Ruta integral: Python/SQL, EDA, ML, visualización y proyecto aplicado.
Membresía Educativa
El curso que te interesa es parte de nuestra membresía educativa con acceso anual por $1,200.
Es decir, no solo adquieres ese curso. También accedes a 650 cursos en muchas categorías.
Adquirir Membresía Educativa
Haz clic aquí para abrir el enlace de compra
✅ Lo que obtienes:
- Acceso Total: 650 cursos disponibles las 24 horas, los 7 días de la semana.
- Estudia a tu ritmo, desde cualquier lugar, durante todo un año.
Certificado del Programa
Los usuarios que se suscriban a este curso, tienen la oportunidad de obtener un Certificado de estudios con validez SEP emitido por el Instituto Nacional de Estandarización y certificación, verificable, imprimible y descargable (PDF) .
Este tiene un costo de emisión de MXN $1,950
Excepto para programas de SALUD
-
-
- Bienvenida al curso 00:05:46
- Presentación del curso 00:20:00
- Recomendaciones para tener éxito 00:15:00
- Instalación de Anaconda 00:12:18
- Referencias de apoyo 00:20:00
- Problemas técnicos 00:05:00
- Introducción al Módulo1 00:04:13
- Definición ciencia de datos 00:07:54
- Ciencia de datos y algunas aplicaciones 00:15:00
- Actividad ejemplificación proyecto ciencia de datos 00:20:00
- Caso de uso Airbnb 00:03:38
- ¿Cuál será nuestro proyecto? – caso de uso Airbnb 00:15:00
- Metodología ASUM-DM 00:30:00
- Preparándonos para continuar: Aplicación metodología ASUM-DM al caso de uso airbnb 00:20:00
- Iniciación Design Thinking 00:10:00
- Descripción de prototipos 00:10:00
- Manos a la obra: aplicación metodología design thinking al caso de uso Airbnb 00:40:00
- ¿Qué hemos aprendido? La ideación y la ciencia de datos 00:20:00
- Introducción Módulo 2 00:04:11
- Definición y tipos de variables 00:10:00
- Tablas de frecuencias, medidas de tendencia central, medidas de posición, medidas de posición o localización y medidas de variabilidad 00:30:00
- Caso de uso Retail para videos tutoriales 00:15:00
- Interacción Notebook de Jupyter caso de uso Retail : Estadística Univariada 00:15:42
- Cuestionario formativo: aplicación estadística univariada al caso de uso Airbnb 00:20:00
- Cómo visualizar los datos 00:30:00
- Lectura datos atípicos 00:10:00
- Interacción Notebook de Jupyter caso de uso Retail : Métodos de visualización 00:13:52
- Preparándonos para continuar: Validación de hipótesis a partir de gráficos, caso de uso Airbnb. 00:20:00
- Interacción Notebook de Jupyter caso de uso Retail : Preparación de datos 00:08:38
- ¿Qué hemos aprendido? Análisis exploratorio de datos 00:20:00
- Introducción Módulo 4 00:03:27
- Los p-test y la significación estadística 00:08:28
- Significancia estadística. El p-test y los intervalos de confianza 00:15:00
- Video Tutorial: Interacción Jupyter notebook – caso de uso retail 00:20:00
- Actividad: Aplica p-test e intervalos de confianza en Jupyter en airbnb 00:45:00
- ¿Qué es una prueba t? 00:05:57
- Video Tutorial: Interacción Jupyter notebook – caso de uso Retail 00:30:00
- Aplicación de la prueba t 00:20:00
- Preparándonos para continuar 00:20:00
- ¿Qué es ANOVA? Varianza entre varios grupos 00:15:00
- VideoTutorial: Interacción Jupyter notebook – caso de uso retail 00:20:00
- Manos a la obra, a aplicar lo visto en el proyecto- ANOVA 00:45:00
- Consolida tu proyecto 00:05:17
- Cierre de proyecto en metodología ASUM-DM 00:10:00
- Consolida tu proyecto 00:45:00
- ¿Qué hemos aprendido? 00:20:00
- Cierre del curso 00:01:48
- Introducción al curso 00:05:03
- Presentación del curso 00:20:00
- Recomendaciones para tener éxito en el curso 00:15:00
- Anaconda y su instalación 00:12:17
- Referencias de apoyo 00:20:00
- Problemas técnicos 00:10:00
- Introducción al Módulo 1 00:04:02
- ¿Cómo podemos definir el AA (Aprendizaje Automático)? 00:07:48
- ¿Qué tipo de proyectos podemos realizar con el AA (Aprendizaje Automático)? 00:20:00
- ¿Cómo se relaciona el AA (Aprendizaje Automático) con la AI? 00:10:00
- Los tipos de aprendizaje y sus tareas 00:07:37
- Los modelos predictivos: qué tarea asignar con base en el objetivo de aprendizaje 00:20:00
- Determina una problemática de interés ¿Puede resolverse con AA (Aprendizaje Automático)? 00:30:00
- Preparándonos para continuar 00:20:00
- Etapas de un proyecto de análisis 00:25:00
- Caso de uso Gestión de riesgos ambientales 00:02:17
- ¿Cuál será nuestro proyecto? 00:15:00
- Python y las librerías para AA (aprendizaje automático) 00:15:00
- Modelos predictivos en el sector minorista. 00:10:00
- Un ejemplo sobre un conjunto de datos (cargar, describir, visualizar, …) 00:08:22
- A practicar Cargar, describir y visualizar un conjunto de datos 00:30:00
- ¿Qué hemos aprendido? 00:20:00
- Introducción al Módulo 3 00:03:20
- ¿Cómo funciona la regresión polinómica? 00:15:00
- La regresión polinomial en Scikit-learn: caso una sola variable 00:07:53
- Transformación polinómica: interacciones entre variables 00:10:00
- La regresión polinomial en Scikit-learn: caso con múltiples variables 00:05:52
- A practicar. Regresión polinomial sobre un conjunto de datos 00:30:00
- Más complejo o menos complejo: ese es el dilema 00:15:00
- Menos es más: complejidad y generalización 00:10:00
- Preparándonos para continuar 00:20:00
- La regularización al rescate 00:15:00
- Regularización en regresión lineal. 00:15:00
- En la búsqueda de los hiperparámetros 00:15:00
- Regresión regularizada. Caso Ridge. 00:09:49
- Regresión regularizada. Caso Lasso. 00:05:45
- Actividad A practicar. Regresión regularizada sobre un conjunto de datos 00:30:00
- Manos a la obra, a aplicar lo visto en el proyecto 00:45:00
- ¿Qué hemos aprendido? 00:20:00
- Preparación de datos para mejorar su calidad 00:03:48
- La calidad de los datos y su importancia 00:05:16
- Problemas y soluciones a datos faltantes 00:10:00
- Resolver problemas de completitud de datos 00:08:00
- Actividad: Resolver problemas de completitud de datos 00:20:00
- Impacto de las soluciones planteadas para corregir problemas de exhaustividad 00:05:00
- ¿Estandarización o libertad? 00:15:00
- La estandarización en un caso 00:10:22
- Actividad: aplicar la estandarización 00:20:00
- Actividad: Muro colaborativo transformación de los datos de acuerdo con el contexto de los mismos 00:10:00
- Preparándonos para continuar 00:20:00
- Problemas y soluciones a datos duplicados 00:10:00
- Actividad: Identificar y resolver problemas de duplicidad 00:20:00
- Problemas y soluciones a datos incoherentes 00:05:14
- Consistencia exacta y difusa 00:15:00
- Actividad: Mejorar la consistencia de datos 00:20:00
- Proyecto: «Manos a la obra, a aplicar lo visto en el proyecto» Incluyamos la calidad de datos al caso del proyecto 00:45:00
- ¿Qué hemos aprendido? 00:20:00
- Introducción al módulo 00:03:18
- Transformación de Datos: tipos y técnicas 00:03:30
- Data processing reading 00:20:00
- VideoTutorial: seleccionando atributos – caso de estudio 00:10:00
- Actividad: seleccionar atributos 00:10:00
- Transformar atributos 00:10:00
- VideoTutorial: presentación caso de uso 00:10:00
- Actividad: preparar los datos con normalización 00:10:00
- Cuestionario Formativo: preparándonos para continuar 00:20:00
- Reducción de dimensionalidad y sus técnicas 00:10:00
- Video Tutorial: PCA en Python 00:15:00
- Actividad: aplicando reducción de dimensionalidad 00:10:00
- Procesamiento de texto 00:07:14
- Técnicas de preprocesamiento de texto 00:20:00
- Actividad: transformación de texto en Python 00:10:00
- Proyecto: Manos a la obra, preparación de datos acercándonos a la construcción de modelos analíticos al caso del proyecto 00:50:00
- Cuestionario sumativo: validando el aprendizaje de todo el curso 00:20:00
- Vídeo de cierre 00:03:09
Comparte esta certificación.
Información del Curso
30 Horas Curriculares
24 Créditos Académicos
Accede por tu Smartphone
Certificado oficial SEP
Aprendizaje especializado
Contenido de la Certificación
Ruta integral: Python/SQL, EDA, ML, visualización y proyecto aplicado.
1) Aprende el proceso de ciencia de datos de punta a punta con casos reales.
2) Domina Python/SQL para preparar, analizar y modelar datos.
3) Comunica hallazgos con visualizaciones claras y reportes reproducibles.
Viñetas (debajo del resumen):
• Python, Jupyter y SQL.
• EDA, feature engineering y visualización.
• Modelos supervisados/no supervisados.
• Proyecto de portafolio.
Habilidades:
Python, SQL, EDA, ML, Visualización, Storytelling
CURSO 1: Herramientas para DS
- Python/Jupyter y SQL.
CURSO 2: Análisis y preparación
- EDA y features.
CURSO 3: Modelado y evaluación
- Métricas y tuning.
CURSO 4: Comunicación y entrega
- Reporte y dashboard.
