Curso Data Science Essentials with Python

Data Science Essentials with Python Cisco
Aprende ciencia de datos utilizando Python

Data Science Essentials with Python de Cisco Networking Academy es un curso interactivo basado en proyectos que introduce al estudiante en los fundamentos de la ciencia de datos utilizando Python. A través de actividades prácticas, juegos y ejercicios guiados, aprenderá a trabajar con datos mediante las bibliotecas Pandas y Matplotlib, organizar información en DataFrames, limpiar conjuntos de datos, crear gráficos, realizar modelos lineales y comunicar resultados mediante técnicas básicas de narración de datos. El curso permite desarrollar habilidades para analizar información, identificar tendencias y obtener conclusiones a partir de los datos.

Módulos de aprendizaje:
(Módulo/Tema) Descripción
Capítulo 1: Introducción a través de actividades interactivas
1.1 De cero a Python en 60 segundos Introducción a los fundamentos de Python mediante actividades interactivas de programación.
1.2 Conociendo los DataFrames Introducción a las estructuras DataFrame para organizar y trabajar con conjuntos de datos mediante Pandas.
1.3 Matplotlib Pyplot Introducción a la creación de gráficos y visualizaciones utilizando la biblioteca Matplotlib.
1.4 Operaciones fundamentales de Pandas Uso de las operaciones principales de Pandas para consultar, organizar, agrupar y analizar datos.
Evaluación introductoria Evaluación de los conocimientos fundamentales adquiridos durante el capítulo.
Capítulo 2: Programación para obtener respuestas
2.1 Proyecto: Skeletal Variation Aplicación de Python y herramientas de análisis para explorar información relacionada con variaciones esqueléticas.
2.2 Proyecto: Our World Connected Exploración de conjuntos de datos para analizar conexiones y relaciones en diferentes contextos.
2.3 Proyecto: Art as Data Uso de datos para examinar y analizar información relacionada con el arte.
2.4 Evaluación del capítulo y proyectos abiertos Evaluación de los conocimientos y desarrollo de proyectos independientes para responder preguntas mediante conjuntos de datos.
Capítulo 3: Limpieza de datos
3.1 Proyecto: A Century of Top Songs Preparación y limpieza de datos relacionados con canciones populares a lo largo de un siglo.
3.2 Proyecto: A Plant-Based Coffee Shop Aplicación de técnicas de limpieza y preparación de datos en un escenario de negocio.
3.3 Proyecto: Flight Delays Organización y limpieza de datos relacionados con retrasos de vuelos.
3.4 Evaluación del capítulo y proyectos abiertos Evaluación de las técnicas de preparación de DataFrames y desarrollo de ejercicios independientes.
Capítulo 4: Visualización de datos
4.1 Proyecto: The Ocean’s Deep-Diving Animals Creación de visualizaciones para explorar datos relacionados con animales que habitan en las profundidades del océano.
4.2 Proyecto: Is Granola Healthy? Análisis y representación gráfica de datos para explorar información nutricional.
4.3 Proyecto: The Internet and Dating Uso de gráficos para analizar información relacionada con Internet y las relaciones personales.
4.4 Evaluación del capítulo y proyectos abiertos Aplicación de buenas prácticas para crear gráficos de barras, diagramas de dispersión y gráficos de líneas múltiples.
Capítulo 5: Modelado de datos
5.1 Proyecto: Tusked Elephants Introducción al análisis de relaciones entre datos mediante modelos lineales.
5.2 Proyecto: Lion Attacks Aplicación de técnicas de modelado para explorar relaciones en conjuntos de datos.
5.3 Proyecto: E-Bike Stopping Distances Exploración de modelos lineales para analizar relaciones entre variables y distancias de frenado.
5.4 Evaluación del capítulo y proyectos abiertos Introducción a la regresión lineal, interpretación de la calidad del ajuste y comparación con modelos no lineales.
Capítulo 6: Narración de historias con datos (Data Storytelling)
6.1 Preparación del conjunto de datos Configuración de un conjunto de datos y creación de una función reutilizable para realizar análisis.
6.2 Proyecto: Any Animal Except… Exploración de datos y formulación de hipótesis para identificar tendencias.
6.3 Proyecto: Warm Waters off Peru Análisis de datos temporales para explorar tendencias relacionadas con las aguas cálidas frente a Perú.
6.4 Proyecto: The Cicadas are Coming Análisis de información temporal para identificar patrones y desarrollar explicaciones basadas en datos.
6.5 Evaluación del capítulo y proyectos abiertos Formulación y comprobación de hipótesis, análisis de tendencias y comunicación de resultados mediante técnicas de narración de datos.

El curso Data Science Essentials with Python está dirigido a principiantes y profesionales que desean desarrollar una base sólida en ciencia de datos utilizando Python. Está diseñado para:

  • Personas interesadas en convertirse en científicos de datos.
  • Estudiantes de áreas STEM y disciplinas empresariales.
  • Estudiantes de educación secundaria.
  • Personas interesadas en trabajar con datos utilizando herramientas modernas.

Los participantes desarrollarán habilidades prácticas de programación en Python, manipulación de datos con Pandas, visualización con Matplotlib y fundamentos de modelado y comunicación de resultados.

Este curso no requiere conocimientos previos formales. Sin embargo, tener una experiencia inicial con Python, por ejemplo mediante el curso Python Essentials 1, puede resultar útil para facilitar el aprendizaje.

Data Science Essentials with Python es un curso completamente interactivo y basado en proyectos que introduce los fundamentos de la ciencia de datos. Mediante juegos, ejercicios de programación y proyectos guiados, el estudiante aprende a utilizar Python, Pandas y Matplotlib para trabajar con conjuntos de datos.

El programa está organizado en seis capítulos que abarcan los fundamentos de Python, la programación para responder preguntas mediante datos, la limpieza de información, la visualización, el modelado de datos y la comunicación de resultados mediante técnicas de Data Storytelling.

El aprendizaje combina actividades interactivas, proyectos guiados, evaluaciones y proyectos abiertos que permiten aplicar los conocimientos adquiridos en diferentes situaciones.

Al finalizar el curso, los estudiantes podrán aplicar los fundamentos de Python y las principales herramientas de ciencia de datos para organizar, analizar, visualizar e interpretar información. Entre los objetivos de aprendizaje se encuentran:

Módulo/Tema Objetivo
Capítulo 1: Introducción a Python y herramientas de ciencia de datos
1.1 Fundamentos de Python y DataFrames Crear objetos, actualizar variables, utilizar funciones y métodos, e introducirse en el trabajo con DataFrames.
1.2 Bibliotecas de ciencia de datos Importar y utilizar las bibliotecas Pandas y Matplotlib en Python.
Capítulo 2: Programación para obtener respuestas
2.1 Análisis de conjuntos de datos Leer archivos CSV en DataFrames y utilizar operaciones como eval(), query() y groupby() para consultar y analizar información.
2.2 Combinación de datos Realizar combinaciones básicas de tipo left merge para integrar información de diferentes DataFrames.
Capítulo 3: Limpieza de datos
3.1 Preparación de información Aplicar técnicas básicas para preparar, organizar y limpiar DataFrames antes de realizar análisis.
Capítulo 4: Visualización de datos
4.1 Creación de gráficos Generar gráficos y visualizaciones a partir de DataFrames utilizando Matplotlib.
4.2 Buenas prácticas de visualización Crear gráficos de barras, diagramas de dispersión y gráficos de líneas claros, comprensibles y adecuados para representar datos.
Capítulo 5: Modelado de datos
5.1 Modelos lineales Comprender los fundamentos del ajuste de modelos lineales a pares de datos y analizar la calidad del ajuste.
5.2 Regresión lineal Introducirse en la regresión lineal y comparar sus resultados con modelos no lineales.
Capítulo 6: Narración de historias con datos
6.1 Formulación y comprobación de hipótesis Formular y comprobar hipótesis mediante mecanismos explicativos y análisis exploratorio de datos.
6.2 Comunicación de resultados Comunicar hallazgos y conclusiones utilizando técnicas básicas de narración de historias con datos.

Para acceder al contenido y realizar las actividades del curso, se requiere:

  • Una computadora de escritorio o portátil con un navegador web moderno.
  • Conexión activa a Internet.
  • Un navegador actualizado, como Google Chrome, Mozilla Firefox, Microsoft Edge o Apple Safari.

Para desarrollar los proyectos extendidos descargables al final de cada capítulo, se necesita un entorno de Python. El estudiante puede utilizar cualquiera de las siguientes opciones:

  • Instalar Python en su computadora.
  • Utilizar Google Colab como entorno de programación en línea.

El curso incluye instrucciones para instalar Python y utilizar Google Colab.

↑
Para más información

Puedes contactarnos por privado para saber otros detalles sobre el curso, en el siguiente botón:

Contáctanos