Adquiere habilidades prácticas para ciencia de datos: Python, análisis y visualización; aplica técnicas de ML en proyectos reales.
Certificado del Programa
Los usuarios que se suscriban a este curso, tienen la oportunidad de obtener un Certificado de estudios con validez SEP , verificable, imprimible y descargable (PDF) .
Para Obtener tu certificado SEP deberás presentar tu certificado de finalización de coursera. Tu membresía tiene incluida la emisión de 1 Certificado para el curso que elijas.
Si quieres cursar otro programa con certificado este tiene un costo de emisión de MXN $1,950
-
-
- Introducción al curso 00:01:44
- Sobre este curso 00:05:00
- Explorando Python: Sus primeros pasos en la programación 00:15:00
- Introducción a Python 00:04:14
- Introducción a Jupyter 00:10:00
- Primeros pasos con Jupyter 00:04:00
- Laboratorio práctico: Escriba su primer programa 00:10:00
- Tipos 00:03:02
- Laboratorio práctico: Tipos 00:10:00
- Cuestionario práctico: Tipos 00:20:00
- Expresiones y Variables 00:03:51
- Laboratorio práctico: Expresiones y variables 00:10:00
- Cuestionario de práctica: Expresiones y Variables 00:20:00
- Operaciones con cadenas 00:03:58
- lectura (opcional): Formato de Cadenas en Python 00:10:00
- Laboratorio práctico: Operaciones con cadenas 00:30:00
- Cuestionario de práctica: Operaciones con cadenas 00:20:00
- Resumen del módulo 1: Conceptos básicos de Python 00:05:00
- Hoja de trucos: Conceptos básicos de Python 00:10:00
- Módulo 1 Cuestionario graduado: Conceptos básicos de Python 00:20:00
- Módulo 1 Glosario: Conceptos básicos de Python 00:06:00
- Listas y tuplas 00:08:51
- Laboratorio práctico: Listas 00:30:00
- Laboratorio práctico: Tuplas 00:15:00
- Hoja de trucos: Listas y tuplas 00:10:00
- Cuestionario práctico: Listas y Tuplas 00:20:00
- Diccionarios 00:02:25
- Laboratorio práctico: Diccionarios 00:30:00
- Cuestionario práctico: Diccionarios 00:20:00
- Establece 00:05:12
- Laboratorio práctico: Conjuntos 00:20:00
- Cuestionario práctico: Conjuntos 00:20:00
- Resumen del módulo 2: Estructuras de datos de Python 00:05:00
- Hoja de trucos: Diccionarios y conjuntos 00:10:00
- Módulo 2 Cuestionario graduado: Estructuras de datos en Python 00:20:00
- Módulo 2 Glosario: Estructuras de datos en Python 00:05:00
- Lectura de archivos con Open 00:03:38
- Lectura de archivos con Open 00:10:00
- Laboratorio práctico: Lectura de archivos con Open 00:30:00
- Escribir archivos con Open 00:02:54
- Escribir archivos con Open 00:07:00
- Laboratorio práctico: Escribir archivos con Open 00:30:00
- Cuestionario práctico: Lectura y Redacción de Archivos con Open 00:20:00
- Pandas: Carga de datos 00:04:50
- Pandas: Trabajar y guardar datos 00:02:06
- Pandas 00:10:00
- Práctica de laboratorio: Selección de datos en un DataFrame 00:30:00
- Laboratorio práctico: Carga de datos con Pandas 00:30:00
- Cuestionario práctico: Pandas 00:20:00
- Numpy unidimensional 00:11:23
- Laboratorio práctico: Numpy unidimensional 00:40:00
- Matemáticas matriciales 00:05:00
- Numpy bidimensional 00:07:13
- Laboratorio práctico: Numpy bidimensional 00:30:00
- Guía de NumPy para principiantes 00:10:00
- Cuestionario práctico: Numpy en Python 00:20:00
- Resumen del módulo 4: Trabajar con datos en Python 00:05:00
- Hoja de trucos: Trabajar con datos en Python 00:10:00
- Módulo 4 Cuestionario graduado: Trabajar con datos en Python 00:20:00
- Módulo 4 Glosario: Trabajar con datos en Python 00:10:00
- Resumen del proyecto 00:05:00
- Laboratorio práctico: Análisis de datos históricos de existencias/ingresos y creación de un cuadro de mando 01:00:00
- Directrices y resultados finales 00:02:00
- Opción 1: AI Graded – Proyecto final: Presentación y evaluación 01:00:00
- Opción 2: Calificación por pares – Presentación y evaluación del proyecto final 01:00:00
- Felicitaciones y próximos pasos 00:02:00
- Gracias de parte del equipo del curso 00:02:00
- Introducción al curso 00:01:43
- Comprender los datos 00:02:35
- Paquetes Python para la ciencia de datos 00:02:36
- Importar y exportar datos en Python 00:04:19
- Introducción al análisis de datos en Python 00:04:25
- Acceso a bases de datos con Python 00:04:07
- Resumen de la lección 00:03:00
- Práctica: Importación de conjuntos de datos 00:20:00
- Laboratorio: Importación de conjuntos de datos – Precios de coches usados 00:15:00
- Visión general: Conjunto de datos sobre precios de portátiles 00:05:00
- Laboratorio: Importación de conjuntos de datos – Precios para portátiles 00:20:00
- Hoja de trucos del módulo 1: Importación de conjuntos de datos 00:10:00
- Cuestionario con calificación: Importación de conjuntos de datos 00:20:00
- De la importación al conocimiento: Reflexión sobre la base de la canalización de datos 00:15:00
- Análisis exploratorio de datos 00:01:28
- Estadísticas descriptivas 00:04:47
- GroupBy en Python 00:03:29
- Creación de distintos tipos de gráficos en Python 00:20:00
- Correlación 00:02:39
- Correlación – Estadísticas 00:02:45
- Prueba Chi-cuadrado para variables categóricas 00:15:00
- Resumen de la lección 00:03:00
- Cuestionario práctico: Análisis exploratorio de datos 00:20:00
- Laboratorio: Análisis exploratorio de datos – Precios de coches usados 00:30:00
- Laboratorio: Análisis exploratorio de datos – Precios de los portátiles 00:30:00
- Ficha del módulo 3: Análisis exploratorio de datos 00:15:00
- Cuestionario graduado: Análisis exploratorio de datos 00:20:00
- Evaluación y perfeccionamiento del modelo 00:07:39
- Sobreadaptación, inadaptación y selección de modelos 00:04:28
- Introducción a la regresión Ridge 00:05:00
- Regresión Ridge 00:04:37
- Búsqueda en cuadrícula 00:04:41
- Resumen de la lección 00:02:00
- Cuestionario práctico: Evaluación y perfeccionamiento de modelos 00:20:00
- Laboratorio: Evaluación y perfeccionamiento de modelos – Precios de coches usados 00:30:00
- Laboratorio: Evaluación y perfeccionamiento del modelo – Precios de los portátiles 00:45:00
- Ficha del módulo 5: Evaluación y perfeccionamiento del modelo 00:15:00
- Cuestionario graduado: Evaluación y perfeccionamiento del modelo 00:20:00
- Parcelas de superficie 00:05:27
- Histogramas 00:04:57
- Gráficos de barras 00:03:28
- Laboratorio práctico: Gráficos de área, histogramas y diagramas de barras 00:30:00
- Cuestionario práctico: Herramientas básicas de visualización 00:20:00
- Gráficos circulares 00:03:24
- Parcelas en cajas 00:03:04
- Gráficos de dispersión 00:03:43
- Comprender los mapas de árbol y los gráficos dinámicos 00:10:00
- Laboratorio práctico: Gráficos circulares, gráficos de cajas, gráficos de dispersión y gráficos de burbujas 00:30:00
- Trazado directo con Matplotlib 00:08:28
- Laboratorio práctico: Trazado directo con Matplotlib 00:40:00
- Cuestionario práctico: Specialized Visualization Tools 00:20:00
- Resumen: Herramientas de visualización básicas y especializadas 00:05:00
- Hoja de trucos: Trazado con Matplotlib 00:10:00
- Cuestionario graduado: Herramientas de visualización básicas y especializadas 00:20:00
- Visión general del cuadro de mandos 00:04:33
- Recursos adicionales para cuadros de mando 00:05:00
- Introducción a Plotly 00:05:43
- Recursos adicionales para Plotly 00:10:00
- Conceptos básicos de Plotly: Dispersión, Línea, Barra, Burbuja, Histograma, Tarta, Ráfaga de Sol 01:00:00
- Práctica: Creación de cuadros de mando con Plotly 00:20:00
- Introducción a Dash 00:03:43
- Comprender el entorno del laboratorio 00:07:54
- Conceptos básicos de Dash: HTML y componentes básicos 00:40:00
- Recursos adicionales para Dash 00:10:00
- Haga que los cuadros de mando sean interactivos 00:05:47
- Recursos adicionales para cuadros de mando interactivos 00:10:00
- Añadir interactividad: Entrada del usuario y devoluciones de llamada 00:30:00
- Panel de estadísticas de tiempo de retraso de los vuelos 01:00:00
- Cuestionario de práctica: Trabajar con Dash 00:20:00
- Resumen: Creación de cuadros de mando con Plotly y Dash 00:05:00
- Hoja de trucos: Plotly y Dash 00:10:00
- Cuestionario Graduado: Creación de cuadros de mando con Plotly y Dash 00:20:00
- Visión general del análisis exploratorio de datos 00:02:00
- Laboratorio práctico: Completar el EDA con SQL 01:00:00
- Puntos de control: Análisis exploratorio con SQL 00:20:00
- Análisis exploratorio de datos mediante SQL 00:20:00
- EDA con laboratorio de visualización 01:00:00
- Puntos de control: Completar el AED con la visualización 00:20:00
- Análisis exploratorio de datos para su visualización 00:20:00
- Visión general del análisis predictivo 00:01:00
- Laboratorio práctico: Complete el laboratorio de predicción de aprendizaje automático 01:00:00
- Puntos de control: Análisis predictivo 00:20:00
- Cuestionario graduado: Análisis predictivo 00:20:00
- Resumen de la lección: Big Data y minería de datos 00:07:00
- Cómo los macrodatos impulsan la transformación digital 00:03:55
- Introducción a la nube 00:06:48
- Nube para la ciencia de datos 00:03:22
- Fundamentos de los macrodatos 00:05:21
- Ciencia de datos y Big Data 00:04:13
- ¿Qué es Hadoop? 00:06:36
- Herramientas de procesamiento de Big Data: Hadoop, HDFS, Hive y Spark 00:06:30
- Minería de datos 00:15:00
- Cuestionario práctico: Minería de datos 00:20:00
- Resumen de la lección: Big Data y minería de datos 00:05:36
- Cuestionario práctico: Big Data y minería de datos 00:20:00
- Glosario: Big Data y minería de datos 00:10:00
- Cuestionario graduado: Big Data y minería de datos 00:20:00
- Visión general de la lección: Aprendizaje profundo y aprendizaje automático 00:03:00
- Inteligencia artificial y ciencia de datos 00:04:11
- Inteligencia artificial generativa y ciencia de datos 00:03:48
- Redes neuronales y aprendizaje profundo 00:06:42
- Aplicaciones del aprendizaje automático 00:03:18
- Regresión 00:15:00
- Cuestionario práctico: Regresión 00:20:00
- Laboratorio: Exploración de datos mediante IBM Cloud Gallery 00:45:00
- Resumen de la lección: Aprendizaje profundo y aprendizaje automático 00:03:01
- Cuestionario práctico: Aprendizaje profundo y aprendizaje automático 00:20:00
- Glosario: Aprendizaje profundo y aprendizaje automático 00:10:00
- Cuestionario graduado: Aprendizaje profundo y aprendizaje automático 00:20:00
- Resumen: Aprendizaje profundo y aprendizaje automático 00:03:00
- Resumen de la lección: Comprender los datos 00:05:00
- Comprender los datos 00:04:01
- Fuentes de datos 00:07:56
- Puntos de vista: Trabajar con fuentes y tipos de datos variados 00:06:37
- Lectura: Metadatos 00:15:00
- Cuestionario práctico: Metadatos 00:20:00
- Resumen de la lección: Comprender los datos 00:04:03
- Glosario Comprender los datos 00:05:00
- Cuestionario práctico – Comprender los datos 00:20:00
- Resumen de la lección: Alfabetización informática 00:03:00
- Recogida y organización de datos 00:04:33
- Sistema de administración de bases de datos relacionales 00:07:37
- NoSQL 00:07:34
- Data Marts, Data Lakes, ETL y Data Pipelines 00:06:45
- Puntos de vista: Consideraciones para la elección del repositorio de datos 00:06:24
- Plataformas de integración de datos 00:04:47
- Cuestionario práctico: Plataformas de integración de datos 00:20:00
- Resumen de la lección: Bienvenido a la alfabetización informática 00:05:15
- Cuestionario práctico: Alfabetización informática 00:20:00
- Glosario: Alfabetización informática para la ciencia de datos 00:10:00
- Resumen: Alfabetización informática para la ciencia de datos 00:01:00
- Introducción al curso 00:04:29
- Una nota rápida para la mejor experiencia de aprendizaje 00:02:00
- Programa del curso 00:05:00
- Professional Certificates Apoyo a la carrera profesional 00:10:00
- Consejos útiles para completar el curso 00:02:00
- Resumen de la lección: Definición de la ciencia de datos 00:10:00
- ¿Qué es la ciencia de datos? 00:02:29
- Fundamentos de la ciencia de datos 00:02:51
- Los muchos caminos hacia la ciencia de datos 00:03:47
- Ciencia de datos: El trabajo más sexy del siglo XXI 00:15:00
- Cuestionario práctico: Ciencia de datos: El trabajo más sexy del siglo XXI 00:20:00
- Descubra su camino en la ciencia de datos 00:15:00
- Consejos para los nuevos científicos de datos 00:02:50
- Resumen de la lección: Definir la ciencia de datos 00:03:08
- Cuestionario práctico: Definición de la ciencia de datos 00:20:00
- Glosario Definición de ciencia de datos 00:05:00
- Cuestionario graduado: Definición de la ciencia de datos 00:20:00
- Resumen de la lección: ¿Qué hacen los científicos de datos? 00:03:00
- Un día en la vida de un científico de datos 00:03:45
- Habilidades en ciencia de datos y Big Data 00:04:35
- Comprender los distintos tipos de formatos de archivo 00:04:59
- Temas y algoritmos de la ciencia de datos 00:03:53
- ¿Qué convierte a alguien en un científico de datos? 00:10:00
- Resumen de la lección: ¿Qué hacen los científicos de datos? 00:04:06
- ¿Qué se necesita realmente para ser un científico de datos? 00:15:00
- Cuestionario de práctica: ¿Qué convierte a alguien en un científico de datos? 00:20:00
- Glosario: ¿Qué hacen los científicos de datos? 00:05:00
- Cuestionario graduado: Qué hacen los científicos de datos 00:20:00
- Resumen: ¿Qué hacen los científicos de datos? 00:03:00
- Resumen de la lección: Dominios de aplicación de la ciencia de datos 00:03:00
- ¿Cómo deben iniciarse las empresas en la ciencia de datos? 00:02:52
- Viejos problemas, nuevas soluciones en ciencia de datos 00:03:56
- Aplicaciones de la ciencia de datos 00:03:38
- Cómo la Ciencia de Datos está salvando vidas 00:04:37
- La entrega final 00:05:00
- Cuestionario práctico: La entrega final 00:20:00
- Resumen de la lección: Dominio de las aplicaciones de la ciencia de datos 00:04:25
- Cuestionario práctico: Dominios de aplicación de la ciencia de datos 00:20:00
- Glosario Dominios de aplicación de la ciencia de datos 00:05:00
- Cuestionario graduado: Dominios de aplicación de la ciencia de datos 00:20:00
- Resumen de la lección: Carreras y contratación en la ciencia de datos 00:03:00
- ¿Cómo puede alguien convertirse en científico de datos? 00:05:19
- Reclutamiento para la ciencia de datos 00:07:40
- Carreras en ciencia de datos 00:02:51
- Importancia de las matemáticas y la estadística para la ciencia de datos 00:04:52
- La estructura del informe 00:10:00
- Cuestionario práctico: La estructura del informe 00:20:00
- Resumen de la lección: Carreras y contratación en la ciencia de datos 00:04:09
- Cuestionario de práctica: Carreras y contratación en la ciencia de datos 00:20:00
- Glosario Carreras y contratación en la ciencia de datos 00:05:00
- Cuestionario graduado: Carreras y contratación en la ciencia de datos 00:20:00
- Resumen: Carreras y contratación en ciencia de datos 00:04:00
- Una hoja de ruta para su viaje a la ciencia de datos 00:03:00
- Estudio de caso: Tarea final 00:15:00
- Cuestionario basado en un estudio de caso 00:20:00
- Explore las ofertas de empleo en ciencia de datos 00:05:00
- Examen final 00:20:00
- Resumen del curso 00:07:00
- Felicitaciones y próximos pasos 00:01:00
- Equipo del curso y agradecimientos 00:02:00
- Insignia digital de IBM 00:02:00
Comparte esta certificación.
Información del Curso
240 Horas Curriculares
24 Créditos Académicos
Accede por tu Smartphone
Certificado oficial SEP
Aprendizaje especializado
Contenido de la Certificación
Adquiere habilidades prácticas para ciencia de datos: Python, análisis y visualización; aplica técnicas de ML en proyectos reales.
1) Especialización dirigida a entusiastas que deseen adquirir habilidades prácticas para problemas reales de datos.
2) Aprenderás Python (sin experiencia previa), métodos de análisis y visualización, y herramientas como NumPy y Pandas.
3) Tendrás experiencia práctica en IBM Cloud con proyectos, y el programa aporta crédito universitario (ACE) y badge digital de IBM.
Viñetas (debajo del resumen — proyecto aplicado):
• Extraer y graficar datos financieros con Pandas.
• EDA y modelos de regresión para predecir precios de vivienda.
• Visualizaciones y dashboard interactivo con Matplotlib/Seaborn/Plotly Dash.
• Proyecto final: modelos para predecir reutilización de etapa de un cohete (SpaceX).
CURSO 1: Python for Data Science, AI & Development
- Sintaxis, estructuras de datos, excepciones, POO y Jupyter.
- Librerías: Pandas y NumPy; APIs REST y web scraping.
CURSO 2: Python Project for Data Science
- Proyecto práctico como analista/científico de datos.
- Dashboard con Pandas, BeautifulSoup y Plotly en Jupyter.
CURSO 3: Data Analysis with Python
- Limpieza/preparación, EDA con Pandas/NumPy/SciPy.
- Modelos de regresión y toma de decisiones basada en datos.
CURSO 4: Data Visualization with Python
- Visualizaciones con Matplotlib, Seaborn y Folium.
- Dashboards interactivos con Dash y Plotly.
CURSO 5: Applied Data Science Capstone
- Proyecto integrador: recolección, EDA, modelado y evaluación.
- Modelos: SVM, árboles de decisión, k‑NN.
