1.
Introducción a la Ciencia de Datos:
Principales conceptos, fundamentos y generalidades del mundo de la Ciencia de Datos y sus procesos
2.
Estadística para la Ciencia de Datos
3.
Introducción a la programación con Python
4.
Manipulación de datos en Python con las librerías:
Numpy y Pandas
5.
Análisis Exploratorio de Datos en Python con las librerías:
Seaborn y Matplotlib
6.
Conceptos generales de Machine Learning y proceso de construcción y evaluación de modelos (aprendizaje automático de máquina)
7.
Desarrollo y evaluación de modelos con los siguientes algoritmos:
Aprendizaje Supervisado:
• Regresión Lineal
• Regresión Logística
• Máquina de Vectores de Soporte
• Naive Bayes
• K Vecinos Más Cercanos
• Arboles de Decisión y Bosques Aleatorios
Aprendizaje No Supervisado:
• K Medias
• K Modas
• Análisis de Componentes Principales (PCA)
8.
Introducción al Procesamiento del Lenguaje Natural (NLP)
9.
Reproducibilidad y puesta en producción de modelos
10.
Otras técnicas:
Simulación de Monte Carlo, Balanceo de Datos, Técnicas de Selección de Variables