Repaso de Fundamentos de Python:
Breve revisión de conceptos básicos: variables, estructuras de control y funciones en Python.
Uso de listas por comprensión y manejo avanzado de diccionarios.
Librerías Fundamentales para Data Science:
Introducción a NumPy: manipulación eficiente de matrices y operaciones numéricas.
Uso de Pandas: análisis y manipulación de datos estructurados en DataFrames.
Visualización de Datos con Matplotlib y Seaborn:
Creación de gráficos y visualizaciones atractivas para explorar datos.
Personalización de gráficos y representaciones visuales con Seaborn.
Análisis de Datos con Pandas:
Exploración y limpieza de datos en DataFrames.
Aplicación de filtros, agregaciones y transformaciones para obtener insights.
Introducción a Machine Learning:
Conceptos fundamentales de Machine Learning.
Uso de Scikit-learn para aplicar modelos de clasificación y regresión.
Validación y Evaluación de Modelos:
Técnicas para dividir conjuntos de datos en entrenamiento y prueba.
Evaluación del rendimiento de los modelos y ajuste de hiperparámetros.
Aprendizaje No Supervisado con Clustering:
Aplicación de algoritmos de clustering como K-means para agrupar datos.
Visualización y evaluación de resultados de clustering.
Procesamiento de Datos Avanzado:
Trabajo con datos faltantes y técnicas de imputación.
Transformación de variables categóricas y escalado de características.