1.- Intro | A2 Capacitación

Reproducción Automática
Autocompletar

Clase Previa Completar y Continuar

PYTHON PARA CIENCIA DE DATOS

Ruta de Estudios

Ruta

1.- Bienvenido a Python

Archivos para el Curso
1.- Intro al Curso (1:22)
1b.- Python vs R (14:36)
1a.- Por que Python (2:51)
2.- Instalar Anaconda (2:41)
3.- Anaconda Prompt (1:53)
4.- Anaconda Navigator y Jupyter Notebook (7:06)
5.- Kaggle (2:35)

2.- Intro a Programación

1.- Variables y Asignaciones (6:57)
2.- Aritmetica (2:46)
3.- Cadenas (6:57)
4.- Input (3:29)
5.- Ejecutar (3:05)

Analisis Exploratorio de Datos 1 - Estádistica

1.-Introducción (1:52)
2.- Pininos de DataFrame (6:43)
3.- Comenzando el análisis (4:15)
4.- Conociendo Precio de Venta (4:34)
5.- Precio de Venta vs Área Habitable (4:12)
6.- Precio de Venta vs Sotano (2:22)
7.- Precio Venta vs Calidad (6:35)
8.- Precio de Venta vs Construccion (5:25)
9.- Heatmap de Correlación (4:38)
10.- Heatmap con Datos (7:20)
11.- Pairplot entre SalePrice y Otros (4:11)

3.- Control de Programas

1.- Intro a Algoritmos (1:24)
2.- Pseudocodigo (1:13)
3.- Control de Programa (1:06)
4.- Primer If (6:26)
5.- Else IF (7:43)
6.- Sentencia While (3:04)
7.- Introducción a For (3:55)
8.- Solución a Factorial (6:50)
9.-Solución a ejercicios (9:43)
10.- Ops Booleanos (4:00)

4.- Funciones

1.- Intro y Función DEF (6:06)
2.- Funciones con multiples parámetros (4:59)
3.- Tiros de Moneda (9:54)
4.- El Gran 8 (10:43)
5.- Funciones Sin parámetro y parámetros múltiples (5:05)
6.- Variables Globales (3:43)
7.- Librería Math (1:15)
8.- Libreria Statistics (3:15)

5.- Listas y Tuplas

1.- Introducción python (1:20)
2.- Listas (11:33)
3.- Tuplas (9:41)
4.- Dividir Listas (10:16)
5.- Del (4:21)
6.- Listas Ordenadas (5:12)
7.- Búsqueda en Listas (2:03)
8.- Otros metodos de Listas (3:35)
9.- Copiar y Voltear (4:33)
10.- Comprension de Listas (9:12)
11.- Generador de Expresiones (2:48)
12.- Filter Map y Reduce (7:32)
13.- Lista de 2 Dimensiones (1:24)
14.- Graficas de Barras (12:18)

6.- Diccionarios y Conjuntos

1.- Intro y Primeros Pasos (5:38)
2.- Operaciones Básicas (4:50)
3.- Métodos de Diccionario (6:19)
4.- Comparaciones de Diccionario (1:36)
5.- Ejemplo (5:54)
6.- Comprensión de Diccionarios (4:18)
7.- Conjuntos (5:23)

7.- Arreglos y NUMPY

1.- Intro (1:18)
2.- Arreglos de Datos (3:41)
3.- Atributos del Arreglo (5:06)
4.- Creando Arreglos desde Rangos (6:33)
5.- Timeit (2:33)
6.- Operaciones con Arreglos (5:02)
7.- Cálculos con Arreglos Estadísticos (4:00)
8.- Indexar y Cortar (4:33)
9.- Transponer (1:22)
10.- Pandas - Series (9:38)
11.- Pandas - DataFrames (10:42)

8.- Manipulación de Textos

1.- Introducción (1:21)
2.- Tipos de Presentación (4:06)
3.- Alineación y Espacios (8:44)
4.- Formato Númerico (6:53)
5.- Concatenar Cadenas que se Repiten (2:04)
6.- Quitar espacios en blanco (1:48)
7.- Mayúsculas y Comparación (1:55)
8.- Busquedas en cadenas (6:14)
9.- Búsqueda y Reemplazo dentro de Python (1:06)
10.- Separar y Unir (5:11)
11.- Expresiones Regulares (13:08)
12.- Sub y Split (6:07)
13.- Búsquedas con Expresiones Regulares (9:54)
14.- Expresiones Regulares con Pandas (5:25)

Análisis Exploratorio de Datos 2 - Desde Excel a Pandas

1.- Intro e importacion de datos (5:36)
2.- Operaciones con Datos (11:21)
3.- BuscarV o Merge (6:19)
4.- Tablas Dinámicas (9:34)

9.- Manejo de Textos

1.- Introducción (1:40)
2.- Escribir a txt - sentencia With- (3:29)
3.- Leer de Txt (4:31)
4.- Modificar Archivos de Python (4:43)
5.- Manejo de Errores (5:19)
6.- Leer CSV (6:26)
7.- Pandas con CSV (4:38)

Análisis Exploratorio de Datos 3 - Web Scraping con Beautiful Soup

1.- Web Scraping (31:53)

10.- Programación Orientada a Objetos

1.- POO INTRO (3:49)
2.- Metodos y Clases (9:30)
3.- La cuenta personal (6:58)
4.- La clase Personal (12:41)
5.- Polimorfimos (6:08)
6.- Data Science - Modelos de Regresión Lineal (16:16)

11.- Recursión, Iteración, Búsqueda y Orden

1.- Intro (1:45)
2.- Fibonacci (10:03)
3.- Serie Geometrica (4:48)
4.- Factorial (4:47)
5.- Búsqueda Lineal (3:51)
6.- Ordenamiento por selección (4:52)

12.- Procesamiento de Lenguaje Natural (NLP)

1.- Intro (1:32)
2.- Instalando TextBlob (2:57)
3.- Crear un TextBlob (1:20)
4.- Tokenizar (2:21)
5.- Parte del habla y Noun Phrases (2:02)
6.- Análisis de Sentimientos (5:41)
7.- Lenguaje y Traducción (2:19)
8.- Pluralizar y Singularizar (1:27)
9.- Correcciones Ortográficas (2:03)
10.- Contar Frecuencias de palabras (2:39)
11.- Sinonimos y Antonimos (1:04)
12.- Stop Words (2:53)
13.- Spacy (3:49)

13.- Aprendizaje de Máquina - Machine Learning

1.- Intro a Machine Learning (6:21)
2.- Intro al caso de estudio - K Vecinos más cercanos (4:16)
3.- Clasificación - Cargar el Dataset (7:14)
4.- Clasificación - Visualizar el Dataset (4:18)
5.- Clasificación - Separar el dataset (5:16)
6.- Clasificación - Crear el Modelo (1:45)
7.- Clasificación - Entrenar el Modelo (2:18)
8.- Clasificación - Predecir clases de dígitos (6:01)
9.- Clasificación 2 - Metricas para la exactitud del Modelo (10:06)
10.- Clasificación 2 - Validación Cruzada con K-Fold (6:38)
11.- Clasificación 2- Varios Modelos Hasta dar con el Bueno (7:16)
12.- ClasificaciónAjustar - Hiperparametros (4:53)
13.- Regresión Lineal - Reglin Sencilla (18:56)
14.- Regresión Lineal 2 - Cargar el Dataset (4:12)
15.- Regresión Lineal 2 - Explorar los datos (4:56)
16.- Regresion Lineal 2 - Visualizar los datos (7:33)
17.- Regresión Lineal 2 - Separar los Datos (1:41)
18.- Regresión Lineal 2 - Hacer el modelo (3:58)
19.- Regresión Lineal 2 - Probar el modelo (1:51)
20.- Regresión LIneal 2 - Visualizar los resultados (4:52)
21.- Regresión Lineal 2 - Métricas del Modelo (3:29)
22.- Regresión Lineal 2 - Escoger el mejor Modelo (6:56)
23.- Aprendizaje no Supervisado - Reducción de dimensiones - Parte 1 (2:54)
24.- Aprendizaje no Supervisado - Reduccion de dimensiones - Parte 2 (7:29)
25.- K-Means Clustering - Introducción (3:23)
26.- K-Means Clustering - Cargar el Dataset (2:44)
27.- K-Means Clustering - Explorar el Dataset (3:58)
28.- K-Means Clustering - Visualizar el dataset (5:03)
29.- K-Means Clustering - Usar el kmeans estimador (4:45)
30.- K-Means Clustering - Visualizar los datos (6:36)
31.- K-Means Clustering - Escoger el mejor (8:45)

14.- Deep Learning

1.- Intro (3:17)
2.- Redes Neuronales (3:47)
3.- Tensores (4:38)
4.- Comenzando con MNIST (3:45)
5.- Cargar el Dataset (1:19)
6.- Explorar nuestros Datos (7:18)
7.- Preparar los datos (8:30)
8.- Crear la red neuronal (18:40)
9.- Entrenar y Evaluar el modelo (18:43)
10.- Intro a IMDB (3:07)
11.- Cargar los Datos (2:33)
12.- Exploración de Datos (9:45)
13.- Preparar los Datos (4:51)
14.- Entrenar y Evaluar el modelo (9:37)
15.- Entrenar y Evaluar el modelo (4:06)

¡Felicidades! has concluido tu curso de Python

Obtén tu certificado

Teach online with

1.- Intro

Contenidos Bloqueados

Si ya estas inscrito necesitarás ingresar.

Inscríbete en el curso para desbloquear