ContenidoIntroducción a PythonEmpezaremos con un ‘prework’ de 2 semanas, donde aprenderás o repasarás cómo construir algoritmos utilizando funciones, condicionales y otros elementos de Python. Una buena base de Python es importante para poder desarrollar algoritmos de recolección de datos, consultar API’s o hacer Web Scrapping. También obtendrás las bases para depurar tus datos utilizando las bibliotecas Pandas y Numpy. Estas dos bibliotecas constituyen la base sobre la que esta construida toda la industria de Data Science.ProyectosMicro ejercicios con autocorrecciones sobre algoritmos y utilización de Pandas, Numpy y Matplotlib.Estadística y Álgebra Lineal con PythonSiempre con un enfoque muy práctico y programando en Python, vamos a aplicar los conceptos de Álgebra Lineal más utilizados en Data Science y Machine Learning. Matrices y Vectores, Funciones F(x) y relaciones entre variables. También programaremos en Python los conceptos probabilísticos más utilizados: tendencias centrales, desviación estándar, medias y medianas. Por último, calcularemos probabilidades de que un evento o dato ocurra, una habilidad muy importante para poder desarrollar modelos y predicciones.ProyectosPara aplicar lo aprendido trabajaremos con casos reales enfocados en el mundo laboral.Recolecta y Almacena DatosProbablemente la etapa más larga de todos los proyectos de Data Science es recolectar (y limpiar) los datos. En este módulo trabajarás con Python para conectarte a bases de datos SQL, aprenderás la sintaxis de SQL para consultar y manipular esos datos, cargar y descargar archivos estáticos CSV, JSON entre otros más utilizados en la industria. Aprenderás a conectarte con API’s o descargar datos de páginas que no cuentan con una API utilizando web scraping. Almacenarás todos los datos de forma ordenada y coherente en una base de datos.ProyectosCarga de data estructurada y no-estructurada, a partir de diferentes fuentes (E.j: SQL, Web Scraping, ficheros de prueba) y conectándote a la API de Twitter.Manipulación de datos con PythonUna vez que tus datos han sido recolectados es necesario entender su estructura, profundidad y depurar errores. Empezaremos enseñándote las técnicas de visualización de datos para entender la muestra y desarrollar las diferentes estrategias para limpiar y mejorar tu dataset: Ingeniería de Features, Outliers, Datos Faltántes, Feature encoding, Feature Scaling. Aprende a desarrollar reportes en Looker (Google DataStudio) con gráficos avanzados y KPI’s en una de las herramientas de datawarehousing más utilizadas del mercado.ProyectosExplora el dataset de propiedades de Airbnb y publica un reporte en la nube de Google DataStudio.Machine Learning PrácticoUno a uno iremos revisando los algoritmos y modelos predictivos mas utilizados en la industria: Supervisados y No Supervisados. Cada modelo vendrá con un caso práctico para ser solucionado utilizando Python: Regresión Lineal, Regresión Logística, Árboles de Decisión, Random Forest, Bayes, Support Vector Machine, NLP, KNN, Time Series, NN y otros.ProyectosPredice el costo del seguro médico, Clasifica pacientes si tienen diabetes o no, Análisis de sentimiento de reviews en Google Play Store, Detecta Email Spam, Agrupa casos basado en coordenadas e ingreso medio, Detecta anomalias en el uso de un CPU, Clasifica Imágenes, etc.Machine Learning en producciónUno de los aspectos más importantes al desarrollar una Inteligencia Artificial es entender cómo preparar, desplegar y mantener una solución en un ambiente de producción. Te llevaremos de la mano durante todo el ciclo de desarrollo de software detrás de la solución. Machine Learning Operations (MLOps), así como privacidad, seguridad y ética. Tu proyecto final será desplegar tu aplicación de Machine Learning en producción.ProyectosConstruyendo arquitecturas de datos, desplegando I.A. en produccion localmente y en la nube, monitoreando y manteniendo los modelos.Elige un problema y resuélvelo con Machine LearningTrabajarás en equipo para escoger un problema real, recolectar los datos necesarios para resolverlo con una predicción, realizar un análisis exploratorio con varias visualizaciones que permitan entender los datos, limpiar el dataset para poder utilizarlo correctamente y seleccionar un par de modelos para realizar una predicción. Luego evaluarás la efectividad de tus modelos utilizando las técnicas vistas durante el curso. Por último, pondrás tu modelo en produccion utilizando Streamlit o Google DataStudio.ProyectosConstruyendo arquitecturas de datos, desplegando la aplicación de Machine Learning localmente y en la nube, monitoreando y manteniendo los modelos.De por vidaSigue recibiendo la ayuda de la academia de por vida, acceso a los contenidos, soporte profesional (career support). Recibe incluso ayuda durante el inicio de tu nuevo trabajo, nunca más estarás sólo.ProyectosConseguirás trabajo, empezarás a ganar más dinero pero continuarás aprendiendo hasta convertirte en Ingeniero Senior en Inteligencia Artificial.
