Este curso te va a proporcionar un paquete completo de conocimientos, que te permitirán convertirte en un experto en ciencia de datos.
La capacitación se enfoca en brindarte un conocimiento profundo de la ciencia de datos directamente desde su uso y aplicaciones, computación estadística, manipulación de datos, visualización de datos, aplicación de estadísticas descriptivas e inferenciales sobre los datos, y mucho más. Además, también obtendrá conocimientos prácticos mediante la ejecución de proyectos en tiempo real proporcionando soluciones a los problemas. En pocas palabras, esta capacitación en línea sobre ciencia de datos te dará la confianza para enfrentar entrevistas y trabajar como científico de datos.
En este módulo, aprenderá los conceptos básicos de la ciencia de datos y la programación R, Importancia de la ciencia de datos.
Los temas de esta sección son:
Resultados del aprendizaje: Al final de este módulo, obtendrá una idea fundamental sobre la ciencia de datos y la programación R.
Resultados de aprendizaje: Al final de este módulo, obtendrá los conocimientos básicos de programación de Python.
Este módulo trata los conceptos básicos de estructuras de datos y visualización de datos.
Los temas cuque cubre esta sección son:
Resultados de aprendizaje: Al completar este módulo, podrá comprender la importancia de las estructuras de datos y la manipulación de datos en la ciencia de datos.
Este módulo trata temas como visualización de datos, tipos de gráficos, paquete Ggplot2, creación de gráficos de barras, análisis univariante y multivariante.
Los temas que cubre esta sección son:
Resultados de aprendizaje: Al final de este módulo, podrá visualizar los datos a través de diferentes gráficos, paquete Ggplot2. Además, obtendrá una experiencia en tiempo real de la creación de gráficos de barras, análisis univariante y multivariante.
Este módulo de capacitación en el aula en línea de ciencia de datos trata conceptos estadísticos como clasificación, tipos de probabilidad, covarianza y correlación. Junto con esto, aprenderá a analizar el conjunto de datos dado a través del muestreo de datos, la prueba de hipótesis y la distribución binaria.
Los temas que cubre esta sección son:
Resultados de aprendizaje: Al final de este módulo, obtendrá conocimientos prácticos de diferentes conceptos estadísticos como tipos de probabilidad, prueba de hipótesis, covarianza. También podrá trabajar con otras técnicas estadísticas como correlación, muestreo de datos, distribución normal y binaria.
Este módulo de aprendizaje automático analiza los conceptos básicos del aprendizaje automático, como el aprendizaje supervisado, la clasificación, la regresión lineal y las técnicas de aprendizaje por conjuntos.
Los temas cubiertos en esta sección son:
Resultados del aprendizaje: Al completar este módulo, obtendrá un conocimiento básico del aprendizaje automático y dominará el aprendizaje supervisado, la regresión lineal y el aprendizaje por conjuntos.
En este módulo, aprenderá conceptos como los conceptos básicos de regresión logística, regresión logística bivariada y multivariante, regresión de Poisson. Además, analiza el desarrollo de modelos logísticos y aplicaciones de regresión logística.
Los temas cubiertos en esta sección son:
Resultados de aprendizaje: Al final de este módulo, obtendrá conocimientos prácticos de regresión logística, regresión lineal, regresión de Poisson y modelos logísticos.
Este módulo trata temas como técnicas de clasificación, implementación de bosque aleatorio, Naive Bayes, Entropía, Ganancia de información e Índice de Gini.
Los temas cubiertos en esta sección son:
Resultados de aprendizaje: Al completar este módulo, adquirirá una comprensión profunda de los algoritmos de inducción de árboles de decisión, implementando el bosque aleatorio en la programación R.
Este módulo proporciona una descripción detallada de los diferentes tipos de agrupación en clústeres, el algoritmo de agrupación de K-means, los conceptos de agrupación de K-means y la implementación de agrupación histórica y PCA en la programación R.
Los temas cubiertos en esta sección son:
Resultados de aprendizaje: Al completar este módulo, obtendrá una experiencia en tiempo real de agrupamiento de k-medias, algoritmo de agrupamiento y análisis de componentes principales.
Este módulo de capacitación en línea sobre ciencia de datos lo ayudará a dominar el procesamiento del lenguaje natural, la minería de texto y el trabajo en NPL con la minería de texto.
Los temas cubiertos en esta sección son:
Resultados del aprendizaje: Al final de este módulo, obtendrá un conocimiento práctico del procesamiento del lenguaje natural y la minería de textos.
Este módulo analiza conceptos matemáticos como conceptos básicos de probabilidad, teorema de Bayes, funciones matemáticas de Numpy, probabilidad condicional y probabilidades conjuntas.
Los temas cubiertos en esta sección son:
Resultados de aprendizaje: Al final de este módulo, podrá utilizar conceptos de probabilidad, funciones de Numpy, teorema de Bayes, correlación y regresión en ciencia de datos.
En este módulo, aprenderá a realizar computación científica a través de la biblioteca Scipy.
Los temas cubiertos en esta sección son:
Introducción y características de Scipy Subpaquetes de Scipy como Integrate, Cluster, Signal, Fftpack y el teorema de Bayes.
Resultados del aprendizaje: Al final de este módulo, obtendrá una experiencia informática científica en tiempo real.
En este módulo, aprenderá los conceptos básicos, la importancia, la instalación, las ventajas y las aplicaciones de Pyspark.
Los temas cubiertos en esta sección son:
Resultados del aprendizaje: Al final de este módulo, adquirirá conocimientos prácticos de Pyspark.
En este módulo, aprenderá conceptos como conceptos básicos de aprendizaje profundo, aprendizaje supervisado, conceptos básicos de redes neuronales, redes neuronales profundas, redes neuronales convolucionales, redes neuronales recurrentes y unidad de procesamiento gráfico (GPU) de aprendizaje profundo.
Los temas cubiertos en esta sección son:
Resultados de aprendizaje: Al final de este módulo, podrá dominar los conceptos de aprendizaje profundo e inteligencia artificial necesarios para un científico de datos.
Este módulo le enseña cómo usar las API de TensorFlow y Keras para desarrollar e implementar modelos de aprendizaje automático y aprendizaje profundo.
Los temas cubiertos en esta sección son:
Resultados de aprendizaje: Al completar este módulo, podrá crear modelos de aprendizaje profundo y visualizar los datos a través de la API de Keras y TensorFlow.
En este módulo, aprenderá a utilizar máquinas de Boltzmann restringidas y codificadores automáticos en el aprendizaje profundo.
Los temas cubiertos en esta sección son:
Resultados del aprendizaje: Al final de este módulo, obtendrá conocimientos prácticos sobre las máquinas Boltzmann restringidas y los codificadores automáticos.
Este módulo le permite dominar los conceptos de Hadoop, MapReduce, Hive, Kafka, Scala, Spark, Kafka, Spark Streaming y Dstreams.
Los temas cubiertos en esta sección son:
Resultados del aprendizaje: Al final de este módulo, adquirirá experiencia en tiempo real de trabajar con HDFS, el marco MapReduce, HBase y Kafka. También obtendrá un amplio conocimiento del desarrollo de programas Spark y la realización de transformaciones Spark y operaciones Spark RDD.
Este módulo de Tableau trata sobre conceptos de visualización de datos, instalación de Tableau, arquitectura de Tableau, creación de conjuntos, tableros de Tableau, historias, gráficos y diagramas. Junto con esto, también aprenderá expresiones, combinación de datos y preparación de cuadros.
Los temas cubiertos en esta sección son:
Resultados del aprendizaje: Al final de este módulo, obtendrá una experiencia en tiempo real de la creación de conjuntos, gráficos, cuadros y cuadros de mando para analizar datos. También adquirirá conocimientos prácticos de la arquitectura de tableau, la instalación de tableau, la preparación de tableau y la integración de Tableau con R y Hadoop.
Este módulo de MongoDB lo ayudará a dominar conceptos como conceptos básicos de MongoDB, instalación de MongoDB, operaciones CRUD, indexación de datos, modelado de datos y administración de datos. Junto con esto, también aprenderá los conceptos de seguridad y esquema de agregación de datos.
Los temas cubiertos en esta sección son:
Resultados de aprendizaje: Al final de este módulo, obtendrá conocimientos prácticos sobre el uso de MongoDB para realizar diferentes operaciones de base de datos, como crear una base de datos, insertar datos en una base de datos, eliminar y actualizar los datos. También podrá dominar el modelado de datos, la indexación de datos y la administración de datos.
Este módulo trata los conceptos analíticos de SAS como funciones, operadores, creación de conjuntos de datos, procedimientos, gráficos y macros. También aprenderá algunos conceptos avanzados de SAS.
Los temas cubiertos en esta sección son:
Resultados del aprendizaje: Al final de este módulo, podrá realizar análisis de datos avanzados utilizando conceptos de SAS.
Este módulo de capacitación en el aula en línea sobre ciencia de datos trata con conceptos de Excel como formato condicional, filtrado de datos, tablas dinámicas, funciones lógicas y creación de gráficos. Junto con esto, también aprenderá a usar los conceptos de VBA para el análisis de datos.
Los temas cubiertos en esta sección son:
Resultados de aprendizaje: Al final de este módulo, adquirirá un conocimiento práctico de Excel y VBA.
CAPACITACIÓN EN LÍNEA EN VIVO
ENTRENAMIENTO CORPORATIVO