Saltar al contenido
KnowledgeCity

Ciencia de Datos y Aprendizaje Automático

Filtros de cursos
Nivel de habilidad del curso
Tiempo de ejecución
Limpiar todos los filtros
83 cursos para 'Ciencia de Datos y Aprendizaje Automático'
Hoy no encontramos nada, pero vuelva a revisar porque añadimos nuevos contenidos cada mes.
TensorFlow – Nivel principiante 1h 49m • 22 Lecciones • Principiante En este curso sobre TensorFlow, comenzará aprendiendo cómo se puede usar el aprendizaje automático para resolver problemas del mundo real en diferentes dominios, como las finanzas y la biología. Explorará los modelos de clasificación, el procesamiento de datos Pandas, la visualización Seaborn y la evaluación de modelos y las métricas de desempeño.
TensorFlow nivel principiante: ¿Qué es TensorFlow? 15m • 3 Lecciones • Principiante TensorFlow es una popular biblioteca de software de código abierto para el aprendizaje profundo y se usa ampliamente en aplicaciones de aprendizaje automático. En estas lecciones aprenderá la división de entrenamiento/validación más común y la importancia de mantener un equilibrio entre los dos conjuntos. También descubrirá una de las técnicas de preprocesamiento que TensorFlow proporciona para las imágenes, que es crucial para mejorar la precisión del modelo.
TensorFlow Nivel Principiante: Aprendizaje profundo con TensorFlow 20m • 3 Lecciones • Principiante El aprendizaje profundo es un campo que evoluciona rápidamente, y tener una comprensión fundamental de los diferentes métodos y técnicas utilizados en el aprendizaje profundo puede ser valioso para los profesionales de este espacio. En estas lecciones aprenderá los diferentes métodos de aprendizaje profundo utilizados en el campo, incluidas las redes neuronales convolucionales (CNN) y los perceptrones multicapa (MLP).
TensorFlow Nivel Principiante: Redes neuronales 19m • 3 Lecciones • Principiante Las redes neuronales se han convertido en una parte integral del aprendizaje automático y se pueden utilizar en una variedad de aplicaciones, desde el procesamiento de imágenes hasta el procesamiento del lenguaje natural. En estas lecciones aprenderá los conceptos fundamentales de las redes neuronales, incluyendo las redes neuronales artificiales (RNA) y el método de mínimos cuadrados.
TensorFlow Nivel Principiante: Aprendizaje por transferencia 20m • 4 Lecciones • Principiante El aprendizaje por transferencia es una técnica eficaz en el aprendizaje automático que implica el uso de modelos preentrenados para mejorar el rendimiento de sus propios modelos. En estas lecciones conocerá las diferentes ventajas del aprendizaje por transferencia y cómo usar modelos previamente entrenados para mejorar el rendimiento de sus proyectos de aprendizaje automático.
TensorFlow Nivel Principiante: Complementos para TensorFlow 13m • 3 Lecciones • Principiante TensorFlow es una potente herramienta para el aprendizaje automático, pero también hay una serie de complementos disponibles que pueden mejorar sus capacidades. En estas lecciones explorará los diferentes complementos disponibles y cómo usarlos de forma eficaz en sus proyectos de aprendizaje automático.
TensorFlow Nivel Principiante: Aplicaciones del mundo real 18m • 4 Lecciones • Principiante En estas lecciones aprenderá a aplicar técnicas de aprendizaje automático para resolver problemas complejos del mundo real en diversos dominios, como las finanzas y la biología. Aprenderá sobre los modelos de clasificación y cómo se pueden utilizar para resolver desafíos como el análisis de tensión/deformación de una presa, como un ejemplo notable.
Modelado de clasificación 1h 56m • 32 Lecciones • Intermedio
Aprobado por
International Institute of Business Analysis (IIBA®)
En este curso, aprenderá los fundamentos del modelado de clasificación utilizando el aprendizaje automático. Examinará la tubería típica del modelo de clasificación y los problemas aplicables a los que se puede aplicar. También aprenderá a recopilar, preprocesar y analizar los datos necesarios para crear un modelo de clasificación viable.
Aprendizaje automático y clasificación 26m • 6 Lecciones • Intermedio Estas lecciones presentarán el modelado de clasificación y su espacio de problemas dentro del aprendizaje automático supervisado. Esto incluirá el aprendizaje y el reconocimiento de la diferencia entre clasificación y predicción, y cómo el modelado de clasificación encaja en el campo más amplio del aprendizaje automático. Aprenderá a abordar los problemas de clasificación y se le presentará la tubería típica de los modelos de clasificación.
Problemas de la clasificación 27m • 6 Lecciones • Intermedio Estas lecciones explicarán el proceso típico de creación de modelos en referencia a la tubería del modelo de clasificación. También recibirá una introducción a los problemas de clasificación binarios y multiclase, y las formas en que se utilizan mejor. Aprenderá a utilizar la ingeniería de características para averiguar las mejores entradas de datos para sus modelos de clasificación.
Algoritmos/Modelos de Clasificación 34m • 8 Lecciones • Intermedio En estas lecciones aprenderá los algoritmos de clasificación más utilizados y a qué problemas se aplican normalmente. Cubriremos varios estilos de modelado, que incluyen: regresión, Naive Bayes, máquinas de vectores de soporte, árboles de decisión, modelos de bosque aleatorios, vecinos K más cercanos y modelos de múltiples clases.
Desafíos 16m • 6 Lecciones • Intermedio En estas lecciones aprenderá a elegir el modelo correcto teniendo en cuenta las compensaciones entre ellos. También aprenderá a lidiar con los desafíos comunes que enfrentan los modelos de clasificación, como los problemas de sesgo, equidad y recopilación de datos.
Aplicaciones 10m • 4 Lecciones • Intermedio Estas lecciones lo llevarán a través de las diversas aplicaciones del modelado de clasificación en escenarios de la vida real. Aprenderá cómo se utilizan el modelado de clasificación y la IA en imágenes médicas, diagnóstico y prevención y cómo los investigadores esperan ayudar a la atención médica en todo el mundo.
Aprendizaje automático 55m • 20 Lecciones • Principiante En este curso, aprenderá los conceptos básicos del aprendizaje automático. Se le presentará el aprendizaje automático y algunos de los conceptos y temas relacionados. Comprenderá los diversos tipos y categorías de aprendizaje automático. Este curso también abarcará cómo implementar modelos de aprendizaje automático en Python utilizando el paquete scikit-learn. Se analizarán y demostrarán los métodos de aprendizaje automático supervisados y no supervisados.
Introducción al aprendizaje automático 13m • 6 Lecciones • Principiante Este capítulo presentará el aprendizaje automático y sus dos categorías principales: supervisado y no supervisado. Aprenderá qué son y cómo se usan. También aprenderá sobre cómo el aprendizaje automático está relacionado con la inteligencia artificial. En este capítulo se discutirá y explicará La importancia de los datos. Este capítulo también explicará la diferencia entre clasificación y regresión para el aprendizaje automático.
Métodos de aprendizaje automático no supervisados 14m • 3 Lecciones • Principiante Este capítulo presentará conceptos y técnicas de aprendizaje automático no supervisado. Enseñará los modelos de mezcla gaussiana. También abarcará varios tipos de agrupación. Este capítulo también introducirá el concepto de aprendizaje múltiple y la diferencia entre varios tipos.
Métodos de aprendizaje automático supervisados 15m • 4 Lecciones • Principiante En este capítulo aprenderá sobre conceptos y técnicas de aprendizaje supervisado. Abarcará la regresión lineal y logística. Aprenderá sobre las máquinas de vectores de soporte y sus usos. Este capítulo también cubre árboles de decisión, bosques aleatorios, aprendizaje de conjuntos y cómo se relacionan todos. También se discute en este capítulo las redes neuronales.
Desafíos y aplicaciones del aprendizaje automático 10m • 5 Lecciones • Principiante Este capítulo cubrirá los desafíos y las aplicaciones en el campo del aprendizaje automático. Cubrirá la selección de modelos para el aprendizaje automático, así como consideraciones éticas y otras consideraciones clave. También se cubrirán desafíos específicos de aprendizaje automático y algunas de sus aplicaciones más populares.
Ética y responsabilidad en la IA (inteligencia artificial) 2h 31m • 54 Lecciones • Intermedio Este curso sobre ética y responsabilidad en la IA proporcionará una visión general completa de las consideraciones y principios éticos en torno a la rendición de cuentas en los sistemas de IA. Aprenderá los principios que se aplican solo a los sistemas de IA, como la explicabilidad, así como los principios más amplios, como el de igualdad de acceso a la tecnología, los servicios y las oportunidades. Conocerá la intersección de la IA ética y los derechos humanos, la gobernanza y el sistema legal.
Ética y responsabilidad en la IA: desarrollo moderno de la inteligencia artificial 24m • 7 Lecciones • Intermedio Estas lecciones sobre el desarrollo de la inteligencia artificial moderna cubrirán la historia y los antecedentes de la inteligencia artificial y los aspectos y conceptos fundamentales de la inteligencia artificial, incluyendo cómo funciona como un sistema de decisión.
Ética y responsabilidad en la IA: desafíos únicos de la IA y el aprendizaje automático 16m • 5 Lecciones • Intermedio En estas lecciones sobre los desafíos únicos de la IA y el aprendizaje automático, explorará los tipos de aprendizaje automático, incluido el supervisado, que utiliza datos etiquetados para hacer predicciones; el no supervisado, una serie de técnicas para comprender la estructura de los datos sin una variable de resultado; y aprendizaje por refuerzo, uno de los estilos más antiguos de aprendizaje automático que utiliza un método de aprendizaje basado en objetivos.
Ética y responsabilidad en la IA: Introducción a la inteligencia artificial ética 21m • 7 Lecciones • Intermedio En estas lecciones conocerá el panorama de gobernanza en torno a la IA. Aprenderá sobre la alineación de la IA con los valores humanos y los impactos externos que están indirectamente relacionados con la creación y el despliegue de cualquier sistema de IA, como los impactos ambientales.
Ética y rendición de cuentas en la IA : rendición de cuentas en la IA 8m • 4 Lecciones • Intermedio La rendición de cuentas es una parte fundamental de la ética en la IA, y es relevante en todas las etapas del ciclo de vida de un sistema de IA, incluso durante el diseño, después del despliegue, así como cuando se produce algún daño debido al sistema.
Ética y responsabilidad en la IA: privacidad, seguridad y protección en la inteligencia artificial 13m • 6 Lecciones • Intermedio Estas lecciones sobre privacidad, seguridad y protección en la inteligencia artificial describirán el Reglamento General de Protección de Datos, el consentimiento, la portabilidad de datos, la capacidad de restringir el procesamiento, el derecho de rectificación y el derecho de eliminación.
Ética y responsabilidad en la IA: transparencia y explicabilidad en la inteligencia artificial 14m • 5 Lecciones • Intermedio En estas lecciones sobre transparencia y explicabilidad en inteligencia artificial, aprenderá sobre la explicabilidad y la interpretabilidad y su intersección con los conceptos de caja negra y caja de vidrio AI. Revisará las ventajas y desventajas del software de código abierto en el desarrollo de un sistema de IA. También aprenderá sobre los principios de notificación de decisión e interacción, y su importancia con sistemas que utilizan lenguaje natural o reconocimiento facial.
Ética y responsabilidad en la IA: sesgo, inclusión y equidad en la inteligencia artificial 8m • 4 Lecciones • Intermedio Estas lecciones sobre sesgo, inclusión y equidad en la inteligencia artificial explorarán por qué el sesgo es uno de los conceptos más discutidos que involucran la ética en la IA y por qué la prevención del sesgo debe ser parte de la gobernanza de cada sistema de IA. Además, estas lecciones revisarán los conceptos de equidad, representatividad y el principio de impacto inclusivo.
Ética y rendición de cuentas en la IA: responsabilidad profesional y control humano de la tecnología de la IA 8m • 5 Lecciones • Intermedio En estas lecciones sobre Responsabilidad profesional y control humano de la IA, aprenderá sobre el principio general del control humano de la tecnología y cómo se cruza con el desarrollo del sistema de IA. También verá cómo la responsabilidad de los diseñadores está vinculada a la gobernanza del sistema de IA y la colaboración de múltiples partes interesadas para permitir comentarios valiosos sobre el diseño del sistema y su impacto en varios grupos de partes interesadas.
Ética y rendición de cuentas en la IA: inteligencia artificial y valores sociotécnicos 17m • 6 Lecciones • Intermedio Los derechos humanos están estrechamente vinculados a los valores humanos y se cruzan con todos los aspectos de la sociedad. En estas lecciones sobre IA e impacto del sistema sociotécnico en la sociedad y los valores humanos, aprenderá cómo los derechos humanos pueden verse afectados por la IA y comprenderá la intersección de los derechos y las libertades civiles con la IA.
Ética y responsabilidad en la IA: incidentes críticos de la inteligencia artificial 14m • 3 Lecciones • Intermedio Estas lecciones sobre incidentes críticos de la inteligencia artificial analizan incidentes significativos de IA mediante una serie de ejemplos del mundo real de resultados negativos en IA, cómo se resolvieron y cómo podrían haberse evitado. Específicamente, veremos estudios de casos centrados en cuestiones de identidad y discriminación, contenido ofensivo e implicaciones legales.
Redes neuronales 1h 25m • 24 Lecciones • Principiante En este curso, aprenderá los conceptos básicos de las redes neuronales. Recibirá una introducción a las redes neuronales y conceptos y temas estrechamente relacionados. Podrá comprender los diversos aspectos de diseño de las redes neuronales y cómo hacer selecciones para ellas. El curso también abarcará cómo implementar redes neuronales, específicamente en Python.
Introducción a las redes neuronales 17m • 5 Lecciones • Principiante Este capítulo presentará las redes neuronales. Aprenderá qué son y cómo se usan. También aprenderá el tipo más básico de red neuronal. En este capítulo se examinarán y se explicarán las entradas y las salidas. Este capítulo también explicará la diferencia entre clasificación y regresión en las redes neuronales.
Diseño de redes neuronales 29m • 7 Lecciones • Principiante Este capítulo presentará los conceptos de diseño de las redes neuronales. Cubrirá la importancia de los datos, tanto en el rendimiento como en la selección de redes neuronales. También cubrirá qué son las funciones de activación, las funciones de pérdida y los optimizadores y cómo seleccionar cuáles usar. Este capítulo también le presentará el entrenamiento, las pruebas y la validación de las redes neuronales.
Implementación de redes neuronales 28m • 6 Lecciones • Principiante En este capítulo aprenderá sobre la implementación de redes neuronales. Se analizarán varios lenguajes que se pueden utilizar para implementar redes neuronales. Aprenderá por qué se recomienda Python como el lenguaje de programación para comenzar para la implementación de redes neuronales. Este capítulo también cubre varios marcos para implementar redes neuronales en Python.
Aplicaciones prácticas para las redes neuronales 7m • 4 Lecciones • Principiante Este capítulo cubrirá los usos prácticos y las aplicaciones de las redes neuronales. Explicará cómo se pueden usar las redes neuronales para la ciberseguridad, la automatización, la detección de anomalías y los sistemas predictivos.
Clustering (agrupamiento) en el aprendizaje automático 2h 38m • 37 Lecciones • Intermedio
Aprobado por
International Institute of Business Analysis (IIBA®)
En este curso, aprenderá los fundamentos de varias áreas de aprendizaje automático, incluidas la agrupación en clústeres, la detección de anomalías y los modelos de asociación. Comprenderá el método más común de agrupación, k-means y cómo se puede aplicar a los datos de encuestas para crear una robusta segmentación de clientes, incluida la creación de personajes y una herramienta de tipificación. Al final de este curso, sabrá aplicar una serie de diferentes técnicas de análisis y agrupación.
Análisis de clústeres de datos 36m • 7 Lecciones • Intermedio Estas lecciones presentarán el agrupamiento en clústeres y su espacio de problemas dentro del aprendizaje automático no supervisado. Se le presentarán los emparejamientos del agrupamiento en clústeres con otros pasos de modelado, como la reducción de dimensiones, la ingeniería de características y la predicción. También aprenderá a considerar el agrupamiento en clústeres desde un punto de vista empresarial, junto con los tipos de problemas para los que es útil.
Clústeres con K-means 52m • 8 Lecciones • Intermedio Estas lecciones presentan el estilo más común de clústeres, k-means, y trabajan a través de un caso de uso detallado de una segmentación de clientes. Aprenderá a elegir variables de entrada, seleccionar la cantidad de clústeres y a interpretar los centroides. Aprenderá a evaluar la calidad de un modelo de análisis de clústeres y a abordar los desafíos computacionales que conlleva el agrupamiento en clústeres. Examinaremos cómo crear personajes y métodos para clasificar nuevos datos.
Algoritmos de clustering 24m • 6 Lecciones • Intermedio En estas lecciones, aprenderá los algoritmos del agrupamiento en clústeres más utilizados y los problemas a los que suelen aplicarse. Cubriremos y evaluaremos sus fortalezas y debilidades relativas y las ventajas y desventajas entre ellos.
Reglas de asociación 16m • 4 Lecciones • Intermedio En estas lecciones, aprenderá las reglas de asociación y cómo se pueden aplicar a tiendas minoristas, sitios web de comercio electrónico y plataformas de medios. A su vez, exploraremos las tres medidas más importantes: apoyo, confianza y elevación, como también cómo interpretar cada una.
Anomalías 16m • 5 Lecciones • Intermedio Estas lecciones lo llevarán a través de varios métodos de detección de anomalías y sus aplicaciones en el mundo real. Aprenderá cómo se pueden usar varios estilos de aprendizaje automático en la detección de anomalías y qué métodos de clustering específicos funcionan para la detección de anomalías. A su vez, exploraremos los bosques de aislamiento y cómo podrían aplicarse a la aplicación real de detección de fraude.
Usos/Aplicaciones 10m • 5 Lecciones • Intermedio Estas lecciones lo guiarán a través de varios casos de uso y aplicaciones del mundo real de los métodos que hemos cubierto en el curso. Los casos de uso cubrirán varios escenarios, incluidos escenarios de medicina, comercio minorista y marketing.
Python para principiantes en la ciencia de datos 3h 2m • 24 Lecciones • Principiante En este curso de Python para ciencia de datos, descubrirá los fundamentos de Python y las habilidades básicas de programación necesarias para usarlo en la ciencia de datos. Estas habilidades fundamentales le permitirán trabajar con conjuntos de datos de cualquier tamaño. Escribirá código en poco tiempo y disfrutará de las muchas funciones y herramientas que vienen con la instalación de Python.
Python para la ciencia de datos: introducción a la ciencia de datos 31m • 5 Lecciones • Principiante En este curso sobre Introducción a la ciencia de datos, aprenderá sobre la historia de Python y por qué es ideal para la ciencia de datos. También descargará e instalará diferentes herramientas para escribir código Python, como IDLE, PyCharm, Anaconda y Jupyter Notebook.
Python para la ciencia de datos: conceptos básicos de Python para la ciencia de datos 53m • 6 Lecciones • Principiante En este curso sobre conceptos básicos de Python para la ciencia de datos, aprenderá sobre variables y constantes, tipos de datos, métodos de cadena, operadores, condicionales y bucles. Aprenderá a reconocer los diferentes operadores y a escribir bucles y sentencias if. Este curso le proporcionará la base necesaria para comenzar a aprender sobre conceptos clave de programación en Python.
Python para la ciencia de datos: estructuras de datos de Python y ciencia de datos 46m • 5 Lecciones • Principiante En este curso sobre estructuras de datos de Python y ciencia de datos, aprenderá sobre los tipos de datos complejos, como las diferentes colecciones. También aprenderá a organizar su código en funciones.
Python para la ciencia de datos: uso de Python para recuperar y guardar datos 48m • 6 Lecciones • Principiante En este curso sobre el uso de Python para recuperar y guardar datos, aprenderá a trabajar con datos. Python viene con varias funciones integradas, así como bibliotecas externas que podemos importar para permitirnos trabajar con datos de manera eficaz y eficiente. Este curso cubrirá algunas de estas características y bibliotecas, incluidas Requests, Math, NumPy y Pandas, además de trabajar con archivos en Python.
Python para visualización de datos 1h 33m • 20 Lecciones • Intermedio El curso se centrará en el uso de la biblioteca Matplotlib de Python para visualizar datos. La codificación de Python se realizará utilizando cuadernos de Python (archivos .ipynb) en la herramienta JupyterLab, donde aprenderá a dibujar gráficos de líneas, histogramas, mapas de calor y diagramas de caja con Matplotlib. Le enseñaremos a usar la biblioteca HVPlot para agregar widgets interactivos a los gráficos para obtener información más profunda de los datos visualizados.
Python: Descripción general de la visualización de datos y la biblioteca de elección 15m • 3 Lecciones • Intermedio Estas lecciones le enseñarán a trazar puntos usando coordenadas x e y. Luego dibujará una línea entre los puntos. También aprenderá a dibujar varias líneas en el mismo gráfico. Los gráficos de líneas se pueden mejorar agregando estilo. Con estos gráficos de líneas aprenderá a agregar un título al gráfico, etiquetas para los ejes x e y y etiquetas para cada línea del gráfico. También verá cómo agregar una leyenda que contenga cada una de las etiquetas de las líneas del gráfico.
Python: Trazar una distribución de datos con histogramas 20m • 3 Lecciones • Intermedio En estas lecciones usará la biblioteca Numpy para generar una distribución normal aleatoria para visualizar con un histograma. Repasaremos la especificación de la media, la desviación estándar y el número de valores aleatorios para generar datos únicos para diferenciar entre gráficos.
Python: Visualización de datos con gráficos de líneas 12m • 3 Lecciones • Intermedio En estas lecciones aprenderá a visualizar datos con gráficos de líneas. Le mostraremos cómo crear una sola línea de trazado con etiquetas y cuadrículas, y aprenderá a diseñar subgráficos de gráficos de líneas. Comenzará creando un gráfico de líneas simple, luego aprenderá a generar gráficos de líneas con estilos como títulos, etiquetas de ejes X e Y y cuadrículas. También aprenderá a especificar fuentes individuales para títulos y etiquetas de trazado de líneas.
Python: Creación de datos interactivos con gráficos 14m • 3 Lecciones • Intermedio En estas lecciones aprenderá a crear gráficos interactivos utilizando HVPlot. La biblioteca HVPlot de Python es una API de trazado de alto nivel basada en HoloViews, que proporciona una API general y coherente para el graficado de datos. Le mostraremos cómo usar HVPlot y cómo funcionan los diversos widgets de la barra de herramientas, con funciones que incluyen panorámica, reinicio, zoom de caja, zoom de rueda, guardar y desplazamiento.
Python: Creación de mapas de calor para la visualización de datos 12m • 3 Lecciones • Intermedio En estas lecciones aprenderá a crear mapas de calor bidimensionales. Inicialmente, creará mapas de calor utilizando la sub biblioteca Pyplot de la biblioteca Matplotlib de Python. Simularemos los datos del mapa de calor que se generan utilizando la función aleatoria Numpy para una matriz bidimensional de valores.
Python: Utilización de la visualización temporal 17m • 3 Lecciones • Intermedio En estas lecciones usará Pandas para leer datos de series temporales de un archivo de Excel. Los datos temporales o de series temporales se pueden considerar como un seguimiento del desempeño a lo largo del tiempo o como un análisis de los datos en una línea de tiempo. Le enseñaremos a trazar varias series temporales en el mismo gráfico y a sacar inferencias de los datos de los gráficos.
Tableau - Nivel intermedio 3h 15m • 31 Lecciones • Intermedio Este curso de Anna Foard le enseñará a crear cálculos de nivel intermedio en Tableau. También aprenderá a crear parámetros y gráficos avanzados. Este curso le permitirá identificar y analizar las mejores prácticas del panel de control y aprender a construir conjuntos. Al final de este curso, podrá crear cálculos lógicos, de fechas y proporciones con Tableau.
Tableau avanzado 3h 9m • 32 Lecciones • Avanzado
Aprobado por
International Institute of Business Analysis (IIBA®)
En este curso avanzado, Anna Foard se centrará en gráficos y cálculos de datos avanzados. Este curso se creó para que el usuario final tenga un conocimiento adecuado de Tableau. Los usuarios deberán comprender los conceptos de escritura de cálculos, como el nivel de detalle, la regresión lineal incorporada y las acciones de parámetros.
Visualización de datos 2h 13m • 26 Lecciones • Intermedio
Aprobado por
International Institute of Business Analysis (IIBA®)
El uso eficaz de las técnicas de visualización requiere una combinación de habilidades, incluyendo el conocimiento práctico de una plataforma de programación como Python versión 3.x, una sólida formación en la carga, descarga y análisis de datos en estructuras de datos; el uso de archivos como CSV y JPEG, y el conocimiento de un conjunto de herramientas de bibliotecas para Python.
Definición de la visualización de datos 22m • 3 Lecciones • Intermedio En estas lecciones, presentamos nuestro entorno virtual, Python 3.x, nuestro primer gráfico, nuestro primer gráfico 2D y exploraremos la plataforma de blocs de notas de Jupyter. También presentaremos nuestra fórmula para la visualización de datos, que incluye recopilar, organizar y luego trazar los resultados. Aprenderá a controlar líneas, patrones, colores, anotaciones y transparencias.
Visualización de datos y ciencia de datos 15m • 3 Lecciones • Intermedio En estas lecciones exploramos el trabajo con variables múltiples, gráficos múltiples, subgráficos y cómo interpretar los datos. Comenzaremos con una exploración de variables múltiples en un gráfico simple, como un gráfico XY. Aprenderá la razón por la que un gráfico XY puede tener un gran número de valores para Y, pero solo uno para X. También presentaremos Numpy, otra herramienta principal para la visualización de datos.
Visualización y trazado de datos 15m • 3 Lecciones • Intermedio En estas lecciones comenzaremos por profundizar en el diseño y el espaciado y exploraremos diferentes formas de desarrollar y trazar usando una figura con el eje. Luego comenzará una exploración de Pandas, una de las herramientas de visualización más importantes. Descubrirá cómo Pandas y la biblioteca de Pandas proporcionan soluciones multipropósito para la visualización y, en algunos casos, es la única biblioteca que necesitará.
Visualización y mapeo de datos 17m • 3 Lecciones • Intermedio Una realidad de la mayoría de los proyectos de visualización de datos es que generalmente se enfrentará a la tarea de obtener o crear algunos de los datos que necesita. En estas lecciones nos centramos en dos de las técnicas automatizadas más comunes para obtener datos y haremos hincapié en cómo siempre puede teclear los datos que necesita. Aprenderá que un sitio web es todo HTML, con muchas etiquetas que se pueden usar para identificar y obtener datos.
Visualización y expresión de datos/narrativa 19m • 3 Lecciones • Intermedio En estas lecciones nos centraremos en la relación entre los gráficos y los conjuntos de datos subyacentes utilizados para crearlos. No todos los datos son iguales y algunos gráficos funcionan mejor que otros para determinadas situaciones. Exploraremos varios conjuntos de datos propicios para histogramas, diagramas de dispersión y mapas de calor.
Visualización de datos y toma de decisiones 17m • 3 Lecciones • Intermedio En estas lecciones aprenderá a modelar un desafío empresarial utilizando Python. Comenzaremos aplicando las reglas básicas de la empresa a las listas y otras variables de Python, donde podemos incluirlas programáticamente en nuestro diseño y luego usarlas como reglas de negocio. En nuestro ejemplo, una organización de fabricación puede hacer una serie de productos diferentes en una serie de máquinas.
Visualización de datos y tecnología 12m • 3 Lecciones • Intermedio En estas lecciones comenzamos con una exploración rápida de la conversión de una imagen a un formato base64 para que podamos manipular los datos mediante programación. Por ejemplo, verá cómo se puede fabricar una miniatura tomando una imagen densa original que podemos revisar mediante programación para producir una imagen en miniatura más pequeña y menos densa.
Usos de la visualización de datos 10m • 3 Lecciones • Intermedio La visualización de datos es el producto de nuestra capacidad para recopilar, organizar y trazar datos; y puede parecerse más a una forma de arte que a una disciplina de programación. El ingeniero de DV exitoso puede recopilar datos de todas las fuentes, organizarlos y trazarlos en poco tiempo. En estas lecciones usará los tres componentes del enfoque de recopilación, organización y trazado para identificar valores atípicos y tendencias en los datos.
Flujos de trabajo esenciales SIG 1h 49m • 24 Lecciones • Principiante En este curso sobre Flujos de trabajo esenciales SIG para principiantes, aprenderá los fundamentos de los sistemas de información geográfica, también conocidos como SIG. Explicaremos los principales componentes de un SIG, exploraremos las relaciones geoespaciales y discutiremos cómo visualizar los datos. También cubriremos cómo trabajar con mapas 3D y cómo imprimir y presentar su proyecto.
Flujos de trabajo esenciales SIG: Descripción de SIG 21m • 6 Lecciones • Principiante En este curso sobre Flujos de trabajo esenciales SIG: componentes de un SIG, aprenderá sobre los componentes principales de un SIG. Exploraremos todo el hardware, software, personas, datos y métodos que están involucrados en la utilización de un SIG. También cubriremos los sistemas de coordenadas y cómo navegar por los mapas dentro de un SIG. Al final de este curso, tendrá una sólida comprensión de los diferentes componentes que facilitan un SIG de trabajo.
Flujos de trabajo esenciales SIG: exploración de las relaciones geoespaciales 26m • 4 Lecciones • Principiante En este curso sobre Flujos de trabajo esenciales SIG: exploración de las relaciones geoespaciales, se explicarán y demostrarán las herramientas para consultar datos geoespaciales utilizando relaciones espaciales y consultas de bases de datos. Se explorarán métodos para analizar datos espaciales mostrando las herramientas y consultas disponibles para el análisis espacial de dos conjuntos de datos.
Flujos de trabajo esenciales SIG: trabajar con datos SIG y visualizarlos 33m • 5 Lecciones • Principiante En este curso sobre Flujos de trabajo esenciales SIG: trabajar con datos SIG y visualizarlos, aprenderá a trabajar con datos SIG, así como a visualizar datos SIG para satisfacer sus necesidades específicas. Exploraremos los datos ráster, datos vectoriales, orden de visualización de datos y simbología de datos. También cubriremos la creación y edición de datos SIG. Al final de este curso, será capaz de gestionar y manipular eficazmente los conjuntos de datos SIG.
Flujos de trabajo esenciales SIG: mapas 3D e impresión de diseños de mapas 11m • 3 Lecciones • Principiante En este curso sobre Flujos de trabajo esenciales SIG: creación y análisis de mapas 3D, aprenderá a crear mapas y modelos 3D en SIG y a consultar y analizar datos 3D. Exploraremos cómo crear datos 3D y navegar por un mapa 3D y cómo puede usar el análisis espacial en datos 3D. Al final de este curso, podrá crear, manipular y analizar datos SIG 3D eficazmente.
Flujos de trabajo esenciales SIG: presentación de su proyecto 14m • 4 Lecciones • Principiante En este curso sobre Flujos de trabajo esenciales SIG: presentación de su proyecto, aprenderá algunas de las mejores prácticas para presentar y exportar sus proyectos SIG. Exploraremos métodos de intercambio de datos, metadatos, componentes de mapas, así como formas comunes de compartir un proyecto. Al final de este curso, podrá presentar, compartir y exportar eficazmente sus proyectos SIG profesionales y bien hechos.
Big Data 1h 10m • 18 Lecciones • Principiante
Aprobado por
International Institute of Business Analysis (IIBA®)
Big data se refiere a conjuntos de datos que son demasiado grandes o complejos para gestionarlos con el software de procesamiento de datos tradicional. Big Data ayuda a las organizaciones a realizar movimientos comerciales más inteligentes, desarrollar operaciones más eficientes, aumentar las ganancias y mejorar las relaciones con los clientes mediante el uso de los datos que recopilan para identificar nuevas oportunidades.
¿Qué es big data? 15m • 4 Lecciones • Principiante
Aprobado por
Society for Human Resource Management (SHRM®)
Big data es un término que describe grandes volúmenes de datos que suelen ser difíciles de gestionar. Estos datos pueden ser tanto estructurados como no estructurados. Debido a su tamaño, el big data no se puede almacenar en las plataformas comerciales tradicionales. Este curso ¿Qué es big data? le presentará Big Data y cómo se utiliza. También aprenderá sobre los factores que impulsan el crecimiento de Big Data, sus tipos y las fuentes de datos.
Sistemas y análisis de Big Data 18m • 4 Lecciones • Principiante
Aprobado por
Society for Human Resource Management (SHRM®)
Para procesar Big Data necesita una aplicación centralizada que le permita enviar y luego almacenar datos en una base de datos relacional. En este curso de Sistemas y análisis de Big Data aprenderá los sistemas de almacenamiento diseñados para Big Data como Hadoop y su arquitectura, que incluye Hadoop Distributed File System, MapReduce y diferentes tipos de nodos disponibles.
Arquitectura de Big Data, casos de uso y necesidades de infraestructura 18m • 4 Lecciones • Principiante
Aprobado por
Society for Human Resource Management (SHRM®)
El Big Data puede ayudarnos de muchas maneras. La mayor parte del Big Data no está estructurada. De hecho, se estima que el 90% de los casos de uso de Big Data se ejecutan contra datos no estructurados. Esto significa que necesita tener un plan robusto para determinar cómo va a almacenar y utilizar sus datos no estructurados.
Análisis de Big Data, detección de anomalías y modelos predictivos 16m • 4 Lecciones • Principiante
Aprobado por
Society for Human Resource Management (SHRM®)
El análisis de diagnóstico es una técnica utilizada para identificar por qué ocurre un problema. Cuando trabaja con grandes conjuntos de datos y crea los análisis, puede usarlos para identificar la causa raíz. En este curso de Análisis de Big Data, Detección de Anomalías y Modelos Predictivos, aprenderá los diversos tipos de análisis que se pueden realizar utilizando Big Data y análisis diagnóstico vs.
Uso de Excel para el análisis de datos 3h 29m • 32 Lecciones • Intermedio
Aprobado por
Society for Human Resource Management (SHRM®)
En este curso sobre el uso de Excel para el análisis de datos, aprenderá los conceptos básicos para analizar datos utilizando las herramientas integradas de Microsoft Excel. Cubriremos el proceso de análisis de datos, las funciones esenciales, los diferentes métodos para evaluar datos y cómo hacer regresiones lineales simples.
Uso de Excel para el análisis de datos: conceptos básicos 29m • 5 Lecciones • Intermedio En estas lecciones explicaremos los conceptos detrás del análisis de datos. Repasaremos el proceso para identificar necesidades, recopilar datos, limpiar los datos, analizarlos e interpretar nuestros hallazgos. Aprenderá la diferencia entre datos operativos y datos analíticos, y profundizaremos en todos los diferentes tipos de gráficos que ofrece Excel.
Uso de Excel para el análisis de datos: análisis de datos 41m • 5 Lecciones • Intermedio En estas lecciones, repasaremos cómo encontrar conjuntos de datos con los que trabajar. Luego lo guiaremos a través de cada parte del proceso de análisis de datos: limpieza de los datos, enriquecimiento de los datos, búsqueda de información y evaluación de los resultados. Aprenda dónde puede encontrar un tesoro de conjuntos de datos reales para practicar, diferentes formas de presentar visualmente sus hallazgos y cómo realizar funciones analíticas.
Uso de Excel para el análisis de datos: esencial 33m • 5 Lecciones • Intermedio En estas lecciones, se le presentarán las funciones SUMA, MIN y MAX, y demostraremos cómo las funciones integradas de Excel pueden ahorrarle horas de tiempo al producir resultados analíticos. También aprenderá a validar los datos de entrada del usuario antes de que ingresen al sistema, así como cómo usar tablas de búsqueda.
Uso de Excel para el análisis de datos: métodos 30m • 5 Lecciones • Intermedio En estas lecciones, explorará los diferentes métodos de análisis de datos que puede realizar en Excel. También aprenderá cómo el formato y el resumen de sus datos pueden ayudarlo con el proceso de análisis. Repasaremos la diferencia entre los rangos de Excel y los rangos estadísticos, y descubrirá cómo las tablas pueden ayudarlo a estructurar sus datos para facilitar la clasificación.
Uso de Excel para el análisis de datos: realizar análisis 52m • 7 Lecciones • Intermedio El análisis hipotético juega un papel importante en el análisis de datos, y en estas lecciones aprenderá a usar el Administrador de escenarios y Buscar Objetivo para probar sus análisis. También aprenderá el valor de las simulaciones y cuándo y cómo usar minigráficos para condensar datos en un formato simple y fácil de leer.
Uso de Excel para el análisis de datos: regresión lineal simple 20m • 3 Lecciones • Intermedio En estas lecciones saltará al mundo de la estadística aprendiendo sobre la regresión lineal y no lineal. Repasaremos cómo Excel usa funciones lineales y no lineales para hacer todos los cálculos por usted, y cómo puede usar dichas funciones para crear líneas de tendencia lineales para ilustrar cualquier correlación dentro de un conjunto de datos.
Organización de datos para principiantes 1h 16m • 14 Lecciones • Principiante
Aprobado por
International Institute of Business Analysis (IIBA®) Society for Human Resource Management (SHRM®)
En este curso de Organización de datos para principiantes, exploraremos cómo identificar los casos de uso de datos y preparar datos que respondan a esos casos de uso. Cuando los datos recopilados deben admitir muchos usuarios y casos de uso, debe asegurarse de que el consumo de datos se produzca de forma coherente y gestionada para reducir los riesgos de afectar negativamente a la integridad o la velocidad del análisis.
¿Listo para tener un equipo más productivo, comprometido y capacitado? Empiece hoy