Python for Data Science and Machine Learning

Objetivos

Al finalizar el curso, los participantes serán capaces de:

• Manipular y limpiar datos con NumPy y Pandas: Utilizar eficientemente estas bibliotecas para realizar tareas de limpieza, transformación y análisis exploratorio de datos.
• Visualizar datos con Matplotlib y Seaborn: Crear gráficos y visualizaciones informativas para comprender mejor los datos.
• Implementar algoritmos de aprendizaje automático con scikit-learn: Aplicar algoritmos de aprendizaje supervisado (clasificación y regresión) y no supervisado (clustering, reducción de dimensionalidad).
• Evaluar el rendimiento de modelos de aprendizaje automático: Utilizar métricas de evaluación adecuadas y técnicas de validación cruzada.
• Optimizar modelos de aprendizaje automático: Ajustar hiperparámetros y aplicar técnicas de mejora del rendimiento.
• Introducción al aprendizaje profundo con TensorFlow/Keras: Comprender los conceptos básicos del aprendizaje profundo y construir redes neuronales sencillas.
• Aplicar técnicas de preprocesamiento de datos para aprendizaje automático: Preparar los datos para el entrenamiento de modelos.
• Resolver problemas de ciencia de datos y aprendizaje automático utilizando Python: Aplicar los conocimientos adquiridos para abordar problemas del mundo real.

Prerrequisitos

Este curso no es para principiantes en programación ni en Python. Se asume que los participantes tienen una base sólida en Python, idealmente equivalente a haber completado un curso introductorio a Python como P-PYT010 o tener una experiencia comparable. Específicamente, se espera que los participantes conozcan:

• Sintaxis básica de Python: Variables, tipos de datos, operadores, estructuras de control.
• Funciones: Definición, llamada, parámetros, argumentos.
• Manejo de excepciones: try-except.
• Estructuras de datos: Listas, tuplas, diccionarios.
• Módulos y paquetes: Importación y uso de módulos.