Bienvenidos a una semana de ciencia de datos:
Aprende Ciencia de Datos en 7 días
Bienvenidos al curso de ciencia de datos
Cómo sacarle el máximo partido al curso
Introducción, Buenas Prácticas y Trucos para el Éxito
Temario del Curso
¿Qué es la Ciencia de Datos?
Tu cuaderno para tomar notas online sobre el curso
¿Cuál es el perfil, la formación, la experiencia y el salario típicos de un científico de datos?
¿Qué hacen REALMENTE los científicos de datos?
¿Qué buscan los reclutadores en los aspirantes a científicos de datos?
¿Cuales son los trabajos en ciencia de datos disponibles?
Cómo clonar los datos para seguir el curso
Toma notas de tu curso en tiempo real en Frogames Formación

Día 1: Manejo de Datos, Análisis Exploratorio de Datos (EDA) e Ingeniería de Características
Día 1: Mensaje de Bienvenida
Introducción al Proyecto y Data Wrangling
Tarea de Programación 1: Importar los datos y obtener un resumen estadístico
Ejercicio 1 [Opcional]
Tarea de Programación 2: Tratar los datos faltantes
Ejercicio 2 [Opcional]
Tarea de Programación 3: Realizar una codificación binaria (one-hot)
Ejercicio 3 [Opcional]
Escalado de variables: normalización y estandarización
Tarea de Programación 4: Realizar escalados (normalización y estandarización)
Ejercicio 4 [Opcional]
Tarea de Programación 5: Operaciones y Filtrado en Pandas
Ejercicio 5 [Opcional]
Tarea de Programación 6: Realizar un EDA básico en ambas clases
Ejercicio 6 [Opcional]
Tarea de Programación 7: Funciones con Pandas
Ejercicio 7 [Opcional]
Tarea de Programación 8: Histogramas y Correlaciones
Ejercicio 8 [Opcional]
Enunciado del Proyecto Final
Proyecto Final del Día 1
Solución del Proyecto Final
Conclusión del Día 1

Día 2: Visualización de datos eficaz en Ciencia de Datos
Día 2: Mensaje de Bienvenida
Resumen del Proyecto y Objetivos Clave de Aprendizaje
Introducción a la Visualización de Datos
Tarea de Programación 1: Representar diagramas de pastel con Matplotlib
Ejercicio 1 [Opcional]
Tarea de Programación 2: Diagrama de Líneas Simple y Múltiple
Ejercicio 2 [Opcional]
Tarea de Programación 3: Representar nubes de puntos
Ejercicio 3 [Opcional]
Tarea de Programación 4: Representar histogramas
Ejercicio 4 [Opcional]
Tarea de Programación 5: Seaborn Parte 1
Ejercicio 5 [Opcional]
Tarea de Programación 6: Seaborn Parte 2
Ejercicio 6
Enunciado del Proyecto Final
Proyecto Final del Día 2
Solución del Proyecto Final
Conclusión del Día 2

Día 3: Análisis de Regresión en Ciencia de Datos
Día 3: Mensaje de Bienvenida
Resumen del Proyecto y Objetivos Claves de Aprendizaje
¿Qué es la regresión?
¿Qué es XG-Boost?
Tarea de Programación 1: Cargar las librerías y conjuntos de datos
Ejercicio 1 [Opcional]
Tarea de Programación 2: Análisis Exploratorio de los Datos (EDA) y Visualización
Ejercicio 2 [Opcional]
Tarea de Programación 3: Preparar los datos antes de entrenar el modelo
Ejercicio 3 [Opcional]
Tarea de Programación 4: Entrenar el modelo de XGBoost
Ejercicio 4 [Opcional]
Enunciado del Proyecto Final
Proyecto Final del Día 3
Solución del Proyecto Final
Conclusión del Día 3

Día 4: Análisis de Clasificación en Ciencia de Datos
Día 4: Mensaje de Bienvenida
Introducción y Resumen del Proyecto
KPIs en Modelos de Clasificación
Tarea de Programación 1: Importar las librerías y datasets
Ejercicio 1 [Opcional]
Tarea de Programación 2: Realizar Visualización de Datos
Ejercicio 2 [Opcional]
La Regresión Logística
Tarea de Programación 3: Representar las características importantes
Tarea de Programación 4: Entrenar y evaluar un modelo de clasificación logístico
Ejercicio 3 [Opcional]
Las Máquinas de Soporte Vectorial
Tarea de Programación 5: Entrenar y evaluar las máquinas de soporte vectorial
Los Bosques Aleatorios
Tarea de Programación 6: Entrenar y evaluar modelos de clasificación de bosques aleatorios
K Nearest Neighbors
Tarea de Programación 7: Entrenar y evaluar un clasificador K-Nearest Neighbors
Ejercicio 4 [Opcional]
Naïve Bayes
Tarea de Programación 8: Entrenar y evaluar un modelo de clasificación Naïve Bayes
Ejercicio 5 [Opcional]
Tarea de Programación 9: Comparar modelos de clasificación
Tarea de Programación 10: Conclusiones Finales
Enunciado del Proyecto Final
Proyecto Final del Día 4
Solución del proyecto final: Parte 1
Solución del proyecto final: Parte 2
Solución del proyecto final: Parte 3
Conclusión del Día 4

Día 5: Ciencia de Datos en Piloto Automático
Día 5: Mensaje de Bienvenida
Introducción y Resumen del Proyecto
¿Qué es AutoGluon?
Tarea de Programación 1: Importar AutoGluon, Librerías Clave y Datasets
Ejercicio 1 [Opcional]
Tarea de Programación 2: Realizar Análisis Exploratorio de Datos (EDA)
Ejercicio 2 [Opcional]
Tarea de Programación 3: Visualización de los datos
Ejercicio 3 [Opcional]
Tarea de Programación 4: Entrenar Modelos de Regresión en Piloto Automático
Tarea de Programación 5: Evaluar Modelos de Regresión Entrenados
Ejercicio 4 [Opcional]
Enunciado del Proyecto Final
Proyecto Final del Día 5
Solución del Proyecto Final
Conclusión del Día 5

Día 6: Optimización de Modelos
Día 6: Mensaje de Bienvenida
Resumen del Proyecto
Introducción a los hiperparámetros
Estrategias de Optimización
Tarea de Programación 1: Importar librerías y datasets
Ejercicio 1 [Opcional]
Tarea de Programación 2: Realizar limpieza de los datos
Tarea de Programación 3: Visualización de los Datos
Ejercicio 2 [Opcional]
Tarea de Programación 4: Preparar los datos para entrenar el modelo
Tarea de Programación 5: Entrenar el algoritmo de XG-Boost (sin optimización)
Ejercicio 3 [Opcional]
Tarea de Programación 6: Optimización con GridSearchCV
Ejercicio 4 [Opcional]
Tarea de Programación 7: Optimización por Búsqueda Aleatoria
Tarea de Programación 8: Optimización por Búsqueda Bayesiana
Enunciado del Proyecto Final
Proyecto Final del Día 6
Solución del Proyecto Final
Conclusión del Día 6

Día 7: Deep Learning:
Tarea 1: Resumen del Proyecto
Aprendizaje automático e inteligencia artificial en la industria alimentaria
Tarea 2: Cargar y Explorar el Dataset
Tarea 3: Entrenar un modelo de redes neuronales profundos
Tarea 4: IA Explicable y comprender los modelos
Conclusión del Día 7