Programación en Python para Data Analytics
El contenido del curso está orientado a obtener los conocimientos básicos necesarios para resolver problemas utilizando para su implementación el lenguaje de programación Python, conocer los principios de Data Scientist y Data Analitcs.
Objetivos
- Directivos
Dirigido a
- Conocimientos de fundamentos de algoritmos y programación.
Requisitos
- Conocimientos de fundamentos de algoritmos y programación.
- Conocimientos en programación orientada a objeto en Python.
- Conocimientos en programación funcional en Python.
Detalles del curso
Nombre del curso
Programación en Python para Data Analytics
Duración
24 horas.
Modalidad
Online Live (Instructor en vivo)
Programación en Python para Data Analytics
Contenido Programático
Módulo 1: Anaconda como entorno de desarrollo
Descripción: Sensibilizar sobre la filosofía del lenguaje, su historia y evolución, casos de éxitos, recrear el ambiente de desarrollo.
Práctica: Exponer sobre los diversos usos e implementaciones exitosas, las tendencias actuales en innovación y transformación digital dentro de las organizaciones con el uso del Machine Learning, la Big Data y la Data Science. Instalar el intérprete del lenguaje, Anaconda como entorno de desarrollo, el editor Spyder o Visual Studio Code, crear de entornos virtuales en Python.
Módulo 2: Librerías de uso científico Numpy
Descripción: Comprender el uso del módulo numpy de las librerías adicionales de Python para la manipulación y análisis de datos de forma rápida y fácil de usar.
Práctica: Ejemplo del uso del módulo numpy como su estructura de tipos de datos, funciones incorporadas para extracción, validación y procesamientos de datos y explorando el resultado en un paquete Python en el sistema de archivos.
Módulo 3: Librerías de uso científico Pandas
Descripción: Comprender el uso del módulo pandas de las librerías adicionales de Python para la manipulación y análisis de datos de forma rápida y fácil de usar.
Práctica: Ejemplo del uso del módulo pandas como su estructura de tipos de datos, funciones incorporadas para extracción, validación y procesamientos de datos desde archivos Excel, Base de datos, entre otros, ademas del uso de los módulos json y requests para consumir API y explorando el resultado en un paquete Python en el sistema de archivos.
Módulo 4: Generación de gráficos
Descripción: Comprender el uso de los módulos matplotlib y plotly para la generación de gráficos con Python.
Práctica: Ejemplo de uso de los módulos matplotlib y plotly para la generación de gráficos y explorando el resultado en un proyecto Python en el sistema de archivos.
Módulo 5: Tipos de reportes
Descripción: Comprender la generación de reportes en formato CSV, XLS y PDF con Python.
Práctica: Ejemplo de uso de los módulos para la generación de reportes en formato CSV, XLS y PDF, explorando el resultado en proyectos Python en el sistema de archivos.
Módulo 6: Dashboard interactivos
Descripción: Comprender el uso del módulo streamlit para la creación de Dashboard interactivos con Python.
Práctica: Ejemplo de uso del módulo streamlit para la creación de Dashboard interactivos, explorando el resultado en proyectos Python en el sistema de archivos.
Módulo 7: Publicación en la Web
Descripción: Comprender el uso del módulo pyngrok y el servicio ngrok para hacer publicaciones en Internet.
Práctica: Ejemplo de uso del módulo pyngrok para usar un proxy inverso que abre conexiones seguras desde direcciones URL públicas al computador local con el servicio ngrok, hacer demostraciones desde su propia máquina y más.
Módulo 8: Jupyter Notebook
Descripción: Comprender el uso del módulo notebook para crear y compartir publicaciones científicas comprobables e interactivas, además escribir documentos computacionales de proyectos en Python. Ofrece una experiencia simple, optimizada y centrada en escritura de publicaciones científicas con soporte comprobables en Python.
Práctica: Ejemplo de uso del módulo notebook para crear y compartir publicaciones científicas comprobables e interactivas, además escribir documentos computacionales de iniciativas en Python y explorando el resultado en proyectos Python en el sistema de archivos.
Módulo 9: Google Colab
Descripción: Comprender el funcionamiento del servicio, el cual permite a cualquier usuario escribir y ejecutar código arbitrario de Python en el navegador.
Práctica: Ejemplo de uso del servicio, hosting de código Python en la nube de Internet, compartir código a otros usuarios con prácticas ágiles y colaborativas, explorando el resultado tanto en la nube del servicio como en iniciativas Python locales en el sistema de archivos.
Módulo 10: Mejores prácticas y tendencias actuales.
Descripción: Comprender las mejores practicas del desarrollo en Python, plataformas colaborativas, herramientas complementarias.
Práctica: Mostrar ejemplos de buenas prácticas en el desarrollo, calidad del software, optimización del código fuente, etc.