Aprende a utilizar hojas de cálculo para llevar a cabo análisis. Este módulo explora las mejores prácticas de la industria para elegir y calcular métricas relevantes, y luego usar hojas de cálculo para analizarlas y visualizarlas de manera eficiente.

Capítulo 1. Fundamentos de las hojas de cálculo

Capítulo 2. Limpieza y preprocesamiento de los datos

Capítulo 3. Tablas dinámicas

Capítulo 4. Gráficos y diagramas

¡Tu introducción al mundo del Data Analysis! Conceptosclave y sintaxis básica en Python. Bucles, condiciones, yfunciones. La librería Pandas para el análisis de datos. Tuprimer estudio de caso analítico, seguido de tu primerproyecto.

Capítulo 1. Variables, tipos de datos y operaciones aritméticas

Capítulo 2. String

Capítulo 3. Listas

Capítulo 4. Bucles

Capítulo 5. Sentencias condicionales

Capítulo 6. Un rápido resumen de Jupyter Notebook

Continuarás tu viaje a través de los diccionarios de Python comúnmente utilizados en el campo de la ciencia de datos. Harás que tu código sea flexible y reutilizable mediante la creación de funciones. Por último, comenzamos a aprender Pandas, que es la librería #1 utilizada por profesionales de datos para procesar datos.

Capítulo 1. Diccionarios

Capítulo 2. Funciones

Capítulo 3. La librería Pandas

Capítulo 4. Introducción al preprocesamiento de datos y al análisis inicial

Teoría de la probabilidad, las distribuciones más comunes y los métodos estadísticos en Python. Muestreo y significancia estadística. Identificar y gestionar anomalías.

Capítulo 1. Estadística descriptiva

Capítulo 2. Teoría de la probabilidad

Capítulo 3. Verificación de hipótesis

Cómo se organizan las bases de datos y cómo recuperar datos utilizando las consultas SQL. Buscar datos en línea.

Capítulo 1. Recuperar datos de recursos en línea

Capítulo 2. SQL como herramienta para trabajar con datos

Capítulo 3. Rasgos de SQL avanzado para el análisis

Capítulo 4. Relaciones entre tablas

Capítulo 5. Soft skills

Dominar las nociones básicas del machine learning. Control de la librería scikit-learn para completar tu primer proyecto de machine learning.

Capítulo 1. Entrenar tu primer modelo

Capítulo 2. Calidad del modelo

Capítulo 3. Mejora del modelo

Capítulo 4. Pasar a la regresión

Inmersión en el área más demandada del machine learning. Cómo ajustar los modelos de machine learning, mejorar las métricas y trabajar con datos desbalanceados

Capítulo 1. Planteamiento de las características

Capítulo 2. Métricas de clasificación

Capítulo 3. Clasificación desbalanceada

Capítulo 4. Métricas de regresión

Capítulo 5. Soft skills

Examinar de cerca algunos de los algoritmos que ya has estudiado y comprender cómo aplicarlos. Obtener un enfoque práctico de los conceptos clave en álgebra lineal: vectores, matrices y regresiones lineales.

Capítulo 1. Vectores y operaciones vectoriales

Capítulo 2. Distancia entre vectores

Capítulo 3. Matrices y operaciones matriciales

Capítulo 4. Regresión lineal desde el interior

• Comunicación constante con otros graduados y graduadas
• Eventos en línea: seminarios web de profesionales de la industria, sesiones de networking
• Oportunidades de trabajo y trabajo autónomo para tutores y para quienes se gradúan

• Estrategia personal de búsqueda de empleo
• Mercado laboral en TI y la esfera digital
• Entrevista: teoría y práctica
• Habilidades de networking
• Resumé/Curriculum Vitae
• Carta de motivación
• Portafolio
• Presencia en línea: LinkedIn, etc.

• Buscan activamente un empleo y mejoran constantemente a través del ciclo de feedback organizado por nuestros especialistas de Recursos Humanos
• Practican entrevistas técnicas y de Recursos Humanos (entrevistas simuladas)
• Hacen networking (con nuestra ayuda y por su cuenta)
• Obtienen acceso a los socios y socias de TripleTen y sus oportunidades laborales