Introducción
  • Introducción
  • Pre requisitos del curso
  • Conoce a tu instructor online, Juan Gabriel Gomila
  • Acerca de la valoración prematura del curso en Udemy
Instalando nuestra herramienta de trabajo
  • Cómo instalar Python con Anaconda Navigator
  • Cómo instalar paquetes en Python gracias a pip
  • Instalación de pip en Windows
  • Las librerías estándar de Machine Learning en Python
  • Los editores para programar en Python
  • Las 5 etapas del análisis de datos
  • Comunidad de estudiantes del curso
Una introducción al análisis predictivo y al Machine Learning
  • Ser Data Scientist es la profesión más sexy del siglo XXI
  • ¿Qué es el análisis predictivo de datos?
  • Data Scientist = Matemáticas + Programación + Business
  • Aplicaciones y ejemplos del mundo del Data Science
Limpieza de Datos
  • Data Cleaning
  • El concepto de data frame
  • El repositorio Git del curso
  • ¿Qué hago si no me autocompleta Jupyter?
  • Acerca de las barras en Windows
  • Leer datos procedentes de un CSV
  • Los parámetros de la función read_csv
  • Ejemplos de diferentes carga de datos con read_csv
  • El método open para la carga manual de datos
  • Cuidado con el método open
  • Leer y escribir en un fichero con Python
  • Leer los datos desde una URL externa
  • La carga de datos desde una hoja de cálculo
  • Ejercicio: descargar y procesar datos desde una URL externa
  • Las funciones básicas de resumen, estructura, dimensiones y cabecera
  • ¿Por qué faltan valores en los data sets?
  • Qué hacer cuando faltan valores en el dataset
  • Las variables dummy
  • Visualización básica de un dataset: el scatterplot
  • Visualización básica de un dataset: el histograma de frecuencias
  • Visualización básica de un dataset: el boxplot
Operaciones de manejo de datos
  • Data Wrangling
  • Una chuleta de pandas para Data Wrangling
  • Fe de erratas
  • Buscar un subconjunto de datos de un dataset
  • Filtrados alternativos
  • Subconjuntos de filas con ciertas condiciones
  • Subconjuntos con loc e iloc y creación de nuevas columnas
  • Generar números aleatorios
  • La semilla de la generación aleatoria
  • Funciones de distribución de probabilidades
  • La distribución uniforme
  • La distribución Normal
  • El método de la simulación de Monte-Carlo para encontrar el valor de Pi
  • Generando dummy data frames
  • Un dummy data frame con variables categóricas
  • Agrupación de los datos por categorías
  • Agregación de datos
  • Filtrado, Transformación y otras operaciones útiles
  • Conjunto de entrenamiento y de testing
  • Atualización: cómo dividir conjunto de entrenamiento y test
  • Muestreo aleatorio: cómo dividir un dataset en conjunto de entreno y validación
  • Concatenar dos datasets por filas
  • Carga de cientos de datos distribuidos
  • Ejercicio: el data set de los juegos olímpicos
  • Concatenar los datos con merge
  • Formas de cruzar tablas con joins
  • Eliminar datos de datasets con restricciones de conjunto
  • Ejemplos de joins con Python
  • Ya conoces las bases del manejo de datos
  • ¿Te gusta el curso? ¡Valóralo y cuéntanos tu opinión!
Conceptos básicos de estadística para la modelización predictiva
  • Los conceptos fundamentales de estadística
  • Un resumen de los estadísticos básicos (en R)
  • Muestreo aleatorio y el teorema central del límite
  • Los contrastes de hipótesis
  • Cómo hacer un contraste de hipótesis paso a paso
  • Test de la chi cuadrado
  • Correlación entre variables
  • Un resumen de lo aprendido
Regresión lineal con Python
  • La regresión lineal
  • Las matemáticas tras una regresión lineal
  • Demostración de la obtención de los parámetros del modelo lineal
  • Errores normalmente distribuidos
  • Sumas de los cuadrados totales, de las diferencias y de la regresión
  • Ejercicio demostrar que SST = SSR + SSD
  • Encontrando los coeficientes óptimos de la regresión
  • Interpretar los parámetros de la regresión
  • Implementar una regresión lineal con Python
  • Regresión lineal múltiple
  • El problema de la multicolinealidad
  • Validando nuestro modelo
  • El resumen de todos los modelos lineales creados
  • Regresión lineal con scikit-learn
  • Modelos lineales con variables categóricas
  • Variables categóricas en una regresión lineal
  • Otra forma más simple de calcular las predicciones
  • Enmascarado de variables categóricas redundantes
  • Transformar las variables en relaciones no lineales