Hola!

Bienvenido al curso de certificación “Python DS Total : Fundamentos - Modelos” en el que de manera muy ambiciosa deseo abarcar todos las aristas interesantes de Python, explicándolas de una manera didáctica y entretenida.

Estás a punto de comenzar una aventura, la cual, como cualquier otra, empieza con una pizca de curiosidad e interés. Esta aventura está llena de números, fórmulas, gráficas y algunas palabras que quizás ahorita no tendrán ningún sentido para ti, pero te pido me permitas llevarte de la mano al total entendimiento y a despertar una pasión en el análisis de datos.

La estrategia que tengo para asegurarme que capítulo tras capítulo, hora tas hora, vayas adquiriendo y asimilando conocimiento es la siguiente:

• BRINDARTE CONTEXTO DE LO QUE ABARCAREMOS EN CADA CAPÍTULO: serán videos en los que trataré de no ser nada técnico y te explicaré de manera sencilla algunas situaciones relacionadas con el capítulo a tratar.

• TENGAS A LA MANO TODO EL MATERIAL NECESARIO: siempre tendrás a la mano el material que explico en cada clase y también cualquier actualización o nuevo capítulo que se publique.

• DETALLAR DE MANERA MUY CLARA EL CONOCIMIENTO NUEVO A ADQUIRIR: no habrá línea de código que yo saque de un sombrero mágico, las construiremos juntos y serán explicadas palabra por palabra.

• PROPONER PROBLEMAS PARA QUE APLIQUES EL CONOCIMIENTO ADQUIRIDO: estas secciones serán las que serán actualizadas constantemente, para que siempre puedas contar con nuevos problemas y aplicaciones interesantes.

• DARTE UN RESUMEN O VISTA GENERAL DE TODO LO REVISADO: al final de cada capítulo te brindaré un resumen técnico de todo lo revisado, para que puedas analizar de un solo vistazo todo lo revisado.

Me parece importante alertarte que para entender a cabalidad el presente curso y convertirte en un experto en el análisis de datos e implementación de modelos necesitas lo siguiente:

• NOCIONES DE ALGORITMOS: Entender lo que es la asignación y modificación de una variable, así como la implementación de sentencias consecutivas y repetitivas.

• NOCIONES DE ESTADÍSTICA: Entender lo que es una media, mediana, moda, distribución uniforme y normal será suficiente.

• NOCIONES DE PROGRAMACIÓN: En caso programes en algún lenguaje esto será como un paseo por el parque, y en caso no, te demostraré que con pocas horas de práctica entenderás un lenguaje tan elegante e intuitivo como es Python.

---------------------------------PLAN DE ESPECIALIZACIÓN---------------------------------

• PARTE 1 - Lo que necesitamos para comenzar :

  Te apoyaré a instalar todos los programas necesarios para que seas un crack de Python (también consejos de Jupyter).

  
  

• PARTE 2 - Fundamentos de Programación:

  Te enseñaré el uso de las variables, operadores y sentencias básicas que nos acompañarán durante todo el curso. Es muy importante ya que es el primer paso en la aventura.

  
  

• PARTE 3 - Sentencias de Flujo:

  Así como las variables y operadores, es muy importante las sentencias condicionales y repetitivas. Te enseñaré la sintaxis en Python y algunos problemas interesantes para aplicar.

  
  

• PARTE 4 - Colecciones de datos:

  Esta es una muestra de la elegancia que tiene Python para manejar colecciones de datos. Me gustaría resaltar que este fue el motivo por el me interesé por Python hace muchos años.

  
  

• PARTE 5 - Entradas y salidas:

  Mostraremos mensajes en Jupyter y capturar ingresos por teclado (ya en futuras secciones te enseñare a interactuar con otras maneras de ingresar datos).

  
  

• PARTE 6 - Funciones:

  Este capítulo es quizás uno de los más importantes, ya que te aseguro que si entiendes funciones a la perfección te será muy fácil entender los posteriores temas.

  
  

• PARTE 7 - Gestión de errores:

  Te enseñaré buenas prácticas de la gestión de errores en Python; además de evitar los errores, también te enseñare a generar errores y alertas.

  
  

• PARTE 8 - Programación Orientada a Objetos:

  Te mostraré la versatilidad de Python para no solo programar de manera estructurada, sino también de manera Orientada a Objetos.

  
  

• PARTE 9 - Scripts y Paquetes:

  Cuando comiences a trabajar con Python en la vida real, quizás este sea el primer capítulo que necesitarás revisar, ya que es muy útil y necesario distribuir paquetes y ejecutar desde consola.

  
  

• PARTE 10 - Ficheros:

  Aprenderás como crear, leer, escribir, eliminar e interactuar con una fichero txt (en capítulos posteriores te enseñaré otros tipos de archivo).

  
  

• PARTE 11 - Base de datos:

  En este capítulo aprenderemos cómo manipular una BD MySQL. Utilizaremos Python y un motor que nos facilitará la visualización de la información en la BD.

  
  

• PARTE 12 - Interfaz gráfica:

  Crearemos e interactuaremos con una interfaz gráfica en Python, quizás no sea el punto fuerte de Python, pero confirma la versatilidad que tiene.

  
  

• PARTE 13 - Documentación:

  Aprenderemos las buenas prácticas de la documentación para que te sea más sencillo explicar la lógica implementada.

  
  

• PARTE 14 - Testeo:

  Complementando la documentación de funciones, clases, módulos y paquetes, te enseñaré a definir DOCTEST y UNITTEST, así como manipular respuestas OK/FAILURE/ERROR.

  
  

• PARTE 15 - Importar y exportar datos desde DATASET:

  Te enseñaré cómo importar datos desde distintas clases de archivos para posteriormente analizarlos, modificarlos y obtener información relevante.

  
  

• PARTE 16 - Limpieza de datos:

  Este es el primer paso para analizar datos: mostrar, modificar, eliminar y filtrar datos faltantes.

  
  

• PARTE 17 - Visualización de datos:

  Generaremos gráficos que te ayudarán a visualizar el comportamiento de los datos (muy parecido a lo que obtendrías al generar gráficos en Excel).

  
  

• PARTE 18 - Operar los datos de un DATASET:

  Te enseñaré cómo interactuar con los registros de un DATASET, para ingresar, editar, eliminar y generar sub-DATASETS.

  
  

• PARTE 19 - Distribuciones estadísticas:

  Te enseñaré algunos conceptos de Estadística básica respecto a Distribuciones estadísticas, que serán muy útiles para entender los modelos a implementar.

  
  

• PARTE 20 - División de DATASETS:

  Te enseñaré algunas técnicas para dividir un DATASET por filas.

  
  

• PARTE 21 - Concatenación de DATASETS:

  Concatenaremos diversos DATASET mediante técnicas muy útiles (concatenación por eje, por nombres y por ruta).

  
  

• PARTE 22 - Combinación de DATASETS:

  Combinaremos DATASETS mediante distintos comandos y también te enseñaré la diferencia entre todos ellos.

  
  

• PARTE 23 - Correlación lineal:

  Encontraremos la correlación que hay entre variables de un DATASET, validando si es directa o indirecta.

  
  

• PARTE 24 - Regresión lineal a mano y mediante Statsmodels:

  Te mostraré una forma sencilla de generar un modelo de regresión lineal mediante la librería Statsmodels.

  
  

• PARTE 25 - Regresión lineal mediante Scikit-Learn:

  Te mostraré una forma sencilla de generar un modelo de regresión lineal mediante la librería Scikit-Learn.

  
  

• PARTE 26 - Validación del modelo de regresión lineal:

  Validaremos los indicadores de los modelos de regresión lineal obtenidos en los capítulos anteriores.

  
  

• PARTE 27 - Regresión de grado no lineal:

  Modificaremos los modelos de regresión lineal ya obtenidos, insertando variables de grado no lineal.

• PARTE 28 - Validación del modelo de regresión no lineal:

  Validaremos los indicadores del modelo de regresión no lineal obtenido en el capítulo anterior.

• PARTE 29 - Regresión logística:

  Implementaremos un modelo de regresión logística para predecir una variable categórica que tiene 2 estados.

  
  

• PARTE 30 - Validación del modelo de regresión logística:

  Validaremos los indicadores del modelo de regresión logística obtenido en el capítulo anterior.

  
  

• PARTE 31 - Análisis de OUTLIERS:

  Te enseñaré cómo detectar y eliminar OUTLIERS en un DATASET, para que no participen en el modelo.

  
  

• PARTE 32 - Clustering:

  Aplicaremos un modelo de Clasificación/Clustering en un DATASET e interpretaremos la pertenencia a determinado Cluster.

  
  

• PARTE 33 - Árboles y bosques de Clasificación:

  Te enseñaré cómo implementar un árbol y bosque de Clasificación.

• PARTE 34 - Árboles y bosques de Regresión:

  Te enseñaré cómo implementar un árbol y bosque de Regresión.

  
  

• PARTE 35 - Máquinas de Soporte Vectorial:

  Te enseñaré cómo implementar un modelo de Máquina de Soporte Vectorial, el cual te apoyará a clasificar.