¿Qué quieres aprender?

Herramientas de programación para la ciencia de datos

Herramientas de programación para la ciencia de datos

CEDA Centro de Especialización en Data y Analitica

Curso online


300
¿Quieres hablar con un asesor sobre este curso?

Objetivos

Determinar las características de un dataset, analizándolo e interpretando el preprocesamiento necesario a realizar, transformar los datos en información, añadiendo valor y propiciando la generación de conocimiento nuevo. Analizar las técnicas más apropiadas para cada conjunto, examinando los resultados obtenidos. Desarrollar habilidades para convertir los datos en información de la que se pueda extraer conocimiento. Fundamentar la toma de decisiones realizando análisis completos previos de los datos. Establecer las herramientas y métodos generales más apropiados para modelar cada data set en función del preprocesamiento realizado. Evaluar los resultados de forma analítica, comprendiendo el impacto de la estrategia escogida en las distintas métricas. Demostrar capacidad crítica ante los resultados obtenidos tras aplicar métodos de preprocesamiento o modelado.

A quién va dirigido

Líderes tecnológicos, directores de TI y gestores de datos que desean desarrollar estrategias de datos alineadas con los objetivos empresariales de sus organizaciones, este programa será especialmente beneficioso para aquellos que desempeñan las siguientes funciones. Empresarios y consultores que buscan ofrecer soluciones integrales de datos a sus propias empresas o a las de sus clientes.

Requisitos

Deseables conocimientos básicos en el tema de programación. Este curso no presenta ningún requisito ya que todos los conocimientos que se imparten van desde conocimientos básicos.

Temario completo de este curso

  • 1.- Introducción al entorno de R
  • 2.- Instalación de librerías adicionales y acceso a la ayuda del IDE
  • 3. Variables atómicas, operaciones básicas y depuración
  • 4. Estructuras de control
  • 5. Estructuras de datos Vectores y listas
  • 6. Aplicaciones Importación de datos y graficación
  • 7. Simulación y muestreo
  • 8. Manipulación y carga de datos en R
  • 9. Almacenamiento de datos y su extracción
  • 10. Organizando, fusionando y administrando datos
  • 11. Graficación en R
  • 12. Análisis Exploratorio de Datos
  • 13.- ¿Qué es el aprendizaje automático?
  • 14. Aprendizaje máquina práctico
  • 15. Aprendizaje máquina práctico
  • 16. Random Forests
  • 17.Técnicas complementarias de Machine Learning
Ver más