Data Science con Python, de cero a experto

Módulo 1: Introducción al Análisis de Datos
2 Horas 40 Minutos

Objetivo: Al finalizar la unidad, el alumno comprenderá en qué consiste un proyecto de Data Science y cómo Python nos ayudará a llevarlo a cabo.

• Introducción al Análisis de Datos con Python
• ¿Qué es Python y qué nos proporciona para el análisis de datos?
• Instalación Python + Jupyter
• Importar librerías y fuentes de datos
• Visualización básica con Matplotlib
• Flujograma de un proyecto Data Science
• Resumen

Módulo 2: Fundamentos del lenguaje Python
4 Horas 45 Minutos

Objetivo: Al finalizar la unidad, el alumno conseguirá dominar el lenguaje Python y su sintaxis.

• Variables en Python
• Creación de listas y extracción de datos
• Conceptos avanzados de creación de listas
• Uso de funciones en Python (in-built)
• Creación de funciones en Python y argumentos flexibles
• Funciones lambda
• Métodos en Python
• Cómo crear diccionarios en Python
• Uso de función zip para creación de diccionarios en base a listas
• Operadores en Python
• Bucles en Python
• Comprensión de listas en python
• Resumen

Módulo 3: Conceptos de Estadística para el Análisis de Datos
2 Horas 15 Minutos

Objetivo: Al finalizar la unidad, el alumno entenderá los fundamentos estadísticos para convertirse en científico de datos, lo cual es la base sólida para poder analizar y obtener conclusiones.

• Variables y Conceptos básicos
• Varianza de una variable
• Correlación de variables
• Histogramas
• Análisis con percentiles (CDF)
• Funciones densidad de probabilidad
• Distribución Gaussiana
• Cálculo de previsiones (forecast) y media móvil
• Resumen

Módulo 4: Calculo numérico con Numpy
2 Horas 15 Minutos

Objetivo: Al finalizar la unidad, el alumno habrá profundizado en la librería Numpy para hacer cálculos numéricos con Python.

• Introducción a la librería Numpy
• Selección de datos con array Numpy
• Arrays 2D en Numpy
• Cálculo estadístico con NumPy
• Generación de datos con Numpy
• Resumen

Módulo 5: Análisis de datos con Pandas
9 Horas 20 Minutos

Objetivo: Al finalizar la unidad, el alumno habrá profundizado en la librería más importante para limpieza y transformación de datos con Pandas.

• Introducción a la librería Pandas ¿qué es un dataframe?
• Creación de un dataframe a partir de un diccionario
• Cómo importar datos desde un fichero de texto plano (txt, csv…)
• Selección de datos en un dataframe Pandas
• Métodos útiles de un dataframe Pandas
• Eliminar duplicados, valores erróneos y columnas de un dataframe Pandas
• Interpolación de datos
• Filtrar datos en un dataframe Pandas
• Ordenación valores en un dataframe Pandas
• Crear columnas en un dataframe para cadenas de texto
• Crear columnas en un dataframe a partir de un diccionario con map
• Crear columnas en un dataframe a partir de funciones lambda
• Crear columnas en un dataframe a partir de funciones condicionales
• Renombrar y reordenar columnas de un dataframe Pandas
• Cómo crear pivot tables en Pandas
• Uso de groupby en Pandas
• Concatenación de dataframes (union)
• Combinación de dataframes
• Combinación con Pandas Merge
• Resumen

Módulo 6: Importación y exportación con Pandas
7 Horas 30 Minutos

Objetivo: Al finalizar la unidad, el alumno conseguirá importar y exportar desde múltiples fuentes de datos.

• Cómo importar datos desde un fichero Excel
• Introducción a las BBDD relacionales / Modelos de datos
• Cómo importar datos desde una BBDD SQL
• Cómo importar datos desde una página web
• Cómo importar datos desde una página web (Web scraping)
• Cómo importar datos desde un fichero semi-estructurado JSON
• ¿Cómo importar datos en formato JSON en Python?
• Cómo importar datos desde Redes Sociales
• Cómo importar datos desde Cloud (AWS / Azure / Google Cloud)
• Exportación de datos a csv y Excel
• Exportación de datos a BBDD SQL
• Resumen

Módulo 7: Visualización de datos en Python – Matplotlib
5 Horas 05 Minutos

Objetivo: Al finalizar la unidad, el alumno conseguirá crear potentes visualizaciones con Matplotlib para poder analizar y explicar los resultados obtenidos.

• Consejos para la visualización de datos
• ¿Qué tipo de gráfico aplica a cada caso?
• Introducción a la librería Matplotlib
• Creación de un gráfico de línea, bar, scatter
• Personalización de gráficos (título, etiquetas, ticks, leyenda, límites de ejes, anotaciones…)
• Creación de box & whiskers plot
• Gráfico Box & Whiskers con Matplotlib
• Creación de un histograma y CDF
• Creación CDF a partir del histograma
• Gráfico de media móvil
• Visualización de gráficos múltiples (subplots)
• Aplicación de estilos
• Creación de gráficos a partir de objeto groupby
• Creación de histogramas en 2D
• Creación de mapas geográficos con basemap y Google maps
• Mapas geográficos con basemap
• Mapas geográficos con Google Maps
• Resumen

Módulo 8: Visualización de datos en Python – Seaborn
3 Horas 15 Minutos

Objetivo: Al finalizar la unidad, el alumno conseguirá crear potentes estadísticas con la librería Seaborn para un análisis profundo de la información.

• Introducción a la librería Seaborn
• Seaborn – Creación de Regresión Lineal
• Regresión lineal con Seaborn
• Seaborn – Stripplot
• Seaborn – Swarmplot
• Seaborn – Violinplot
• Seaborn – Uso de jointplot
• Jointplot en modo KDE
• Seaborn – Uso de pairplot
• Seaborn – Correlación con heatmap
• Resumen

Módulo 9: Series temporales en Python
6 Horas 10 Minutos

Objetivo: Al finalizar la unidad, el alumno conseguirá explotar sus datos históricos para realizar análisis y previsiones.

• Series temporales en Pandas: Extracción y parsing
• Series temporales: Filtrado
• Series temporales: Remuestreo – Diezmado (downsampling)
• Cómo remuestrear con Pandas
• Series temporales: Remuestreo – Interpolación (upsampling)
• Visualización de series temporales
• Previsiones basadas en datos históricos
• Visualización tendencia y estacionalidad
• Métodos de previsión
• Resumen

Módulo 10: Ejecución e interconexión de Python con otras plataformas
1 Hora 45 Minutos

Objetivo: Al finalizar la unidad, el alumno conseguirá generar scripts de Python para automatizar tareas e interconectar con otras herramientas de Business Intelligence.

• Generación de scripts de python y automatización de tareas
• Uso de Python en herramienta de Business Intelligence Power BI
• ¿Cómo importamos una fuente de datos ya transformada a partir de un script de Python?
• ¿Cómo podemos usar Python dentro de Power Query para transformar nuestros datos?
• ¿Cómo podemos crear un visual personalizado con Matplotlib o Seaborn dentro de PowerBI?
• Resumen