización de hiperparámetros con búsqueda grid y aleatoria.
* Implementación de validación cruzada y optimización de hiperparámetros.
Si deseas más información, no dudes
en ponerte en contacto con nosotros:

[email protected]

+51 924 484 013

¡Inscríbete aquí!

www.grupoiddea.com

También podría gustarte